¿Diseño de cribado factorial del experimento con respuesta nominal?Hola a todos,
Me preguntaba si hay una buena estrategia para diseñar un conjunto de experimentos para encontrar los factores con mayor efecto en la respuesta, que es nominal (sí/no, tipo de respuesta pasa/falla) en lugar de la típica respuesta continua. Si bien para la respuesta nominal se puede realizar una regresión logística con los datos disponibles, dudo que el diseño factorial/factorial fraccionado habitual aún funcione en este caso (ya que están destinados a una respuesta continua). ¿Cuál sería un enfoque adecuado en este caso? Amablemente indíqueme cualquier término/teoría relevante si se le ocurre algo.
Gracias por adelantado.
GAMARe: ¿Diseño de cribado factorial del experimento con respuesta nominal?No hay absolutamente ninguna razón a priori por la que una respuesta nominal excluya o convierta la práctica sólida del diseño experimental en un camino poco sólido hacia el descubrimiento. Se siguen aplicando todos los principios de los métodos sólidos del DOE. Como ingeniero sénior de sistemas de JMP (ahora jubilado), llamé a numerosas empresas de productos de consumo que utilizan el DOE como elemento vital de sus esfuerzos de diseño de productos. Muy a menudo usarían paneles sensoriales de evaluadores de productos y casi universalmente los individuos que se sientan en estos paneles proporcionan datos de respuesta de tipo nominal para los diseños experimentales específicos que se han ejecutado. De hecho, dependiendo del problema específico en cuestión, es posible que encuentre uno de los diseños más especializados que suponen respuestas nominales admitidas por JMP, como Choice, Max Dif o Covering Arrays. Pero no hay ninguna razón por la que un buen factorial fraccionado pasado de moda o un diseño más moderno, como un diseño d-óptimo, no pueda o no deba usarse con fines de detección.
Re: ¿Diseño de cribado factorial del experimento con respuesta nominal?Bienvenido a la comunidad. Tiene razón en que tener una respuesta nominal presenta algunos desafíos particulares, y el consejo de Pete es correcto. Uno de esos desafíos es que la respuesta puede ser el resultado de múltiples mecanismos de falla. Carece de discriminación para separar esos mecanismos (que pueden tener diferentes estructuras causales).
Por supuesto, puede utilizar la experimentación para comprender mejor las posibles relaciones causales entre las variables independientes y la(s) variable(s) de respuesta dependiente. Esto es cierto independientemente de la variable de respuesta. Ahora, la experimentación puede no ser muy eficiente en cuanto a recursos para las respuestas nominales, pero no obstante será efectiva. Mi primer conjunto de consejos sería considerar cómo cuantificar los "fenómenos" (respuesta). ¿Qué significa la respuesta sí o pasa? pasar que? Como ejemplo, el Dr. Box describe un experimento con resortes agrietados en uno de sus artículos ("El contexto científico de la mejora de la calidad"). Pudo usar el % bueno como respuesta y descubrir formas de mejorar el rendimiento del resorte. ¿Hay formas alternativas de cuantificar los fenómenos? Como se sugirió, si puede detectar gradaciones o categorías de "bondad", entonces podría usar una escala ordinal. En mis conversaciones con el Dr. Taguchi, él siempre enfatizó la importancia de desarrollar variables de respuesta apropiadas... en muchos casos creando una nueva variable de respuesta para brindar una perspectiva del problema en cuestión.
En cualquier caso, supongamos que solo tiene la respuesta nominal. ¿Qué tipo de tasa de fracaso existe actualmente? Si la tasa de fallas es alta (quizás> 10%), entonces debería poder detectar un cambio en esa tasa con bastante facilidad con la experimentación. Si la tasa de falla es baja (<5%), entonces la experimentación podría ser ineficiente, ya que es posible que deba tener muestras de gran tamaño para detectar diferencias. Además, dada la naturaleza de la respuesta, asegúrese de que el espacio de diseño sea grande (muchos factores potenciales establecidos en negrita).
