Simplificación de pasos en DoE
Estoy haciendo una hoja de ruta para usar DoE aquí en nuestro departamento. Aquí están mis pensamientos. Por favor, corríjame si estoy equivocado.
Paso 1. Identifique si los factores son continuos y categóricos de 2 niveles. Luego use DSD porque identifica los efectos principales y los efectos de segundo orden.Los efectos cuadráticos son ortogonales a los efectos principales y no se confunden completamente con las interacciones de dos factores. Un efecto cuadrático podría estar correlacionado con efectos de interacción. Una gran utilización de esto es para la síntesis orgánica ya que la mayoría de los factores son continuos y categóricos de 2 niveles (tipo de catalizador, ácidos o bases). ¿Qué tal si el factor categórico es de 3 niveles, puedo seguir usando DSD?
Paso 2. Si los factores no son continuos y categóricos de 2 niveles, utilice un diseño personalizado.
Creo que el enfoque estándar en DoE es ir a la detección (efectos principales) y aumentar para agregar efectos de orden superior.
Pero quiero simplificar nuestro protocolo DoE aquí en nuestro laboratorio. En su mayoría, tenemos solo 6 factores o menos. ¿Podemos avanzar directamente en la optimización sin hacer una selección (solo efectos principales) usando un diseño personalizado?
¿Cuáles son los pros y los contras de hacerlo de cualquier manera?
Por último, me confunden con el numérico categórico y el numérico discreto. ¿Puedes elaborar y dar ejemplos? ¿Las calificaciones son categóricas? Tengo un equipo que solo se puede configurar en 1, 3 y 5, ¿es categórico o numérico discreto?
Gracias
Gracias.
Diseño de experimentosRe: Simplificar pasos en DoEHola @Alainmd02 ,
De nada !
Solo respondí sobre DSD y su posible uso, pero por lo que leí, el tema parece mucho más amplio que solo el uso de DSD.
Leyendo las respuestas de @statman y @Mark_Bailey , solo puedo enfatizar lo que escribieron: antes de elegir un diseño, hay muchos pasos que hacer: reflexión sobre los factores a cambiar (número de factores, tipo, número de niveles, fácil/difícil de cambiar, ...) , efectos a analizar (efectos principales, interacciones, efectos no lineales, ... ?), las posibles fuentes de ruido (variabilidad aleatoria, variabilidad día a día, calibración y/o variabilidad lote/ejecución .... ), la precisión y la varianza de las respuestas, y qué relación tiene su objetivo con estas entradas (¿solo filtrar el efecto significativo? ¿Valores de predicción?) y la precisión esperada (por ejemplo, qué tan precisas deben ser sus predicciones en comparación con la precisión de su medición).
No existe un diseño perfecto para todas las situaciones.
- Acerca de la mezcla/formulación: si se trata de factores de mezcla (por ejemplo, ingredientes en una formulación/receta que suman el 100 % o un valor fijo), debe configurar estos factores como factores de mezcla, y esto influirá en el tipo de diseño que obtendrá (ya que los factores estarán vinculados por una restricción como sum = 100% o un valor fijo):
-> diseños de mezcla (Centroïd cúbico/simplex de Scheffé, celosía simplex, vértices extremos, relleno de espacios, ...)
-> o modelos mixtos (si además tienes otros factores que no son factores de mezcla).
- Acerca de la efectividad de los DSD: como dije antes, los DSD son excelentes, pero pueden no ser el mejor compromiso en todas las situaciones. Dependiendo de los efectos que desee ver/detectar, los factores que tenga (número y tipos) y la precisión de sus mediciones, puede ser más inteligente hacer un diseño D-óptimo con réplicas en lugar de un DSD, para tener una mejor estimación. de varianza de respuesta en su espacio experimental para el mismo número de experimentos (o menos) que su DSD.
- Sobre el factor covariable, es un variable que afecta la respuesta, pero no puedes controlarla como los otros factores: conoces los valores de este factor de antemano o tienes un conjunto de valores posibles, y tienes que elegir en este conjunto de valores predeterminados o posibles.
Puedes tener más información aquí: Tutorial para desarrolladores: manejo efectivo de covariables al diseñar experimentos - Comunidad de usuarios de JMP
También permanezca atento y verifique el lanzamiento de JMP 17, debe haber un menú "Easy DOE" que puede ayudarlo a usted y a sus colegas a diseñar sus DoE 
Espero que esto te ayude en tu reflexión,
Víctor
Re: Simplificar pasos en DoENo estoy en posición de discutir contigo a través de este foro.
