Uso adecuado e inadecuado de los Diseños de Cribado Definitivo (DSDs)En 2011, mi colega, el profesor Chris Nachtsheim, y yo presentamos Diseños de Cribado Definitivos (DSDs) con un papel en el Revista de tecnología de calidad . Un año después, escribí un Publicación del blog de JMP describir estos diseños utilizando gráficos de celdas de correlación. Desde su introducción, los DSD han encontrado aplicaciones en áreas tan diversas como la fabricación de pinturas, la biotecnología, la energía verde y el grabado con láser.
Cuando aparece una metodología nueva y emocionante, existe una inclinación natural para que los investigadores de vanguardia la prueben. Cuando estos investigadores reportan resultados positivos, anima a otros a probar el nuevo método también.
Soy un gran admirador de los DSD, por supuesto, pero como co-inventor siento una responsabilidad con la comunidad de practicantes de diseño de experimentos (DOE) para ser claros acerca de su uso previsto y posible uso indebido.
Entonces, ¿cuándo debo usar un DSD?
Como sugiere el nombre, los DSD son diseños de detección. Su uso más apropiado es en las primeras etapas de la experimentación cuando hay una gran cantidad de factores potencialmente importantes que pueden afectar una respuesta de interés y cuando el objetivo es identificar lo que generalmente es una cantidad mucho menor de factores altamente influyentes.
Dado que son experimentos de detección, usaría un DSD solo cuando tenga cuatro o más factores. Además, si tuviera solo cuatro factores y quisiera usar un DSD, crearía un DSD para seis factores y eliminaría las dos últimas columnas. El diseño resultante puede ajustarse al modelo cuadrático completo en cualquiera de los tres de los cuatro factores.
Los DSD funcionan mejor cuando la mayoría de los factores son continuos. Esto se debe a que cada factor continuo tiene tres niveles, lo que permite al investigador ajustar una curva en lugar de una línea recta para cada factor continuo.
¿Cuándo es inapropiado usar un DSD?
A continuación, el diseño óptimo de parcelas divididas supera con creces el diseño de cribado definitivo creado al clasificar el factor difícil de cambiar, wp. Véase el punto 4) a continuación.
1) Cuando hay restricciones en la región de diseño
Una suposición implícita detrás del uso de DSD es que es posible establecer los niveles de cualquier factor independientemente del nivel de cualquier otro factor. Esta suposición se viola si una restricción en la región de diseño hace que ciertas combinaciones de factores no sean factibles. Por ejemplo, si estoy cocinando palomitas de maíz, no quiero configurar la potencia en su configuración más alta mientras uso un tiempo de cocción prolongado. Sé que si hago eso, terminaré con un desastre carbonizado.
Puede ser tentador dibujar los rangos de los factores hacia adentro para evitar tales problemas, pero esta práctica reduce el poder del DSD para detectar efectos activos. Es mejor usar toda la región factible incluso si la forma de esa región no es cúbica o esférica.
2) Cuando algunos de los factores son ingredientes de una mezcla
De manera similar, usar un DSD es inapropiado si dos o más factores son ingredientes en una mezcla. Si elevo el porcentaje de un ingrediente, debo bajar el porcentaje de algún otro ingrediente, por lo que estos factores no pueden variar independientemente por su propia naturaleza.
3) Cuando existen factores categóricos con más de dos niveles
Los DSD pueden manejar algunos factores categóricos en dos niveles, pero si la mayoría de los factores son categóricos, usar un DSD es ineficiente. Además, los DSD son generalmente una opción indeseable si los factores categóricos tienen más de dos niveles. Una discusión reciente en el grupo de LinkedIn The Design of Experiment (DOE) implicó tratar de modificar un DSD para acomodar un factor categórico de tres niveles. Aunque esto es posible, requirió el uso de la herramienta Diseño personalizado en JMP tratar los factores del DSD como factores de covariables y agregar el factor categórico de tres niveles como el único factor que tiene sus niveles elegidos por el algoritmo de diseño personalizado.
