Progettazione di screening fattoriale dell'esperimento con risposta nominale?Ciao a tutti,
Mi chiedevo se esiste una buona strategia per progettare una serie di esperimenti per trovare i fattori con il maggior effetto sulla risposta, che è nominale (tipo di risposta sì/no, pass/fail) invece della tipica risposta continua? Mentre per la risposta nominale può essere eseguita una regressione logistica sui dati disponibili, dubito che il solito disegno fattoriale/frazionale funzioni ancora in questo caso (poiché sono pensati per una risposta continua). Quale sarebbe un approccio adatto in questo caso? Se ti viene in mente qualcosa, indicami eventuali termini/teorie pertinenti.
Grazie in anticipo.
DOERe: Progettazione di screening fattoriale dell'esperimento con risposta nominale?Non c'è assolutamente alcuna ragione apriori per cui una risposta nominale precluda o renda la pratica sonora del progetto sperimentale come un percorso non valido verso la scoperta. Tutti i principi dei solidi metodi DOE si applicano ancora. In qualità di ingegnere di sistema senior di JMP (ora in pensione), mi sono rivolto a numerose aziende di prodotti di consumo che utilizzano il DOE come linfa vitale per i loro sforzi di progettazione dei prodotti. Molto spesso userebbero pannelli sensoriali di valutatori di prodotti e quasi universalmente gli individui che siedono su questi pannelli forniscono dati di risposta di tipo nominale per i progetti sperimentali specifici che sono stati eseguiti. In effetti, a seconda del problema specifico in questione, potresti trovare uno dei progetti più specializzati che presuppongono risposte nominali supportate da JMP come Choice, Max Dif o Covering Arrays. Ma non c'è motivo per cui un buon vecchio design fattoriale frazionario o più moderno come un design d-ottimale non possa o non debba essere utilizzato per scopi di screening.
Re: Progettazione di screening fattoriale dell'esperimento con risposta nominale?Benvenuto nella comunità. Hai ragione sul fatto che avere una risposta nominale comporta alcune sfide particolari e il consiglio di Pete è giusto. Una di queste sfide è che la risposta potrebbe essere il risultato di molteplici meccanismi di guasto. Manca la discriminazione per separare quei meccanismi (che potrebbero avere diverse strutture causali).
Naturalmente è possibile utilizzare la sperimentazione per comprendere meglio le potenziali relazioni causali tra le variabili indipendenti e le variabili di risposta dipendenti. Questo è vero indipendentemente dalla variabile di risposta. Ora, la sperimentazione potrebbe non essere molto efficiente in termini di risorse per le risposte nominali, ma sarà comunque efficace. Il mio primo consiglio sarebbe quello di considerare come quantificare i "fenomeni" (risposta). Cosa significa la risposta sì o pass? Passa cosa? Ad esempio, il Dr. Box descrive un esperimento su molle incrinate in uno dei suoi articoli ("Il contesto scientifico del miglioramento della qualità"). È stato in grado di utilizzare la % di buono come risposta e scoprire modi per migliorare le prestazioni primaverili. Ci sono modi alternativi per quantificare i fenomeni? Come suggerito, se sei in grado di rilevare gradazioni o categorie di "bontà", potresti essere in grado di utilizzare una scala ordinale. Nelle mie discussioni con il Dr. Taguchi, ha sempre sottolineato l'importanza di sviluppare variabili di risposta appropriate... in molti casi creare una nuova variabile di risposta per fornire informazioni sul problema in questione.
In ogni caso, supponiamo che tu abbia solo la risposta nominale. Che tipo di tasso di fallimento esiste attualmente? Se il tasso di fallimento è alto (forse > 10%), allora puoi essere in grado di rilevare un cambiamento in quel tasso abbastanza facilmente con la sperimentazione. Se il tasso di errore è basso (<5%), la sperimentazione potrebbe essere inefficiente poiché potrebbe essere necessario disporre di campioni di grandi dimensioni per rilevare le differenze. Inoltre, data la natura della risposta, assicurati che lo spazio di progettazione sia ampio (molti potenziali fattori impostati su livelli audaci).
