Ordnungsgemäße und unsachgemäße Verwendung von definitiven Screening-Designs (DSDs)2011 haben mein Kollege Prof. Chris Nachtsheim und ich uns vorgestellt Definitive Screening-Designs (DSDs) mit einem Papier in der Zeitschrift für Qualitätstechnologie . Ein Jahr später schrieb ich a JMP-Blogbeitrag Beschreiben dieser Designs unter Verwendung von Korrelationszelldiagrammen. Seit ihrer Einführung haben DSDs Anwendungen in so unterschiedlichen Bereichen wie Lackherstellung, Biotechnologie, grüne Energie und Laserätzen gefunden.
Wenn eine neue und aufregende Methode auftaucht, besteht bei führenden Ermittlern eine natürliche Neigung, sie auszuprobieren. Wenn diese Ermittler positive Ergebnisse melden, ermutigt es andere, die neue Methode ebenfalls auszuprobieren.
Ich bin natürlich ein großer Fan von DSDs, aber als Miterfinder fühle ich mich der Gemeinschaft der Praktizierenden verpflichtet Versuchsplanung (DOE) sich über ihren Verwendungszweck und möglichen Missbrauch im Klaren zu sein.
Wann sollte ich also ein DSD verwenden?
Wie der Name schon sagt, handelt es sich bei DSDs um Screening-Designs. Ihre am besten geeignete Verwendung ist in den frühesten Stadien des Experimentierens, wenn es eine große Anzahl potenziell wichtiger Faktoren gibt, die eine interessierende Reaktion beeinflussen können, und wenn das Ziel darin besteht, eine im Allgemeinen viel kleinere Anzahl stark einflussreicher Faktoren zu identifizieren.
Da es sich um Screening-Experimente handelt, würde ich eine DSD nur verwenden, wenn ich vier oder mehr Faktoren habe. Wenn ich nur vier Faktoren hätte und einen DSD verwenden wollte, würde ich außerdem einen DSD für sechs Faktoren erstellen und die letzten beiden Spalten weglassen. Das resultierende Design kann das vollständige quadratische Modell in drei der vier Faktoren einpassen.
DSDs funktionieren am besten, wenn die meisten Faktoren kontinuierlich sind. Das liegt daran, dass jeder stetige Faktor drei Stufen hat, was es einem Ermittler ermöglicht, für jeden stetigen Faktor eine Kurve anstelle einer geraden Linie anzupassen.
Wann ist die Verwendung eines DSD unangemessen?
Unten ist das optimale Split-Plot-Design deutlich besser als das definitive Screening-Design, das durch Sortieren des schwer zu ändernden Faktors wp erstellt wurde. Siehe Punkt 4) unten.
1) Wenn es Beschränkungen für den Designbereich gibt
Eine implizite Annahme hinter der Verwendung von DSDs ist, dass es möglich ist, die Höhe jedes Faktors unabhängig von der Höhe eines anderen Faktors festzulegen. Diese Annahme wird verletzt, wenn eine Einschränkung des Designbereichs bestimmte Faktorkombinationen unmöglich macht. Wenn ich zum Beispiel Popcorn koche, möchte ich die Leistung nicht auf die höchste Stufe stellen, während ich eine lange Kochzeit verwende. Ich weiß, wenn ich das tue, werde ich mit einem verkohlten Durcheinander enden.
Es mag verlockend sein, die Bereiche der Faktoren nach innen zu ziehen, um solche Probleme zu vermeiden, aber diese Praxis verringert die Fähigkeit des DSD, aktive Effekte zu erkennen. Es ist besser, den gesamten zulässigen Bereich zu verwenden, selbst wenn die Form dieses Bereichs nicht kubisch oder kugelförmig ist.
2) Wenn einige der Faktoren Bestandteile einer Mischung sind
Ebenso ist die Verwendung eines DSD unangemessen, wenn zwei oder mehr Faktoren Bestandteile einer Mischung sind. Wenn ich den Prozentsatz einer Zutat erhöhe, muss ich den Prozentsatz einer anderen Zutat verringern, sodass diese Faktoren ihrer Natur nach nicht unabhängig voneinander variieren können.
