Uso adecuado e inadecuado de los Diseños de Detección Definitivos (DSD)En 2011, mi colega Prof. Chris Nachtsheim y yo presentamos Diseños de cribado definitivos (DSD) con un papel en el Revista de tecnología de calidad . Un año después, escribí un Publicación del blog de JMP describiendo 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 láser.
Cuando aparece una metodología nueva y apasionante, existe una inclinación natural entre los investigadores de vanguardia a probarla. Cuando estos investigadores informan resultados positivos, anima a otros a probar también el nuevo método.
Soy un gran admirador de los DSD, por supuesto, pero como co-inventor siento una responsabilidad hacia la comunidad de practicantes de diseño de experimentos (DOE) tener claro su uso previsto y su posible mal uso.
Entonces, ¿cuándo debo utilizar un DSD?
Como sugiere el nombre, los DSD son diseños de detección. Su uso más apropiado es en las primeras etapas de 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 un número 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 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 el uso de un DSD?
A continuación, el diseño óptimo de trama dividida supera dramáticamente al Diseño de Selección 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. Este supuesto se viola si una restricción en la región de diseño hace que ciertas combinaciones de factores sean inviables. Por ejemplo, si estoy cocinando palomitas de maíz, no quiero configurar la potencia al máximo durante un tiempo de cocción prolongado. Sé que si hago eso, terminaré con un desastre carbonizado.
Podría resultar tentador acercar los rangos de los factores para evitar tales problemas, pero esta práctica reduce el poder del DSD para detectar efectos activos. Es mejor utilizar toda la región factible incluso si la forma de esa región no es cúbica ni 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 de una mezcla. Si subo 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 generalmente son 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, es necesario utilizar la herramienta Diseño personalizado en JMP tratar los factores del DSD como factores covariables y agregar el factor categórico de tres niveles como el único factor cuyos niveles son elegidos por el algoritmo de diseño personalizado.
4) Cuando el DSD se ejecuta como un diseño de parcela dividida
También es inadecuado alterar un DSD clasificando la configuración de un factor de manera que el diseño resultante sea un diseño de parcela dividida. Para el DSD de seis factores, el factor ordenado tendría sólo tres configuraciones. Habría cinco carreras en la configuración baja, tres carreras en la configuración media y carreras en la configuración alta. Usar tal diseño significaría que la inferencia sobre el efecto del factor ordenado sería estadísticamente inválida.
5) Cuando el modelo a priori de interés 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 fraccionarios regulares de dos niveles y los diseños de Plackett-Burman también son inapropiados para la mayoría de los casos anteriores. Por tanto, no son una alternativa viable.
¿Cuál es la alternativa al uso de un DSD en los casos anteriores?
Para usuarios de JMP , la respuesta es simple: utilice la herramienta Diseño personalizado.
La herramienta de diseño personalizado de JMP puede generar un diseño diseñado para adaptarse a cualquier combinación de los escenarios enumerados anteriormente. El principio rector detrás de la herramienta Diseño personalizado es
"Los diseños deben adaptarse 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 efectos cuadráticos.
3) Todos los efectos cuadráticos de 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, puedes tener cualquier número de bloques entre 2 y metro .
8) Los DSD son económicos y requieren solo 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 las primeras siete propiedades anteriores y tiene más poder, así como la capacidad de identificar más efectos de segundo orden.
En mi opinión, las características anteriores hacen de los DSD la mejor opción para cualquier experimento de detección donde la mayoría de los factores son continuos.
Sin embargo, quiero dejar 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 tener claro su uso previsto y su posible mal uso.
Re: Uso adecuado e inadecuado de los diseños de detección definitivos (DSD)Gracias @bradleyjones @pepees @seanschubert ,
Tengo una pregunta de seguimiento sobre el ejemplo. @pepees proporcionó. No creo haber entendido bien el concepto de introducir "referencia".
