Re: Doe agregando datos a las ejecuciones de doe existentesEsto es lo que sugiero... cree una segunda tabla de datos JMP que sea el diseño original fusionado con las ejecuciones adicionales. La forma de hacer esto puede variar desde ingresar manualmente las ejecuciones adicionales ... o hacer una concatenación de tablas de datos. Luego, ANTES del análisis, sugiero ejecutar la plataforma Compare Designs para ver cómo se compara el diseño más grande con el diseño original. Aquí hay un enlace a la plataforma Compare Designs.
Comparar diseños
Prestando especial atención a los diagnósticos de diseño para estimabilidad de efectos. Si los puntos agregados cambian materialmente de manera negativa, su capacidad para estimar los efectos, tendrá que tomar una decisión con respecto a la conveniencia de tal fusión si la estimabilidad del efecto es muy importante para usted. Una característica muy deseable de la plataforma de diseño personalizado de JMP es que el diseño se basa en el modelo... por lo tanto, el diseño admitirá de manera óptima la estimación de los efectos que articule. Al agregar combinaciones de tratamientos adicionales al experimento, es posible que inadvertidamente tenga un impacto negativo en la capacidad de estimar los efectos.
Re: Doe agregando datos a las ejecuciones de doe existentesPedro, hola! Gracias por una buena explicación. Mis colegas también quieren agregar algunas carreras adicionales en algunos puntos específicos del espacio de diseño. No entiendo, ¿por qué lo harías? ¿Qué es lo racional detrás de este enfoque? ¿Se usa algún término específico para eso (me ayudaría a encontrar algunas referencias)? gracias y saludos
Re: Doe agregando datos a las ejecuciones de doe existentesHola @Aziza ,
@P_Bartell sugiere ejecutar en paralelo los dos diseños (el diseño original y el diseño con puntos extra), para verificar y calcular que las estimaciones de los parámetros encontradas en el modelo original son lo suficientemente similares a las del diseño con puntos extra, y/o que no se pierda ningún otro término/efecto, y/o que no tenga una falta de ajuste con un posible grado adicional de libertad agregado con los nuevos puntos.
Tenga en cuenta que dependiendo de los nuevos valores agregados (y el ruido), puede cambiar los términos en el modelo. Es posible que necesite:
- agregue nuevos términos en su segundo modelo (si no había suficientes puntos para estimarlos/detectarlos previamente en el DoE o no eran lo suficientemente significativos),
- elimine los términos existentes en su segundo modelo (porque los nuevos puntos muestran un comportamiento inverso/opuesto en comparación con los experimentos anteriores realizados en el DOE, por lo que los efectos ya no son significativos),
- simplemente mantenga los mismos términos que antes, con un posible aumento en la precisión de la estimación de parámetros (dependiendo de la varianza experimental).
Una "otra" opción (para hacer quizás antes de la comparación de modelos) también podría ser usar los puntos recién agregados (no del diseño original) como puntos de validación (en la tradición del conjunto de validación en Machine Learning). De esta forma, comprueba que el modelo creado en base al DoE es lo suficientemente preciso y puede generalizarse a nuevos experimentos realizados mediante la visualización de residuos y la comparación de sus métricas de rendimiento (R², R² ajustado, RMSE, ... según su objetivo) entre puntos en el modelo (conjunto de entrenamiento) y puntos recién agregados (conjunto de validación).
Dependiendo de las diferencias que encuentre entre los resultados del modelo en los conjuntos de entrenamiento y validación, es posible que deba explorar los modelos con mayor precisión e ir al método de comparación de modelos, para descubrir y comprender cuáles son las diferencias y las consecuencias de agregar los nuevos puntos.
