Queridos todos,
después de ejecutar un gran DoE con un diseño de superficie de respuesta (diseñado por un diseñador a medida), surgieron un par de preguntas y sería genial, si alguien pudiera ayudarme aquí. Soy un usuario bastante nuevo de JMP y DoE, pero estoy dispuesto a aprender.
1) Hemos medido diferentes respuestas (radio, dispersión y punto de fusión) con los mismos factores (sal, pH, azúcar). ¿Cómo se calcula la importancia aquí cuando evalúo cómo el conjunto de factores afecta las diferentes respuestas?
¿Cómo se combina esto entre sí?
2) También encontré factores principales que no son significativos, sin embargo, estos están en segundo orden de nuevo significativos con otro factor principal. ¿Debo dejar los términos de segundo orden y descartar los factores principales no significativos? ¿Cómo afecta esto al modelo?
3) ¿Cómo puedo ver que tengo datos razonables (aparte de la falta de ajuste) y puedo evaluarlos con la conciencia tranquila? ¿Cómo puedo ver que puedo confiar en la función de deseabilidad?
4) ¿Puedo determinar si los valores de respuesta se correlacionan entre sí (por ejemplo, punto de fusión con radio)?
5) He medido un diseño de superficie de respuesta con el diseñador personalizado. ¿Puedo predecir valores que están fuera del rango medido? ¿Cómo veo esas tendencias en los datos, que me dan información de que los factores deben aumentarse o disminuirse nuevamente para obtener resultados óptimos?
6) ¿Cómo puedo redefinir los límites de los valores de respuesta después de haber terminado la configuración con el menú de diseñador personalizado?
7) ¿Dónde puedo aprender a evaluar múltiples valores de respuesta al mismo tiempo y en qué se diferencia de evaluarlos por separado?
¡Muchas gracias por toda tu ayuda!
Las respuestas a todas sus preguntas podrían llenar un libro básico sobre DOE. Mi sugerencia es que haga una pausa en su trabajo y complete todos los módulos relacionados con el modelado y el DOE dentro del curso gratuito SAS "Pensamiento estadístico para la resolución de problemas industriales". Todas sus preguntas están cubiertas (además de muchos temas sobre los que no preguntó específicamente) allí.
Basado en su cuestionamiento, estaría de acuerdo con Pete en que debería estudiar el tema antes de desperdiciar recursos. Me refiero a comenzar con las superficies de respuesta que suelen ser diseños de tipo de optimización antes de comprender los modelos de primer orden y tener una comprensión profunda del ruido asociado con la situación es ineficiente y, a menudo, ineficaz.
Las respuestas de Mark son, por supuesto, correctas. Solo agregaré algunos pensamientos para contemplar:
1. La situación que describes es en realidad la norma. Vivimos en un mundo multivariado. Sin duda, existe un equilibrio para la optimización en múltiples variables de respuesta. Debe ejecutar Analizar>Métodos multivariantes>Multivariante (coloque todas las Y). Esto proporcionará coeficientes de correlación de Pearson y, lo que es más importante, matrices de gráficos de dispersión de las relaciones gráficas entre las variables de respuesta. Esta es también la respuesta a la pregunta 4.
2. Con respecto a la jerarquía... piénselo de esta manera... Si hay una interacción activa de la que desea aprovechar, seguramente querrá administrar ambos factores en esa interacción. Por supuesto, si configura uno de esos (digamos A), entonces solo necesitaría administrar el otro (B) con respecto a esa configuración de A. Agregar el efecto principal insignificante al modelo probablemente resultará en un delta mayor entre su R-Square y R-Square ajustado y puede disminuir sus valores p, pero es más importante que el modelo sea realista.
3. Ah, razonable... Mi primer paso en el análisis de TODOS los datos es determinar si los resultados tienen algún valor práctico. ¿La variable de respuesta cambió lo suficiente durante el estudio para garantizar una evaluación estadística (a esto lo llamo importancia práctica)? ¿Fue el espacio del experimento representativo de las condiciones futuras (una cuestión de espacio de inferencia)? Si no, la extrapolación es ciertamente sospechosa. ¿Cómo se manejó el ruido (factores no manipulados específicamente) durante el experimento?
Puede usar las estadísticas R-Square (delta con énfasis en R-Square Adjusted), RMSE, CV (a través de múltiples Y), valores p y análisis de residuos para guiar en la construcción del modelo.