4) Cuando el DSD se ejecuta como un diseño de parcela dividida
También es impropio alterar un DSD ordenando la configuración de un factor para que el diseño resultante sea un diseño de parcela dividida. Para el DSD de seis factores, el factor ordenado tendría solo tres configuraciones. Habría cinco carreras en la configuración baja, tres carreras en la configuración media y dar carreras en la configuración alta. El uso de un diseño de este tipo significaría que la inferencia sobre el efecto del factor ordenado sería estadísticamente inválida.
5) Cuando el modelo de interés a priori tiene efectos de orden superior
Para los DSD, los términos cúbicos se confunden con los efectos principales, por lo que es imposible identificar un efecto cúbico.
Los diseños factoriales fraccionados regulares de dos niveles y los diseños de Plackett-Burman también son inapropiados para la mayoría de los casos anteriores. Por lo tanto, no son una alternativa viable.
¿Cuál es la alternativa al uso de un DSD en los casos anteriores?
para los usuarios de JMP , la respuesta es simple: utilice la herramienta Diseño personalizado.
La herramienta Diseño personalizado en JMP puede generar un diseño creado para adaptarse a cualquier combinación de los escenarios enumerados anteriormente. El principio rector detrás de la herramienta Diseño personalizado es
“Los diseños deben ajustarse al problema en lugar de cambiar el problema para adaptarlo al diseño”.
Pensamientos finales
Los DSD son diseños extremadamente útiles en los escenarios para los que fueron creados. Como diseños de cribado, tienen muchas características deseables:
1) Los efectos principales son ortogonales.
2) Los efectos principales son ortogonales a las interacciones de dos factores (2FI) y los efectos cuadráticos.
3) Todos los efectos cuadráticos de los factores continuos son estimables.
4) Ningún 2FI se confunde con ningún otro 2FI o efecto cuadrático, aunque pueden estar correlacionados.
5) Para DSD con 13 o más ejecuciones, es posible ajustar el modelo cuadrático completo en cualquier subconjunto de tres factores.
6) Los DSD pueden acomodar algunos factores categóricos que tienen dos niveles.
7) El bloqueo de DSD es muy flexible. Si hay metro factores, puede tener cualquier número de bloques entre 2 y metro .
8) Los DSD son económicos de colocar en el campo y solo requieren un mínimo de 2 metro +1 carreras.
9) Puede agregar ejecuciones a un DSD creando un DSD con más factores de los necesarios y eliminando los factores adicionales. El diseño resultante tiene todas las primeras siete propiedades anteriores y tiene más potencia, así como la capacidad de identificar más efectos de segundo orden.
En mi opinión, las características anteriores hacen que los DSD sean la mejor opción para cualquier experimento de cribado en el que la mayoría de los factores sean continuos.
Sin embargo, quiero dejar en claro que usar un DSD no es una panacea . En otras palabras, un DSD no es la solución a todos los problemas de diseño experimental.
Soy un gran admirador de los DSD, pero como co-inventor siento una responsabilidad para ser claros acerca de su uso previsto y posible uso indebido.
Re: Uso adecuado e inadecuado de los Diseños de Cribado Definitivos (DSDs)Responder a Varun_Bhatt:
Si un término del modelo está correlacionado +1 o -1 con otro término del modelo (por ejemplo, dos 2FI), decimos que estos términos están confundidos. En ese caso, no existe una forma puramente basada en datos para separar sus efectos en una respuesta de interés.
Sin embargo, si la magnitud de la correlación es menor que uno, ahora se pueden estimar los efectos separados de los términos del modelo en la respuesta. Sin embargo, la varianza de las estimaciones de estos efectos será mayor que si los dos términos no estuvieran correlacionados. Llamamos a este fenómeno inflación de la varianza. Cuanto mayor es la correlación en magnitud, mayor es la inflación de la varianza.
Si la varianza del error es pequeña en comparación con el tamaño de los efectos, entonces la inflación de la varianza no es motivo de gran preocupación. Es por eso que las reglas generales tradicionales sobre cuándo preocuparse por la inflación de la varianza están fuera de lugar.
Re: Uso adecuado e inadecuado de los Diseños de Cribado Definitivos (DSDs)¿Podría dar más detalles sobre esta parte? Ningún 2FI se confunde con ningún otro 2FI o efecto cuadrático, aunque pueden estar correlacionados".
Quería saber la diferencia entre los factores que se confunden y se correlacionan. ¿En qué se diferencian? ¿Y de qué manera diferente impactan en el modelo?