Creo que siempre debes tener una estrategia para manejar el ruido. Mantenerlo constante es una idea terrible ya que reduce el espacio de inferencia. El dilema siempre es cómo aumentar el espacio de inferencia sin afectar negativamente la precisión del diseño. Estas estrategias incluyen las que enumeré. Si no los entiende, debe tratar de aprender acerca de ellos. Las parcelas divididas tienen muchos usos (los factores difíciles de cambiar son solo uno de esos propósitos). Le recomiendo que lea "Diseños de parcelas divididas para una experimentación robusta de productos" de Box y Jones.
Sugeriría diseños de mezcla para formulaciones (no diseños aumentados).
Si tiene más de 15 factores, es posible que desee tener una idea de qué componentes estudiar más a fondo. Puede hacer esto con planes de muestreo anidados y sistemáticos para determinar este apalancamiento.
Si no comprende la variabilidad de la medición, debe hacer esto antes de la experimentación (o anidar este componente dentro del tratamiento).
Si su problema es de variación (en lugar de la media), entonces necesita obtener una estimación de la variabilidad para cada tratamiento. Esto se puede lograr recopilando múltiples "puntos de datos" (medidas repetidas). Por ejemplo, si tiene variabilidad dentro de una parte o dentro de un lote, necesita varias medidas de dentro de la parte o dentro del lote y luego usar una estadística de resumen para estimar la variación. Este estadístico se convierte en una de las variables de respuesta a modelar.
Re: Simplificar pasos en DoEHola @Victor_G
Gracias por el asesoramiento integral. OMARS es interesante!!!
Re: Simplificar pasos en DoEQuiero aclarar lo siguiente:
1er. Dije que usaré DSD si el Los factores son continuos y categóricos de 2 niveles.Sin embargo, esta herramienta no es adecuada si existen restricciones de desigualdad lineal en los factores o combinaciones no permitidas de los niveles de los factores. No dije que es apropiado para cada situación.
DSD responderá a su punto número 1 (restricciones). Disponibilidad de tiempo, dinero y material porque es más eficiente que otros diseños. Use DSD si se ajusta a la situación.
2do.Si algún criterio no coincide con el DSD. Entonces creo que el diseño personalizado para todo uso funciona mejor.
En la fase de cribado, ¿recomienda añadir la interacción de dos factores o los efectos principales ya es suficiente?
o ¿Solo efectos principales y optimizar el alias? ¿Cuál es la mejor manera de hacerlo dado que tengo todo el tiempo, el dinero, etc.?
Teniendo en cuenta el tiempo, el dinero, etc. ¿Siempre recomiendas ¿Repeticiones, RCBD, BIB?
Las parcelas divididas se utilizan para factores difíciles de cambiar.
En realidad, no entiendo completamente los factores de covariables, cuándo usarlos.
¿Cómo sé que elimino el ruido?
3ro Después de la fase de selección. Como ya conozco los factores que son significativos. Puedo usar Augment Design para agregar efectos de orden superior como interacción de 2 factores y/o cuadrática para factores de proceso y efectos de 3 órdenes (interacción de 3 factores y cúbica) para mezcla/formulación.
Si ya conozco los factores significativos. Puedo omitir la fase de selección y continuar agregando interacción de 2 factores, efectos cuadráticos para factores de proceso y efectos de tercer orden para mezcla/formulación.
Por favor, infórmeme sobre el apalancamiento/estabilidad, la incertidumbre de medición y la media/variación.
Muchas gracias
Re: Simplificar pasos en DoEagregaré a @statman que este tema es profundo y está bien cubierto por libros de texto y cursos, de los cuales puede obtener ideas sobre una manera de decirles a los investigadores en su área cómo proceder. Los libros de estadísticas a menudo tienen una 'mala reputación', pero los libros sobre el DOE son bastante buenos (bien escritos, comprensibles, prácticos, accionables, etcétera). Si está interesado en aprender más de esta manera, háganoslo saber. Podemos sugerir libros basados en sus necesidades.
También hay capacitación sobre DOE ofrecida por JMP y utiliza JMP para que obtenga los principios y las habilidades prácticas. De hecho, habrá una clase en dos semanas.
Re: Simplificar pasos en DoEEntiendo lo que está tratando de hacer, pero es probable que haya simplificado demasiado el proceso para una selección adecuada (selección del diseño más eficaz y eficiente para responder a sus preguntas). Hay muchas cosas a tener en cuenta al seleccionar la herramienta adecuada para usar. Lo que enfatizo es desarrollar un conjunto de diagnósticos de situación para guiar en la selección de herramientas. Sin una comprensión de la situación, es probable que tenga un experimento mal diseñado. Una analogía: su estrategia DOE es usar DSD es un martillo, sin embargo, desea hacer un corte. No existe una estrategia que sea apropiada para cada situación.