3) Wenn es kategoriale Faktoren mit mehr als zwei Ebenen gibt
DSDs können einige kategoriale Faktoren auf zwei Ebenen verarbeiten, aber wenn die meisten Faktoren kategorial sind, ist die Verwendung einer DSD ineffizient. Außerdem sind DSDs im Allgemeinen eine unerwünschte Wahl, wenn kategoriale Faktoren mehr als zwei Ebenen haben. Eine aktuelle Diskussion in der LinkedIn-Gruppe The Design of Experiment (DOE). beinhaltete den Versuch, eine DSD zu modifizieren, um einen dreistufigen kategorialen Faktor aufzunehmen. Dies ist zwar möglich, erfordert jedoch die Verwendung des Custom Design-Tools in JMP Behandeln der Faktoren der DSD als Kovariatenfaktoren und Hinzufügen des kategorialen Faktors mit drei Ebenen als einzigem Faktor, dessen Ebenen durch den Custom-Design-Algorithmus ausgewählt werden.
4) Wenn die DSD als Split-Plot-Design ausgeführt wird
Es ist auch unangemessen, eine DSD zu ändern, indem die Einstellungen eines Faktors so sortiert werden, dass das resultierende Design ein Split-Plot-Design ist. Für das Sechs-Faktor-DSD hätte der sortierte Faktor nur drei Einstellungen. Es würde fünf Läufe bei der niedrigen Einstellung geben, drei Läufe bei der mittleren Einstellung und geben Läufe bei der hohen Einstellung. Die Verwendung eines solchen Designs würde bedeuten, dass der Rückschluss auf die Wirkung des sortierten Faktors statistisch ungültig wäre.
5) Wenn das a priori-Modell von Interesse Effekte höherer Ordnung hat
Bei DSDs werden kubische Terme mit Haupteffekten verwechselt, sodass die Identifizierung eines kubischen Effekts unmöglich ist.
Reguläre zweistufige teilfaktorielle Versuchspläne und Plackett-Burman-Versuchspläne sind für die meisten der oben genannten Fälle ebenfalls ungeeignet. Sie sind also keine brauchbare Alternative.
Was ist die Alternative zur Verwendung eines DSD in den oben genannten Fällen?
Für Benutzer von JMP , die Antwort ist einfach: Verwenden Sie das Custom Design Tool.
Das benutzerdefinierte Design-Tool in JMP kann ein Design generieren, das für jede Kombination der oben aufgeführten Szenarien geeignet ist. Das Leitprinzip hinter dem Custom Design Tool ist
„Designs sollten zum Problem passen, anstatt das Problem zu ändern, um es an das Design anzupassen.“
Abschließende Gedanken
DSDs sind äußerst nützliche Designs in den Szenarien, für die sie erstellt wurden. Als Screening-Designs haben sie viele wünschenswerte Eigenschaften:
1) Haupteffekte sind orthogonal.
2) Haupteffekte sind orthogonal zu Zwei-Faktor-Wechselwirkungen (2FIs) und quadratische Effekte.
3) Alle quadratischen Effekte stetiger Faktoren sind schätzbar.
4) Kein 2FI wird mit irgendeinem anderen 2FI oder quadratischen Effekt verwechselt, obwohl sie korreliert sein können.
5) Für DSDs mit 13 oder mehr Läufen ist es möglich, das vollständige quadratische Modell in jede Drei-Faktoren-Teilmenge einzupassen.
6) DSDs können einige kategoriale Faktoren mit zwei Ebenen aufnehmen.
7) Das Blockieren von DSDs ist sehr flexibel. Wenn es gibt m Faktoren können Sie eine beliebige Anzahl von Blöcken zwischen 2 und haben m .
8) DSDs sind kostengünstig im Feld und erfordern nur ein Minimum von 2 m +1 läuft.
9) Sie können Läufe zu einem DSD hinzufügen, indem Sie ein DSD mit mehr Faktoren als nötig erstellen und die zusätzlichen Faktoren löschen. Das resultierende Design hat alle der ersten sieben oben genannten Eigenschaften und hat mehr Leistung sowie die Fähigkeit, mehr Effekte zweiter Ordnung zu identifizieren.
Meiner Meinung nach machen die oben genannten Eigenschaften DSDs zur besten Wahl für jedes Screening-Experiment, bei dem die meisten Faktoren kontinuierlich sind.
Ich möchte jedoch klarstellen, dass die Verwendung von a DSD ist kein Allheilmittel . Mit anderen Worten, ein DSD ist nicht die Lösung für jedes experimentelle Designproblem.
Ich bin ein großer Fan von DSDs, aber als Miterfinder fühle ich mich in der Verantwortung sich über ihren Verwendungszweck und möglichen Missbrauch im Klaren zu sein.