Gracias
Re: Uso adecuado e inadecuado de los Diseños de Cribado Definitivos (DSDs)Puntilla,
Gracias por estos aportes adicionales sobre el uso adecuado de DSD.
Hace aproximadamente un año, utilicé DSD para una simulación por computadora con alrededor de 100 factores continuos que también requerían todos los efectos de segundo orden, con un número total de ejecuciones de alrededor de 200. Los resultados no fueron tan satisfactorios como los de un Diseño Personalizado. Desde entonces he evitado usar DSD para modelar y simular donde hay muchos factores, aunque encuentro que DSD es muy útil para una cantidad menor de factores, digamos menos de 12. ¿Debería haber usado solo los efectos principales en las ejecuciones de M&S y luego ejecutar otro DSD con una cantidad mucho menor de factores para confirmar los efectos de segundo orden?
manny
Re: Uso adecuado e inadecuado de los Diseños de Cribado Definitivos (DSDs)Dra. Jones,
Estoy usando DSD desde hace bastante tiempo, con bastante éxito. Sin embargo, ahora estoy considerando usar DSD para respuestas binarias (crecimiento/sin crecimiento). ¿Se puede hacer esto con DSD y cómo analizaría la respuesta, ya que supongo que no está integrado en el algoritmo de análisis DSD? ¿O usarías otro tipo de diseños?
Mejor,
Ewoud Schuring
Re: Uso adecuado e inadecuado de los Diseños de Cribado Definitivos (DSDs)Dr. Jones,
Gracias por sus completas y reflexivas respuestas. Agradezco su tiempo y consideración. Continuaré la discusión directamente con usted.
Salud,
Factura
Re: Uso adecuado e inadecuado de los Diseños de Cribado Definitivos (DSDs)Dr. Ross: Estoy muy impresionado con sus 16 000 experiencias con el DOE. Gracias por su uso a largo plazo de JMP. ¡Has sido JMPer durante más tiempo que yo!
A continuación dirijo sus cinco conjuntos de preguntas e inquietudes.
1) Usted señala que los experimentadores novatos tienden a establecer los niveles de los factores continuos demasiado cerca uno del otro. He visto este comportamiento también. Creo que los ingenieros piensan que el mundo no es lineal. También saben por cálculo que la desviación de la linealidad es pequeña si el cambio también es pequeño. El problema es que cuando los cambios en un factor son pequeños, el ruido en la respuesta puede propagarse a un gran ruido en la pendiente estimada de la línea, lo que dificulta la identificación de los factores activos. Por lo tanto, al enseñar DOE animamos a los estudiantes a ser audaces al variar los factores continuos. Creo que tener valores bajos, medios y altos para cada factor, como lo proporcionan los DSD, puede hacer que los ingenieros tengan más confianza para distribuir los niveles de los factores. Esto se debe a que el DSD puede detectar una fuerte curvatura, si existe, lo que elimina las preocupaciones sobre la no linealidad.
2. Menciono en mi blog anterior que los DSD son diseños de detección apropiados cuando la mayoría de los factores son continuos. Sería reacio a usar un DSD cuando hay más de tres factores categóricos de dos niveles. Cuando la mayoría, o todos, los factores son categóricos en dos niveles, recomendaría Efficient Foldover Designs. Aquí está la referencia al artículo sobre estos diseños.Anna Errore, Bradley Jones, William Li y Christopher J. Nachtsheim (2017) Beneficios y construcción rápida de diseños plegables de dos niveles eficientes, tecnometría , 59:1, 48-57, DOI: 10.1080/00401706.2015.1124052
También creo que los investigadores podrían esforzarse más para encontrar medidas cuantitativas que describan la diferencia entre los dos niveles de un factor categórico, convirtiendo así con éxito un factor categórico en un factor continuo más significativo.