Espero que esto te ayude 
Re: Doe agregando datos a las ejecuciones de doe existentesVoy a proporcionar algunos pensamientos sobre sus preguntas:
1. "¿Cuál es el racional (sic) detrás de este enfoque?" Creo que quisiste decir "razonamiento"? Así que aquí están mis pensamientos. Comencemos desde el punto de vista de agregar ejecuciones ANTES de realizar el experimento. Alguien podría racionalizar esto diciendo algo como, bueno, el diseño óptimo NO incluye combinaciones de tratamiento para las cuales definitivamente requerimos resultados empíricos, por lo tanto, simplemente agréguelos al diseño en lugar de realizar un segundo experimento con estas combinaciones. Una cuestión de comodidad y practicidad sobre todo. Otro ejemplo de este tipo de cosas fue agregar lo que llamamos 'controles' al experimento original. Para nosotros, una "verificación" fue una combinación de tratamientos en la que teníamos una muy buena idea de cuáles serían las respuestas y usábamos la "verificación" como un medio para asegurarnos de que no había grandes ruidos o factores molestos. influyendo en el equilibrio de los resultados. Nunca incluimos los 'cheques' en el análisis. La gran advertencia es que el enfoque DOE óptimo está basado en el modelo, y agregar combinaciones de cualquier tipo E incluir esas combinaciones en el análisis puede, sin darse cuenta, hacer que sea más problemático obtener la información del análisis que estaba buscando con el diseño original.
2. Si agregar las combinaciones de tratamientos al diseño original DESPUÉS de que se haya realizado el experimento original, eso es lo que muchos llaman 'aumentar' el diseño original. La razón detrás de esto es a menudo bastante simple... el análisis del diseño original no nos llevó a ser capaces de resolver el problema práctico en cuestión... pero creemos que estamos en el camino correcto... y agregamos bien pensado ( usando estrategias y tácticas óptimas del DOE) corre al diseño original nos llevará más cerca de la resolución del problema en cuestión. Los ejemplos podrían ser... necesitamos estimar interacciones o efectos cuadráticos que no eran estimables a partir de nuestro diseño original. Esto es bastante fácil de lograr en JMP usando la plataforma Augment Design. Aquí hay un enlace a esa sección de la documentación en línea de JMP que describe estrategias y tácticas de diseño de aumento y "cómo" en JMP, incluido un ejemplo: Diseños de aumento en JMP
Por último, como referencia y ejemplo, sugiero el capítulo 3 de Joos y Jones "Diseño óptimo de experimentos: un enfoque de estudio de caso".
¿Espero que esto ayude?
Re: Doe agregando datos a las ejecuciones de doe existentesMuchas gracias, Peter por una formulación muy perspicaz y clara de la respuesta. Ahora entiendo mejor. También haré un buen uso de las referencias que mencionaste. Aprecio tu apoyo. Atentamente.
Re: Doe agregando datos a las ejecuciones de doe existentesAgregaré mis pensamientos a las excelentes sugerencias ya señaladas:
Agregar réplicas adicionales de las mismas combinaciones de tratamiento "más tarde" agrega ruido adicional al estudio. Debe tener cuidado con la forma en que analiza las ejecuciones adicionales. Dado que parece que usted (y/o sus colegas) están eligiendo "selectivamente" qué tratamientos replicar, tenga en cuenta este sesgo. (ver documentos sobre diseños de bloques aleatorios completos (e incompletos, BIB)), por ejemplo:
Sanders, D., Leitnaker M. y McLean R. (2002) "Diseños de bloques completos aleatorios en estudios industriales" Ingeniería de calidad, vol. 14, número 1
Puede ser muy ventajoso aumentar el espacio de inferencia ejecutando réplicas sobre ruido cambiante. Si esto se hace de manera sistemática/a propósito, es posible que obtenga una comprensión significativamente mayor de los mecanismos en funcionamiento (qué factores tienen un efecto) y si esos efectos de los factores son resistentes a las condiciones cambiantes (ruido). Si esto se hace al azar, aumenta el espacio de inferencia, pero afecta negativamente la precisión del diseño.
Re: Doe agregando datos a las ejecuciones de doe existentesMuchas gracias por tu aporte. Lo tendré en cuenta y revisaré las referencias. Agradezco su tiempo y apoyo.
Doe agregando datos a las ejecuciones de doe existentesHola,
he diseñado y ejecutado gama personalizada. además tengo resultados con los mismos parámetros que también quiero poner dentro del análisis de ajuste. hay alguna opcion para eso?
gracias
Diseño de experimentosCompartir y comunicar resultados
