Razón en contra del uso de DOE de diseño personalizado para todoHola todos,
Necesito a alguien que me haga el papel de abogado del diablo. Hay muchas funciones de DOE diferentes en JMP. Por ejemplo, si entro en JMP, hay más de 10 diseños DOE tradicionales diferentes en el menú desplegable DOE, y también está la función Diseño personalizado.
Esta puede ser una pregunta ingenua, pero ¿hay algún argumento para usar cualquier otro diseño DOE en lugar de un diseño personalizado? ¿Puede alguno de estos diseños hacer algo que el diseño personalizado no puede hacer?
Gracias,
Donald
GAMARe: Razón en contra del uso de DOE de diseño personalizado para todoHola donald
Me interesaría saber por qué hace esta pregunta. ¿Es para tu propio entendimiento? ¿O estás pensando en cómo asesorar a tus compañeros?
Para la mayoría de los científicos e ingenieros, les recomiendo que se centren en el cribado definitivo y el diseño personalizado.
¿Por qué el cribado definitivo? En muchas situaciones, un diseño de cribado definitivo (DSD) será el experimento más eficiente y fácil de usar. Yo diría que la mayoría de los experimentos de científicos e ingenieros son experimentos de cribado: tienen 5 o más factores continuos y no saben que todos los factores son importantes. Los DSD son excelentes en estos casos. Si se considera que una pequeña cantidad de efectos es importante, puede obtener un modelo útil para la optimización. Incluso si todos los factores son importantes, un DSD habrá sido un buen primer paso en el proceso de experimentación y puede continuar con Augment Design. DSD en JMP tiene un método de ajuste fácil de usar que facilita el análisis de los resultados. Los DSD no se pueden volver a crear con el diseño personalizado, por lo que es una plataforma separada en JMP.
El diseño personalizado cubre la mayoría de las demás situaciones experimentales.
Todas las opciones del menú Clásico se han probado y probado, y se han utilizado con éxito muchas veces. En su mayor parte, aunque se pueden recrear utilizando Diseño personalizado porque son casos especiales de diseños óptimos. Solo recomendaría las opciones clásicas a alguien que haya sido educado en los métodos más antiguos de DOE, para que puedan recrear los diseños que han aprendido. No sé si podría recrear los diseños de Taguchi usando Diseño personalizado, pero no sé si le gustaría hacerlo; nunca me he encontrado con nadie que use JMP para los diseños de Taguchi.
Todas las opciones de los estudios del consumidor y de fines especiales tienen sus propios usos. Definitivamente pueden hacer cosas que el diseño personalizado no puede hacer. Sin embargo, son situaciones especializadas o de nicho que serán relevantes para un subgrupo más pequeño de experimentadores. Por ejemplo, diseños que llenan el espacio para experimentos informáticos en sistemas muy no lineales en ingeniería. O diseños Max-Diff para estudios para comprender las preferencias de los consumidores.
Espero que eso ayude,
Phil
Re: Razón en contra del uso de DOE de diseño personalizado para todoHola Phil,
Gracias por la respuesta detallada. Soy un científico de formulación y quiero intentar ayudar a mis colegas a entrar más en JMP. La mayoría de nuestros DOE serían diseños de mezcla.
Quería comprobar si recomendar el diseño personalizado como opción tenía sentido o no. Parece que sí, pero las DSD también deben considerarse cuidadosamente para fines de detección.
Aprecie si alguien más agrega una opinión también. Cuanto más mejor
Gracias
Donald
Re: Razón en contra del uso de DOE de diseño personalizado para todoPara diseños de mezcla, ciertamente recomendaría diseños personalizados. De hecho, no podrá utilizar un diseño de cribado definitivo para un escenario mixto.
Estoy de acuerdo con las recomendaciones de Phil. Los otros diseños tienen algunas ventajas según la situación. Por ejemplo, el poder de un diseño de cribado definitivo (DSD) es levemente más bajo de lo que obtendría de un diseño personalizado para un modelo de efectos principales solamente. La varianza de predicción de un DSD no es tan buena como la de un diseño personalizado I-Optimal. Pero la ventaja de DSD es un diseño único que también se puede utilizar para la optimización y el cribado.
Los diseños clásicos ofrecen una ortogonalidad que no siempre está garantizada (pero que se logra la mayor parte del tiempo para el mismo número de corridas) con un diseño personalizado.
Esencialmente, cada diseño tiene una ventaja, que es cómo / por qué se crearon en primer lugar. En algunos casos, esas ventajas pueden no ser valiosas para usted. Pero esa es exactamente la razón por la que JMP los ofrece todos. Es posible que tenga una situación en la que desee obtener esa ventaja en particular.
Re: Razón en contra del uso de DOE de diseño personalizado para todoEstos son mis pensamientos:
1. La selección de qué experimentos realizar es, en mi humilde opinión, una elección personal. Debe comprender la situación (contexto), qué preguntas está tratando de responder y sopesar la información que podría obtener de la estrategia experimental con los recursos requeridos. En algunos casos, estaría dispuesto a sacrificar la eficiencia por la eficacia.
2. Convencer a ingenieros, científicos y gerentes para que realicen CUALQUIER experimento puede ser la batalla más grande. Puede ser más desafiante si piensan en la matriz de diseño como una "caja de bloques" y no entienden cómo funciona. Es increíble cuántas personas se ven afectadas por la mentalidad OFAT. Después de todo, es fundamentalmente intuitivo ... Los diseños ortogonales clásicos son fáciles de explicar y brindan comodidad para eliminar el alias si es necesario, particularmente para aquellos sin antecedentes estadísticos.
3. El enfoque de la selección del diseño está sesgado hacia los efectos de los factores. No hay suficiente énfasis en las estrategias para manejar el ruido. El ruido a corto plazo (p. Ej., Error de medición, dentro de la muestra, entre muestra) se maneja mediante repetición o anidamiento. El ruido a largo plazo (p. Ej., Condiciones ambientales, materias primas de lote a lote, técnica del operador) se maneja a través de RCBB, BIB y parcelas divididas. Utilizo matrices de productos cruzados en situaciones de diseño robusto y todavía tengo que encontrar una manera fácil de configurarlas utilizando la plataforma de diseño personalizado.
4. "El objetivo del primer experimento es diseñar un experimento mejor". Experimentamos para comprender y validar / invalidar nuestra comprensión de la estructura causal. La probabilidad de que tengamos todos los factores importantes, probados a niveles óptimos en nuestro primer experimento, es cuestionable. La iteración es cómo aprendemos. El primer experimento es simplemente el comienzo del viaje.