3. Usted argumenta que los puntos centrales pueden detectar la curvatura. Esto es cierto, pero no pueden identificar los factores que causan la curvatura. Esta ambigüedad obliga a la experimentación de seguimiento, que es innecesaria si se utiliza un DSD. He visto un estudio de caso donde un fuerte efecto cuadrático tuvo su mínimo dentro de la región de experimentación.Era deseable una respuesta mínima y el punto óptimo aquí sería indetectable con un diseño de dos niveles. Otro estudio de caso encontró un fuerte efecto cuadrático donde la respuesta máxima estaba dentro de la región de experimentación.Aquí , a la respuesta máxima era deseable y el punto óptimo sería, de nuevo, indetectable con un diseño de dos niveles. El costo de incluir la capacidad de estimar todos los efectos cuadráticos en un DSD es un aumento del 10 % (o menos) en la longitud de los intervalos de confianza en los efectos principales. Este parece un pequeño precio a pagar por la ganancia de información sobre los efectos de segundo orden.
4. Señala correctamente que, a veces, identificar la fuente del ruido puede ser más importante que estimar los efectos fijos. En tales casos, es útil replicar los puntos de diseño para que sea posible identificar un factor que afecte la varianza de la respuesta mientras se evalúan simultáneamente los efectos de los factores en la respuesta media. Se podría replicar un DSD completo al costo de aproximadamente cuatro veces más ejecuciones que factores. Usted menciona el bloqueo en este punto. El bloqueo puede identificar y cuantificar una fuente de variabilidad y eliminar su efecto de la variación de ejecución a ejecución. Cuando las condiciones ambientales cambiantes introducen ruido en las respuestas, el bloqueo es un remedio útil. Los DSD se pueden bloquear de manera más flexible que los diseños factoriales fraccionados o factoriales completos de dos niveles. A continuación se muestra una referencia a un documento que describe cómo bloquear los DSD.
Bradley Jones y Christopher J. Nachtsheim (2015): Esquemas de bloqueo para diseños de cribado definitivos, tecnometría , DOI: 10.1080/00401706.2015.1013777
5. Su preocupación final trata sobre la enseñanza de los DSD y las preocupaciones sobre un enfoque iterativo de la experimentación. No publicito los DSD como experimentos "únicos". Es cierto que la estructura de alias de los diseños factoriales fraccionados tradicionales es sencilla y bastante fácil de explicar. Sin embargo, desde mi punto de vista, no es deseable el alias completo de efectos potencialmente importantes. Ver
Bradley Jones (2016) Experimentos de cribado del siglo XXI: qué, por qué y cómo, Ingeniería de calidad , 28:1, 98-106, DOI: 10.1080/08982112.2015.1100462
El artículo anterior fue un documento de debate con tres participantes. Mi réplica abordó muchos problemas, incluido el diseño secuencial luego de un estudio inicial de DSD; consulte la referencia a continuación.
Bradley Jones (2016) Dúplica, Ingeniería de calidad , 28:1, 122-126, DOI: 10.1080/08982112.2015.1100468
La referencia a continuación trata sobre el beneficio relativo de usar un DSD inicial incluso cuando la respuesta óptima pronosticada está fuera de la región de experimentación. También proporciona un poderoso enfoque de diseño de seguimiento que supera el ascenso más empinado.
Christopher J. Nachtsheim & Bradley Jones (2018) Aumento de diseño para optimización de respuesta y estimación de modelos, Ingeniería de calidad , 30:1, 38-51, DOI: 10.1080/08982112.2017.1382298
No creo que sea necesario enseñarle a un practicante cómo crear un DSD. Muchos paquetes de software pueden hacer esto. Creo que es útil familiarizar a los investigadores con el gráfico de celdas de correlación. JMP proporciona muchas herramientas de diagnóstico para evaluar y comparar diseños. Estos son muy útiles y enseñar su uso en cursos cortos y cursos universitarios beneficiaría a la comunidad de practicantes del DOE. Es útil para los profesionales saber cómo aprovechar la geometría especial de un DSD para adaptarse a los modelos apropiados. Esto se aborda en la referencia a continuación.
Bradley Jones y Christopher J. Nachtsheim (2016): Selección eficaz de modelos basada en el diseño para diseños de cribado definitivos, tecnometría , DOI: 10.1080/00401706.2016.1234979
Estaría feliz de continuar esta conversación y enviarle archivos PDF de las referencias. Puedes contactarme en bradley.jones@jmp.com
Re: Uso adecuado e inadecuado de los Diseños de Cribado Definitivos (DSDs)Dr. Jones, soy usuario de JMP desde hace mucho tiempo (desde la primera versión) y quiero agradecerle por sus contribuciones a la industria. He estado involucrado en el diseño y análisis de más de 16 000 experimentos en múltiples industrias. Quizás este sea el foro equivocado, pero tengo algunas preguntas/comentarios (espero no ofender), y agradecería sus opiniones.