Re: Ordnungsgemäße und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)Antwort an Varun_Bhatt:
Wenn ein Modellterm +1 oder -1 mit einem anderen Modellterm (z. B. zwei 2FIs) korreliert, dann sagen wir, dass diese Terme verwechselt sind. In diesem Fall gibt es keinen rein datengesteuerten Weg, um ihre Auswirkungen auf eine interessierende Antwort zu trennen.
Wenn die Korrelation jedoch weniger als eins beträgt, dann sind die separaten Effekte der Modellterme auf die Antwort nun schätzbar. Die Varianz der Schätzungen dieser Effekte wird jedoch größer sein, als wenn die beiden Terme unkorreliert wären. Wir nennen dieses Phänomen Varianzinflation. Je größer die Korrelation in der Größenordnung, desto größer die Varianzinflation.
Wenn die Fehlervarianz im Vergleich zur Größe der Effekte klein ist, ist die Varianzinflation nicht von großer Bedeutung. Aus diesem Grund sind traditionelle Faustregeln, wann man sich über Varianzinflation Sorgen machen muss, fehl am Platz.
Re: Ordnungsgemäße und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)Könnten Sie diesen Teil bitte näher erläutern: " Kein 2FI wird mit einem anderen 2FI oder quadratischen Effekt verwechselt, obwohl sie korreliert sein können."
Wollte den Unterschied zwischen verwechselten und korrelierten Faktoren wissen. Wie unterscheiden sie sich? Und wie unterschiedlich wirken sie sich auf das Modell aus?
Vielen Dank
Re: Ordnungsgemäße und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)Brad,
Vielen Dank für diese weiteren Beiträge zur richtigen Verwendung von DSD.
Vor ungefähr einem Jahr habe ich DSD für eine Computersimulation mit etwa 100 kontinuierlichen Faktoren verwendet, die auch alle Effekte zweiter Ordnung erforderte, mit einer Gesamtzahl von Durchläufen von etwa 200. Die Ergebnisse waren nicht so zufriedenstellend wie bei einem Custom Design. Seitdem habe ich mich davor gescheut, DSD für die Modellierung und Simulation zu verwenden, wo es viele Faktoren gibt, obwohl ich DSD für eine sehr nützliche kleinere Anzahl von Faktoren halte, sagen wir weniger als 12. Hätte ich in den M&S-Durchläufen nur Haupteffekte verwenden und dann einen anderen DSD mit einer viel kleineren Anzahl von Faktoren ausführen sollen, um Effekte zweiter Ordnung zu bestätigen?
Manni
Re: Ordnungsgemäße und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)Dr. Jones,
Ich benutze DSD schon seit geraumer Zeit, mit ziemlichem Erfolg. Allerdings schaue ich jetzt in die Verwendung von DSD für binäre Antworten (Wachstum/kein Wachstum). Ist dies mit DSD möglich und wie würden Sie die Antwort analysieren, da sie meiner Meinung nach nicht in den DSD-Analysealgorithmus integriert ist? Oder würden Sie andere Arten von Designs verwenden?
Am besten,
Ewoud Schüring
Re: Ordnungsgemäße und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)Dr. Jones,
Vielen Dank für Ihre ausführlichen und durchdachten Antworten. Ich schätze Ihre Zeit und Überlegung. Ich werde die Diskussion direkt mit Ihnen fortsetzen.
Prost,
Rechnung
Re: Ordnungsgemäße und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)Dr. Ross – Ich bin sehr beeindruckt von Ihren 16.000 DOE-Erfahrungen. Vielen Dank für Ihre langjährige Nutzung von JMP. Sie sind schon länger JMPer als ich!
Im Folgenden gehe ich auf Ihre fünf Gruppen von Fragen und Bedenken ein.
1) Sie weisen darauf hin, dass unerfahrene Experimentatoren dazu neigen, die Niveaus kontinuierlicher Faktoren zu nahe beieinander zu setzen. Ich habe dieses Verhalten auch beobachtet. Ich glaube, dass Ingenieure denken, dass die Welt nichtlinear ist. Aus der Analysis wissen sie auch, dass die Abweichung von der Linearität klein ist, wenn die Änderung ebenfalls klein ist. Das Problem besteht darin, dass sich bei kleinen Änderungen eines Faktors das Rauschen in der Antwort zu einem großen Rauschen in der geschätzten Steigung der Linie ausbreiten kann, was es schwierig macht, die aktiven Faktoren zu identifizieren. Beim Unterrichten von DOE ermutigen wir die Schüler also, mutig die kontinuierlichen Faktoren zu variieren. Ich glaube, dass niedrige, mittlere und hohe Werte für jeden Faktor, wie es DSDs bieten, Ingenieure sicherer machen können, die Stufen des Faktors zu verteilen. Dies liegt daran, dass der DSD eine starke Krümmung erkennen kann, falls vorhanden, was Sorgen über Nichtlinearität vermeidet.