Aquí hay una lista abreviada de criterios para ayudar a seleccionar el diseño apropiado:
- Restricciones : Tiempo, dinero, disponibilidad de material, capacidad de medición/equipo, etc. Cuantos tratamientos poder hacerse (esto probablemente tendrá que ser negociado)?
- ¿Cuántos factores se van a manipular (el número de hipótesis a comparar)?
- ¿Cómo se gestionará o dividirá el ruido (repeticiones, RCBD, BIB, parcelas divididas, covariables...)?
- ¿Son algunos factores más difíciles de cambiar que otros?¿Existen otras restricciones sobre la aleatorización?
- ¿Cuáles son los efectos prioritarios (ver más abajo) que desea estimar?
- ¿Se sospechan/predicen efectos de orden superior (p. ej., interacciones, curvatura)?
- ¿Cuál es la resolución deseada? (¿Qué efectos desea estimar/separar?)
- ¿Qué polinomio de orden es necesario?
En mi humilde opinión, el tipo de factor tiene menos que ver con la selección del experimento y más con cómo se debe analizar el experimento (qué modelo o plataforma de análisis)
Re: Simplificar pasos en DoEHola @Alainmd02 ,
Creo que no existe un diseño perfecto para cada caso de uso, y la dificultad es elegir y crear el diseño más relevante para cada caso de uso. DSD es un diseño de detección eficaz, pero tal vez podría encontrar otras soluciones aceptables (o quizás mejores) utilizando directamente el diseño personalizado, con el criterio de optimización establecido en D-Optimal o Alias-Optimal. La elección del diseño también depende de la cantidad y el tipo de factores que tenga: si la cantidad de factores es > 5 y tiene 1 o 2 factores categóricos como máximo, entonces puede ser interesante considerar DSD. Por debajo de 5 factores o con más de 2 factores categóricos, el diseño personalizado puede ser el camino a seguir.
Para sus preguntas:
-> DSD solo puede tratar con factores categóricos de 2 niveles, no se permite ningún factor categórico de 3 niveles.
-> Aumentar puede ser la forma inteligente de hacerlo, porque solo aumentará en factores significativos. Si intenta hacer todo a la vez, es probable que termine con más experimentos por hacer (ya que espera construir un modelo completo con efectos principales, interacciones y quizás efectos cuadráticos) en comparación con el método de aumento. Si la diferencia en términos de número de experimentos no es tan alta, quizás este sea un pequeño precio a pagar por una mayor simplicidad. También puede considerar el nuevo diseño de OMARS como un compromiso entre DSD y los diseños completos de RSM, ¿quizás?
-> Para una buena explicación sobre el tipo de factores, el curso STIPS sobre DoE puede ayudarlo.
Muy brevemente, cuando tiene factores categóricos, su objetivo es elegir un nivel del conjunto de opciones que ha ingresado. No puede tener efectos cuadráticos para factores categóricos, solo efectos principales e interacciones. Para niveles N en su factor categórico, tendrá coeficientes N-1 para estimar los efectos principales. Ejemplo de efecto categórico puede ser: Operadores (operador 1, operador 2, operador 3...), naturaleza química del reactivo,... Algo no descrito por números.
Los números discretos son números, la única restricción es que no puede tener ningún valor entre dos números. En su caso, con su equipo que se puede configurar en 1, 3 o 5, puede elegir cualquiera de estos tres valores, pero no 2,244434 por ejemplo. El mismo ejemplo para la temperatura del horno donde tendrá algunos valores numéricos discretos, puede establecer la temperatura en 180, 200 o 220 °C, pero no en 195 o 210 °C.Para factores numéricos discretos, puedes estimar efectos principales, interacciones, efectos cuadráticos... igual que para factores numéricos continuos.
Dependiendo de la "naturaleza" de la calificación, pueden verse como varios tipos de respuestas:
- Para estudiantes y profesores, es más probable que las notas sean una respuesta continua,
- Si la calificación es como una cotización (1: muy buena, 2: buena, 3: regular/neutra, 4: mala, 5: muy mala) entonces es numérica discreta (numérica ordinal),
- Si la calificación es como A, B, C,... entonces la respuesta es categórica.
Creo que en JMP 17 un nuevo módulo será muy útil para sus colegas: se llama "Easy DoE", y los tipos de factores, configuraciones a considerar... se explican paso a paso hasta la construcción de su diseño final.
¡Espero que esta respuesta te ayude!