1. Cuando se trata de diseños de detección, uno de los modos de falla más comunes (especialmente para los experimentadores novatos) son los niveles que no están lo suficientemente separados (lo suficientemente audaces). Por lo tanto, sus efectos no se dan cuenta y esos factores pueden incluso eliminarse de un estudio adicional (mi hipótesis es que los ingenieros son reacios a crear demasiada variación, todavía están buscando la solución en lugar de comprender las relaciones causales). ¿Me parece que aumentar el número de niveles a tres complica aún más este modo de falla?
2. Al principio del diseño, muchos de los factores son cualitativos. Parece que la restricción de agregar demasiados factores cualitativos al diseño es una carga. ¿Quizás esta estrategia es más aplicable como una última iteración en un estudio secuencial?
3. A menudo, los diseños de detección están destinados a obtener instrucciones y filtrar factores insignificantes o quizás más probablemente identificar factores significativos para un estudio adicional. ¿Son realmente necesarias las ecuaciones cuadráticas para lograr esto? De acuerdo, supongo que podría darse el caso de que los niveles se establezcan demasiado en negrita y, por lo tanto, se pierdan efectos significativos, pero eso podría remediarse bastante fácilmente con puntos centrales. Si lo cuadrático es esencialmente la desviación de lo lineal, si se encuentra en un espacio de diseño bastante lejos del óptimo, ¿no estaría más interesado en el efecto lineal primero? Es posible que la ecuación cuadrática en la base de la montaña no te lleve a la cima de la montaña.
4. Además, y quizás lo más importante, la estrategia para manejar el ruido puede ser más importante que la resolución de los factores de diseño (como saben, es una lucha constante por el uso eficiente de los recursos entre la resolución del factor de diseño y la resolución de los efectos del ruido) . Si se utiliza un diseño de bloques completos aleatorios (RCBD), ¿realmente necesitamos algunas de las interacciones bloque por efecto de orden superior? Si se usa un diseño de bloque incompleto balanceado, ¿qué tan fácil es entender el aliasing?
5. Por último, y quizás de menor importancia para el profesional, ¿cómo se enseñan los DSD? El uso de diseños factoriales fraccionados tradicionales con alias identificables e ideas como plegamiento para eliminar el alias es sencillo. Inculcar la mentalidad y la práctica de la iteración es primordial. ¿Cómo encajan los DSD en un enfoque iterativo y científico de la experimentación?
Le agradezco de antemano sus pensamientos.
Si prefiere desconectar esta discusión, me parece bien. Puede enviarme un correo electrónico directamente a statman en comcast dot net
Salud,
proyecto de ley ross
Re: Uso adecuado e inadecuado de los Diseños de Cribado Definitivos (DSDs)Gracias Brad, la publicación informativa y las buenas respuestas me ayudaron a aprender mucho más sobre los DSD.
Re: Uso adecuado e inadecuado de los Diseños de Cribado Definitivos (DSDs)Gracias, Dr. Jones: este problema aún no está disponible en el sitio de ASQ Technometrics.Buscaré que se publique pronto.
Ricardo
Re: Uso adecuado e inadecuado de los Diseños de Cribado Definitivos (DSDs)http://dx.doi.org/10.1080/00401706.2016.1234979
Lo anterior es la URL de un artículo en la revista Technometrics, escrito por Chris Nachtsheim y por mí, titulado Selección efectiva de modelos basada en el diseño para diseños de detección definitivos.
Este documento brinda una fuerte motivación para agregar lo que llamamos "Factores falsos" (es decir, factores que se usan para crear el diseño pero que no se usan cuando se ejecuta el experimento). En JMP 13, la herramienta de diseño DSD llama a esto "Extra Runs" con un valor predeterminado de 4. Sin embargo, puede volver a cambiar este campo a 0 para obtener el DSD de ejecución mínima. Agregar estas ejecuciones adicionales permite un poderoso enfoque analítico alternativo.