2. Ich erwähne in meinem obigen Blog, dass DSDs geeignete Screening-Designs sind, wenn die meisten Faktoren kontinuierlich sind. Ich würde einen DSD nur ungern verwenden, wenn es mehr als drei zweistufige kategoriale Faktoren gibt. Wenn die meisten oder alle Faktoren auf zwei Ebenen kategorisch sind, würde ich Efficient Foldover Designs empfehlen. Hier ist der Verweis auf den Artikel über diese Designs.Anna Errore, Bradley Jones, William Li & Christopher J. Nachtsheim (2017) Benefits and Fast Construction of Efficient Two-Level Foldover Designs, Technometrie , 59:1, 48-57, DOI: 10.1080/00401706.2015.1124052
Ich denke auch, dass Forscher sich mehr Mühe geben könnten, quantitative Maße zu finden, die den Unterschied zwischen den beiden Ebenen eines kategorialen Faktors beschreiben, und so einen kategorialen Faktor erfolgreich in einen aussagekräftigeren kontinuierlichen Faktor umwandeln.
3. Sie argumentieren, dass Mittelpunkte Krümmungen erkennen können. Das stimmt, aber sie können die Faktoren, die die Krümmung verursachen, nicht identifizieren. Diese Mehrdeutigkeit erzwingt Nachfolgeexperimente, die unnötig sind, wenn ein DSD verwendet wird. Ich habe eine Fallstudie gesehen, in der ein starker quadratischer Effekt sein Minimum innerhalb des Experimentbereichs hatte.Eine minimale Reaktion war wünschenswert und der Sweetspot hier wäre mit einem zweistufigen Design nicht wahrnehmbar. Eine andere Fallstudie fand einen starken quadratischen Effekt, bei dem die maximale Reaktion innerhalb des Experimentbereichs lag.Hier , a maximale Reaktion war wünschenswert und der Sweet Spot wäre wiederum bei einem zweistufigen Design nicht wahrnehmbar. Die Kosten für die Einbeziehung der Fähigkeit, alle quadratischen Effekte in eine DSD einzubeziehen, sind eine 10 % (oder weniger) Verlängerung der Länge der Konfidenzintervalle für die Haupteffekte. Dies scheint ein kleiner Preis für den Informationsgewinn über Effekte 2. Ordnung zu sein.
4. Sie weisen zu Recht darauf hin, dass es manchmal wichtiger sein kann, die Geräuschquelle zu identifizieren, als feste Auswirkungen abzuschätzen. In solchen Fällen ist es nützlich, Designpunkte zu replizieren, damit es möglich ist, einen Faktor zu identifizieren, der die Varianz der Antwort beeinflusst, während gleichzeitig die Auswirkungen der Faktoren auf die mittlere Antwort bewertet werden. Man könnte ein ganzes DSD auf Kosten von etwa viermal so vielen Läufen replizieren, wie es Faktoren gibt. Sie erwähnen das Blockieren in diesem Punkt. Das Blockieren kann eine Variabilitätsquelle identifizieren und quantifizieren und ihre Wirkung von der Run-to-Run-Variation entfernen. Wenn sich ändernde Umgebungsbedingungen Rauschen in die Antworten einbringen, ist Blockieren ein nützliches Mittel. DSDs können flexibler blockiert werden als zweistufige teilfaktorielle oder vollfaktorielle Designs. Unten ist ein Verweis auf ein Papier, das beschreibt, wie man DSDs blockiert.
Bradley Jones & Christopher J. Nachtsheim (2015): Blocking Schemes for Definitive Screening Designs, Technometrie , DOI: 10.1080/00401706.2015.1013777
5. Ihr letztes Anliegen betrifft das Unterrichten von DSDs und Bedenken hinsichtlich eines iterativen Ansatzes zum Experimentieren. Ich bewerbe DSDs nicht als „One-Shot“-Experimente. Es ist wahr, dass die Aliasing-Struktur herkömmlicher teilfaktorieller Designs einfach und ziemlich einfach zu erklären ist. Ihre vollständige Aliasierung potenziell wichtiger Effekte ist jedoch aus meiner Sicht unerwünscht. Sehen
Bradley Jones (2016) Screening-Experimente des 21. Jahrhunderts: Was, warum und wie, Qualitätstechnik , 28:1, 98-106, DOI: 10.1080/08982112.2015.1100462
Der obige Artikel war ein Diskussionspapier mit drei Diskussionsteilnehmern. Meine Gegenerwiderung befasste sich mit vielen Themen, einschließlich des sequentiellen Designs nach einer ersten DSD-Studie – Referenz unten.
Bradley Jones (2016) Erwiderung, Qualitätstechnik , 28:1, 122-126, DOI: 10.1080/08982112.2015.1100468
Die nachstehende Referenz befasst sich mit dem relativen Nutzen der Verwendung einer anfänglichen DSD, selbst wenn die vorhergesagte optimale Reaktion außerhalb des Experimentierbereichs liegt. Es bietet auch einen leistungsstarken Follow-up-Designansatz, der den steilsten Aufstieg übertrifft.
Christopher J. Nachtsheim & Bradley Jones (2018) Design Augmentation for Response Optimization and Model Estimation, Qualitätstechnik , 30:1, 38-51, DOI: 10.1080/08982112.2017.1382298
Ich denke nicht, dass es notwendig ist, einem Praktizierenden beizubringen, wie man eine DSD erstellt. Viele Softwarepakete können dies tun. Ich denke, dass es nützlich ist, Ermittler mit dem Korrelationszellendiagramm vertraut zu machen. JMP bietet viele Diagnosetools zum Bewerten und Vergleichen von Designs. Diese sind sehr nützlich, und das Unterrichten ihrer Verwendung in Kurzkursen und Universitätskursen würde der Gemeinschaft der DOE-Praktiker zugute kommen. Für Praktiker ist es hilfreich zu wissen, wie sie die spezielle Geometrie eines DSD nutzen können, um geeignete Modelle anzupassen. Dies wird in der nachstehenden Referenz behandelt.
Bradley Jones & Christopher J. Nachtsheim (2016): Effektive designbasierte Modellauswahl für definitive Screening-Designs, Technometrie , DOI: 10.1080/00401706.2016.1234979
Ich würde mich freuen, dieses Gespräch fortzusetzen und Ihnen PDFs der Referenzen zu senden. Sie erreichen mich unter bradley.jones@jmp.com
Re: Ordnungsgemäße und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)Dr. Jones, ich bin ein langjähriger JMP-Benutzer (seit der ersten Version) und möchte Ihnen für Ihre Beiträge zur Branche danken. Ich war an der Gestaltung und Analyse von über 16.000 Experimenten in verschiedenen Branchen beteiligt. Vielleicht ist dies das falsche Forum, aber ich habe einige Fragen/Anmerkungen (ich hoffe, Sie nicht zu beleidigen) und würde Ihre Meinung schätzen.
1. Wenn es um Screening-Designs geht, ist einer der häufigsten Fehlermodi (insbesondere für unerfahrene Experimentatoren) Ebenen, die nicht weit genug voneinander entfernt sind (fett genug). Ihre Auswirkungen werden daher nicht erkannt und diese Faktoren können sogar aus weiteren Studien gestrichen werden (meine Hypothese ist, dass Ingenieure zögern, zu viele Variationen zu schaffen, sie suchen immer noch nach der Lösung, anstatt kausale Zusammenhänge zu verstehen). Es scheint mir, dass die Erhöhung der Anzahl der Ebenen auf drei diesen Fehlermodus weiter verkompliziert?
2. Zu Beginn des Entwurfs sind viele Faktoren qualitativer Natur. Es scheint, dass die Einschränkung, dem Design zu viele qualitative Faktoren hinzuzufügen, eine Belastung darstellt. Vielleicht ist diese Strategie besser als spätere Iteration in einer sequentiellen Studie anwendbar?
3. Häufig sollen Screening-Designs eine Richtung vorgeben und unbedeutende oder vielleicht eher signifikante Faktoren für weitere Untersuchungen herausfiltern. Sind quadratische Gleichungen wirklich notwendig, um dies zu erreichen? OK, ich nehme an, es könnte den Fall geben, dass die Pegel zu fett gesetzt sind und dadurch signifikante Effekte übersehen werden, aber das könnte mit Mittelpunkten ziemlich einfach behoben werden. Wenn das Quadratische im Wesentlichen die Abkehr vom Linearen ist, wenn Sie sich in einem Designbereich befinden, der ziemlich weit vom Optimum entfernt ist, würden Sie sich nicht zuerst mehr für den linearen Effekt interessieren? Die quadratische Gleichung am Fuß des Berges bringt Sie möglicherweise nicht zum Gipfel des Berges.