Re: Uso adecuado e inadecuado de los Diseños de Cribado Definitivos (DSDs)¿Hay ejemplos publicados en los que se hayan eliminado columnas como se explica a continuación?
Si, en cambio, utilizó el DSD de 8 factores e ignoró las últimas 3 columnas, tendría un diseño de 17 ejecuciones y debería poder identificar cuatro o cinco efectos de segundo orden.
Re: Uso adecuado e inadecuado de los Diseños de Cribado Definitivos (DSDs)¡Los DSD definitivamente pueden tener problemas cuando hay demasiados factores e interacciones! Probé uno en un sistema de catalizador que había pasado por generaciones de optimización y tenía muchos componentes e interacciones de catalizador en funcionamiento. Terminé teniendo que agregar bastantes carreras.
Re: Uso adecuado e inadecuado de los Diseños de Cribado Definitivos (DSDs)Buena publicación. Sin embargo, tengo una pregunta que me intriga. Usted menciona que puede agregar fácilmente ejecuciones adicionales tomando un diseño m más alto y eliminando las columnas adicionales. Me preguntaba si había alguna manera fácil de "agregar" carreras al diseño. Por ejemplo, he realizado am=5 ejecuciones DSD y luego decido que necesitaría más potencia y me gustaría agregar algunas ejecuciones adicionales después. ¿Cómo puedo hacer eso? (Por ejemplo, si tomo el m = 7 y elimino las dos últimas columnas y lo comparo con el m = 5, entonces ya no obtendré las mismas filas). ¡Gracias!
Bradley Jones escribió: Siempre es bueno planificar para valida...bradley jones escribió:
Siempre es bueno planificar las ejecuciones de validación. Estas son ejecuciones que realiza después de haber realizado el experimento y analizado los datos. El resultado del análisis es un modelo que puede usar para hacer predicciones de respuesta en configuraciones de factores que no se ejecutaron en el experimento. Teniendo en cuenta su objetivo para una respuesta, puede elegir ejecutar sus ejecuciones de verificación en una configuración de factor (o configuraciones) donde su modelo predice la mayor mejora.
Esto es diferente del aumento de diseño, que amplía el rango de los factores, agrega términos al modelo o agrega más ejecuciones para reducir la incertidumbre sobre las estimaciones en el modelo actual.
Bradley Jones escribió: Creo en el uso rutinario de la...bradley jones escribió:
Creo en el uso rutinario del Custom Designer para la mayoría de los problemas de diseño industrial de experimentos. Cuando casi todos los factores son continuos y se pueden variar de forma independiente en todo su rango, los diseños de detección definitiva son una buena opción.
A veces uso diseños factoriales completos cuando realizo estudios de simulación por computadora Monte Carlo donde el único gasto es el tiempo de computadora. Estoy de acuerdo en que ahora hay mejores opciones que los diseños factoriales fraccionados regulares de dos niveles.
Steven Moore escribió: Entonces... he estado usando Definitive Sc...steven moore escribió:
Así que... He estado usando Diseños de Selección Definitivos así como Diseños Personalizados durante bastante tiempo. En mi opinión, ya no hay razón para utilizar los diseños factoriales tradicionales. estoy en lo correcto, o me estoy perdiendo algo?
Jo Chotix escribió: Parece que podremos variar cada...jo chotix escribió:
Parece que podremos variar cada uno de los componentes de forma independiente. ¿Debería estar planeando algunas ejecuciones de validación? ¿Cómo se planifica para esos/factores en el diseño (número de ejecuciones, qué puntos de diseño para la validación, etc.)? ¿En qué se diferencia esto de aumentar el diseño? ¡Gracias!
Bradley Jones escribió: Podría ser apropiado usar un DSD...bradley jones escribió:
Podría ser apropiado usar un DSD, pero me preocupa que los 4 factores que alteran la concentración del tratamiento puedan verse como ingredientes en una mezcla. Si es así, eso haría que el uso de un DSD fuera inapropiado con una excepción. Si el ingrediente mayoritario en la mezcla es un relleno inactivo, entonces los otros ingredientes pueden variarse independientemente. En ese caso, estaría bien usar un DSD.