4. Darüber hinaus und vielleicht am wichtigsten ist, dass die Strategie zum Umgang mit Rauschen möglicherweise wichtiger ist als die Auflösung der Designfaktoren (wie Sie wissen, ist es ein ständiger Kampf um die effiziente Nutzung von Ressourcen zwischen der Auflösung des Designfaktors und der Auflösung der Rauscheffekte). . Wenn ein Randomized Complete Block Design (RCBD) verwendet wird, brauchen wir wirklich einige der Block-für-Effekt-Wechselwirkungen höherer Ordnung? Wenn ein Balanced Incomplete Block-Design verwendet wird, wie einfach ist es, das Aliasing zu verstehen?
5. Schließlich, und vielleicht am wenigsten wichtig für den Praktizierenden, wie wird DSD gelehrt? Die Verwendung herkömmlicher teilfaktorieller Designs mit identifizierbarem Aliasing und Ideen wie Foldover zu De-Aliasing ist einfach. Es ist von größter Bedeutung, die Denkweise und die Praxis der Iteration zu vermitteln. Wie passen DSDs in einen iterativen, wissenschaftlichen Ansatz zum Experimentieren?
Ich danke Ihnen im Voraus für Ihre Gedanken.
Wenn Sie diese Diskussion lieber offline nehmen möchten, wäre das für mich in Ordnung. Sie können mir direkt eine E-Mail an statman at comcast dot net senden
Prost,
Bill Ross
Re: Ordnungsgemäße und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)Danke Brad, der informative Beitrag und die guten Antworten haben mir geholfen, viel mehr über DSDs zu lernen.
Re: Ordnungsgemäße und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)Danke, Dr. Jones – Diese Ausgabe ist noch nicht auf der ASQ Technometrics-Website verfügbar.Ich werde mich um eine baldige Veröffentlichung bemühen.
Richard
Re: Ordnungsgemäße und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)http://dx.doi.org/10.1080/00401706.2016.1234979
Das obige ist die URL für einen Artikel in der Zeitschrift Technometrics von Chris Nachtsheim und mir mit dem Titel Effective Design-Based Model Selection for Definitive Screening Designs.
Dieses Papier bietet eine starke Motivation für das Hinzufügen von sogenannten "Fake Factors" (dh Faktoren, die beim Erstellen des Designs verwendet werden, aber nicht beim Ausführen des Experiments verwendet werden. In JMP 13 nennt das DSD-Designtool dies "Extra Runs" mit einem Standardwert von 4. Sie können dieses Feld jedoch wieder auf 0 zurücksetzen, um die Mindestlauf-DSD zu erhalten. Das Hinzufügen dieser zusätzlichen Läufe ermöglicht einen leistungsstarken alternativen analytischen Ansatz.
Re: Ordnungsgemäße und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)Wurden Beispiele veröffentlicht, bei denen Spalten wie unten beschrieben weggelassen wurden?
Wenn Sie stattdessen das 8-Faktor-DSD verwenden und die letzten 3 Spalten ignorieren, hätten Sie ein 17-Durchlauf-Design und Sie sollten in der Lage sein, vier oder fünf Effekte 2. Ordnung zu identifizieren.
Re: Ordnungsgemäße und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)DSDs können definitiv in Schwierigkeiten geraten, wenn es zu viele Faktoren und Wechselwirkungen gibt! Ich habe einen in einem Katalysatorsystem ausprobiert, das über Generationen hinweg optimiert wurde und viele funktionierende Katalysatorkomponenten und Wechselwirkungen hatte. Ich musste einige Läufe hinzufügen.
Re: Ordnungsgemäße und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)Guter Eintrag. Jedoch habe ich eine Frage, die mich verwirrt. Sie erwähnen, dass Sie zusätzliche Läufe leicht hinzufügen können, indem Sie ein höheres m-Design nehmen und die zusätzlichen Spalten fallen lassen. Ich habe mich gefragt, ob es eine einfache Möglichkeit gibt, Läufe in das Design "anzuhängen". Zum Beispiel habe ich am = 5 DSD-Läufe gemacht und dann entscheide ich, dass ich mehr Leistung brauche und danach einige zusätzliche Läufe hinzufügen möchte. Wie mache ich das? (Wenn ich zum Beispiel m = 7 nehme und die letzten beiden Spalten lösche und es mit m = 5 vergleiche, bekomme ich nicht mehr dieselben Zeilen). Vielen Dank!
Bradley Jones schrieb: Es ist immer gut, Validierungen zu planen...Bradley Jones schrieb:
Es ist immer gut, Validierungsläufe einzuplanen. Dies sind Läufe, die Sie durchführen, nachdem Sie das Experiment durchgeführt und die Daten analysiert haben. Das Ergebnis der Analyse ist ein Modell, das Sie verwenden können, um Antwortvorhersagen bei Faktoreinstellungen zu treffen, die nicht im Experiment ausgeführt wurden. In Anbetracht Ihres Ziels für eine Antwort können Sie Ihre Überprüfungsläufe mit einer Faktoreinstellung (oder Einstellungen) ausführen, bei der Ihr Modell die größte Verbesserung vorhersagt.
Dies unterscheidet sich von der Konstruktionserweiterung, die den Bereich der Faktoren erweitert, dem Modell Terme hinzufügt oder weitere Läufe hinzufügt, um die Unsicherheit über die Schätzungen im aktuellen Modell zu verringern.
Bradley Jones schrieb: Ich glaube an den routinemäßigen Gebrauch des...Bradley Jones schrieb:
Ich glaube an den routinemäßigen Einsatz des Custom Designers für die meisten Probleme bei der industriellen Versuchsplanung. Wenn fast alle Faktoren kontinuierlich sind und über ihren gesamten Bereich unabhängig voneinander variiert werden können, sind definitive Screening-Designs eine gute Wahl.
Ich verwende manchmal Full Factorial Designs, wenn ich Monte-Carlo-Computersimulationsstudien durchführe, bei denen der einzige Aufwand Computerzeit ist. Ich stimme zu, dass es jetzt bessere Möglichkeiten gibt als die regulären zweistufigen teilfaktoriellen Designs.
Steven Moore hat geschrieben: So....I have been using Definitive Sc...Steven Moore schrieb:
Also .... Ich benutze seit geraumer Zeit sowohl Definitive Screening Designs als auch Custom Designs. Meiner Meinung nach gibt es keinen Grund mehr, die traditionellen Factorial Designs zu verwenden. liege ich richtig, oder übersehe ich etwas?
Jo Chotix hat geschrieben: Sieht so aus, als könnten wir jeden variieren...Jo Chotix schrieb:
Sieht so aus, als ob wir in der Lage sein werden, jede der Komponenten unabhängig voneinander zu variieren. Sollte ich einige Validierungsläufe einplanen? Wie plant man diese/berücksichtigt man diese beim Design (Anzahl der Läufe, welche Designpunkte für die Validierung usw.)? Wie unterscheidet sich dies von der Erweiterung des Designs? Vielen Dank!
Bradley Jones hat geschrieben: Es könnte angebracht sein, ein DSD zu verwenden ...Bradley Jones schrieb:
Es könnte angebracht sein, ein DSD zu verwenden, aber ich befürchte, dass die 4 Faktoren, die die Konzentration der Behandlung verändern, als Bestandteile einer Mischung angesehen werden könnten. Wenn ja, wäre die Verwendung eines DSD mit einer Ausnahme unangemessen. Wenn der Hauptbestandteil in der Mischung ein inaktiver Füllstoff ist, dann können die anderen Bestandteile unabhängig variiert werden. In diesem Fall wäre ein DSD in Ordnung.
Jo chotix hat geschrieben: Ich dachte daran, DSD zu verwenden, um ein...Jo Chotix schrieb:
Ich dachte daran, DSD zu verwenden, um einen Behandlungsplan für eine In-vivo-Mausstudie zu entwerfen. Ich habe 4 Faktoren, die die Konzentration der Behandlung verändern (z. B. konzentriertes Medikament, Hilfsstoffmischungen usw.) und einen Faktor, der sich auf das Alter der Mäuse konzentriert. Ich habe mich gefragt, ob Sie DSD dafür empfehlen würden?
Bradley Jones hat geschrieben: Sie können 3 kategorische Faktoren hinzufügen, um ...Bradley Jones schrieb:
Sie können einem DSD 3 kategoriale Faktoren hinzufügen, ohne das Design ineffizient zu machen. Unten ist ein Verweis auf ein Papier, das Chris Nachtsheim und ich zu diesem Thema veröffentlicht haben.