Jo chotix escribió: Estaba pensando en usar DSD para diseñar un...jo chotix escribió:
Estaba pensando en usar DSD para diseñar un plan de tratamiento para un estudio en ratones in vivo. Tengo 4 factores que alteran la concentración del tratamiento (p. ej., fármaco concentrado, mezclas de excipientes, etc.) y un factor centrado en la edad de los ratones. Me preguntaba si esto es algo para lo que recomendaría DSD.
Bradley Jones escribió: Puedes agregar 3 factores categóricos a...bradley jones escribió:
Puede agregar 3 factores categóricos a un DSD sin hacer que el diseño sea ineficiente. A continuación hay una referencia a un artículo que Chris Nachtsheim y yo publicamos sobre este tema.
Jones, Bradley y Nachtsheim, CJ (2013) â Diseños de cribado definitivos con factores categóricos de dos niveles añadidosâ , Journal of Quality Technology, 45:2, 120-129.
Ewoud Schuring escribió: Hola Bradley, Interesante blog, un...Ewoud Schuring escribió:
Hola bradley,
Interesante blog, en realidad todo el DSD me resulta muy interesante. Sin embargo, tengo una pregunta.
¿Cuál es el límite del número de factores categóricos en un DSD? En este momento estoy tratando de crear un DSD con 3 factores continuos y 3 categóricos. ¿Es esta una buena idea? ¿Cuáles son los riesgos? ¿O es una relación 1/1 de continuo frente a categórico lo que da como resultado un diseño no eficiente?
Bradley Jones escribió: Paul, El diseño personalizado con algunas r...bradley jones escribió:
Pablo,
El diseño personalizado con algunas réplicas es un diseño de superficie de respuesta muy seguro. Mi experiencia es que, por lo general, hay pocos efectos grandes de segundo orden. Entonces, construir un diseño que pueda estimar cada efecto de segundo orden puede terminar siendo excesivo. El DSD de 6 factores solo requiere 13 ejecuciones y puede identificar de forma fiable dos o tres efectos de segundo orden. Eso le ahorraría casi el 50% del costo.
Si, en cambio, utilizó el DSD de 8 factores e ignoró las últimas 3 columnas, tendría un diseño de 17 ejecuciones y debería poder identificar cuatro o cinco efectos de segundo orden.
Paul Prew escribió: Hola Bradley, esta publicación me está haciendo p...Pablo Prew escribió:
Hola Bradley, esta publicación me hace pensar en diseños apropiados para 4-6 factores. Específicamente, la semana pasada, tuve un químico que quería investigar 5 factores continuos. Las pruebas preliminares de un factor a la vez le dijeron que eran importantes. No sabía nada sobre el DOE, pero su supervisor le dijo que era un camino más eficiente: hablar con un estadístico.
Estábamos en un área gris donde un diseño de cribado puro habría parecido un paso atrás, ineficiente. Así que elegimos diseñar para un modelo cuadrático, lo que llevó a un diseño personalizado de 25 ejecuciones con algunas réplicas.
gracias, pablo
Un DSD de 5 factores habría implicado muchas menos ejecuciones, incluso diseñando para 6 o 7 factores y eliminando las columnas adicionales. ¿Cómo podría usar JMP para evaluar el DSD como un buen diseño para ajustar un modelo de segundo orden? ¿Qué herramientas específicas de evaluación de diseño recomendaría para comparar el DSD con el diseño personalizado?
Ron Andrews escribió: Encontré una aplicación para un DSD con...ron andres escribió:
Encontré una aplicación para un DSD con una mezcla que funcionó. Necesitaba confirmar las especificaciones de pesaje de una mezcla de monómeros utilizados para fabricar lentes de contacto. Esta es una verdadera combinación, no una solución, por lo que un DSD no sería una buena opción en la mayoría de los casos. Lo que hizo que funcionara fueron las pequeñas variaciones del nominal. La fórmula nominal se utilizó como punto central. Cada componente se varió +/- 1% del nominal. Para analizar el experimento calculé las concentraciones reales de cada mezcla. Hubo una correlación significativa entre los dos componentes más grandes de la mezcla, pero el diseño permitió estimaciones separadas de los dos factores.
Envié un resumen para una presentación de Discovery Summit que incluye esto como uno de los ejemplos de alternativas de diseño de mezclas. Ya sea que se acepte o no, puedo proporcionar más detalles.