Jones, Bradley und Nachtsheim, CJ (2013) „Definitive Screening Designs with Added Two-Level Categorical Factors“, Journal of Quality Technology, 45:2, 120-129.
Ewoud Schuring hat geschrieben: Hallo Bradley, interessanter Blog, ein...Ewoud Schüring schrieb:
Hallo Bradley,
Interessanter Blog, eigentlich interessiert mich das ganze DSD sehr. Allerdings habe ich eine Frage.
Was ist die Grenze der Anzahl kategorialer Faktoren in einer DSD? Im Moment versuche ich eine DSD mit 3 stetigen und 3 kategorialen Faktoren zu erstellen. Ist das eine gute Idee? Was sind die Risiken? Oder führt ein 1/1-Verhältnis von kontinuierlich zu kategorisch zu einem ineffizienten Design?
Bradley Jones schrieb: Paul, Das benutzerdefinierte Design mit ein paar R ...Bradley Jones schrieb:
Paul,
Das kundenspezifische Design mit wenigen Wiederholungen ist ein sehr sicheres Reaktionsflächendesign. Meine Erfahrung ist, dass es im Allgemeinen wenige große Effekte 2. Ordnung gibt. Das Erstellen eines Designs, das jeden Effekt zweiter Ordnung abschätzen kann, kann also zu viel des Guten sein. Das 6-Faktor-DSD benötigt nur 13 Durchläufe und kann zwei oder drei Effekte 2. Ordnung zuverlässig identifizieren. Das würde Ihnen fast 50% der Kosten sparen.
Wenn Sie stattdessen das 8-Faktor-DSD verwenden und die letzten 3 Spalten ignorieren, hätten Sie ein 17-Durchlauf-Design und Sie sollten in der Lage sein, vier oder fünf Effekte 2. Ordnung zu identifizieren.
Paul Prew hat geschrieben: Hallo Bradley, dieser Post macht mich d...Paul Prew schrieb:
Hallo Bradley, dieser Beitrag lässt mich über geeignete Designs für 4-6 Faktoren nachdenken. Konkret hatte ich letzte Woche einen Chemiker, der 5 kontinuierliche Faktoren untersuchen wollte. Vorläufige One-Factor-at-a-Time-Tests sagten ihr, dass sie wichtig waren. Sie wusste nichts über DOE, aber ihr Vorgesetzter sagte ihr, es sei ein effizienterer Weg – sprechen Sie mit einem Statistiker.
Wir befanden uns in einer Grauzone, in der ein reines Screening-Design wie ein Rückschritt und ineffizient gewirkt hätte. Also entschieden wir uns für ein quadratisches Modell, was zu einem benutzerdefinierten Design von 25 Durchläufen mit einigen Replikationen führte.
Danke, Paul
Ein 5-Faktor-DSD hätte weitaus weniger Läufe bedeutet, selbst für 6 oder 7 Faktoren ausgelegt und die zusätzlichen Spalten weggelassen. Wie könnte ich JMP verwenden, um die DSD als gutes Design für die Anpassung eines Modells zweiter Ordnung zu bewerten? Welche spezifischen Designbewertungstools würden Sie empfehlen, um die DSD mit dem benutzerdefinierten Design zu vergleichen?
Ron Andrews hat geschrieben: Ich habe eine Bewerbung für einen DSD mit...Ron Andrews schrieb:
Ich habe eine Anwendung für ein DSD mit einer Mischung gefunden, die funktioniert hat. Ich musste die Wiegespezifikationen für eine Mischung von Monomeren bestätigen, die zur Herstellung von Kontaktlinsen verwendet werden. Dies ist eine echte Mischung, keine Lösung, daher wäre ein DSD in den meisten Fällen keine gute Wahl. Was es zum Laufen brachte, waren die kleinen Abweichungen vom Nennwert. Als Mittelpunkt wurde die Nominalformel verwendet. Jede Komponente wurde um +/- 1 % des Nennwertes variiert. Um das Experiment zu analysieren, habe ich die tatsächlichen Konzentrationen für jede Mischung berechnet. Es gab eine signifikante Korrelation zwischen den beiden größten Komponenten in der Mischung, aber das Design erlaubte getrennte Schätzungen der beiden Faktoren.
Ich habe eine Zusammenfassung für eine Discovery Summit-Präsentation eingereicht, die dies als eines der Beispiele für Alternativen zum Mischungsdesign enthält. Ob es akzeptiert wird oder nicht, ich kann mehr Details liefern.