Mi pregunta inicial era sobre la viabilidad de ejecutar DSD en "proporciones" de mezcla, ya que las proporciones se pueden variar de forma independiente sin verse afectadas por otros factores. Esta relación se puede calcular en porcentajes (problema de mezcla) más adelante. Por ejemplo, las proporciones de la mezcla A:B:C:D = 30:5:10:1 se pueden calcular en porcentaje como A: 65%, B: 11%, C:22%,D: 2%.
En el ejemplo del caucho, cada ingrediente está normalizado por referencia (100 phr de resina base) y la suma de ellos debe ser 100. Entonces no es diferente de la situación de "mezcla de ingredientes". Ya que cambiar la cantidad de un material (o ingrediente) afectará la cantidad de otros materiales que se pueden introducir. Por lo tanto, ¿no podría utilizar DSD ya que cada factor no se puede variar de forma independiente?
No creo haber entendido el concepto de introducir la "referencia" y cómo se puede utilizar la referencia. ¿Puedes darme más detalles sobre esto?
¡Gracias!
Re: Uso adecuado e inadecuado de los diseños de detección definitivos (DSD)También podría introducir un factor que sea la cantidad de ingredientes activos (baja, media, alta), luego podría ver el efecto de la proporción cambiante y la cantidad cambiante.
Se podría argumentar que realizar este tipo de experimento de mezcla de puerta trasera al principio de la investigación es más eficiente, ya que agregar procesos u otros factores a un experimento de mezcla real realmente aumenta el tamaño del experimento (incluso a resoluciones más bajas).
Re: Uso adecuado e inadecuado de los diseños de detección definitivos (DSD)En la industria del caucho, las formulaciones normalmente se presentan con referencia a 100 phr (partes por cien) de resina base, como se indica a continuación. Como indicó el Dr. Jones, es mucho más conveniente utilizar el ingrediente de "referencia" en comparación con las proporciones.Cuando trabajo en una formulación de caucho, suelo emplear DSD con gran éxito.
Formulación de caucho ejemplar:
Resina base - 100 phr
Relleno 1: digamos 50-70 phr
Relleno 2: digamos 10-40 phr
Curativo: digamos 1-5 phr
Coagente: digamos 0-2 phr
Acelerador: digamos 0,5-1 phr
Aceite de procesamiento: digamos 0,5-2 phr
Antioxidante: digamos 1-5 phr
Re: Uso adecuado e inadecuado de los diseños de detección definitivos (DSD)BJK: gracias por tus amables palabras.
Para responder a tu pregunta, si. Puede utilizar proporciones de ingredientes como factores. Si tiene k factores de mezcla, puede definir proporciones k-1 y tratar las proporciones como factores en el experimento. Al hacer esto, estás haciendo una suposición bastante fuerte. El supuesto es que lo importante son las relaciones funcionales de la respuesta en términos de ratios. Esto es lo opuesto a la respuesta versus las proporciones de los ingredientes.
Si haces esto, quizás quieras elegir un ingrediente de "referencia" para ponerlo en el denominador de todas las proporciones. Generalmente, ese ingrediente es mejor si es un relleno. De lo contrario, podría ser el ingrediente con proporciones generalmente grandes en todas las tiradas.
Re: Uso adecuado e inadecuado de los diseños de detección definitivos (DSD)Gracias Dr. Bradley Jones por inventar una herramienta increíble.
Soy un novato en el uso de JMP y del espacio DOE. Usted ha mencionado que "usar un DSD es inapropiado si dos o más factores son ingredientes de una mezcla".
¿Qué pasa si convierto estos dos factores en uno al convertir esto en proporciones?
Por ejemplo, digamos que tengo los factores A y B y la suma de ellos debe ser 50. Si convierto esto en una proporción de A:B, se convertirá en un factor y ya no en una situación de "ingredientes en una mezcla", al menos para ejecutar DOE.
¿Aún no se recomienda el uso de DSD? Si no es así, ¿debería utilizar un diseño personalizado para los ingredientes en un tipo de mezcla?
Como probablemente sepa, muchos trabajos de formulación farmacéutica tienen situaciones del tipo 'ingredientes en una mezcla' en las que se varían el porcentaje o las proporciones de cada ingrediente dada la masa total de excipientes farmacéuticos.
¡Gracias!
Re: Uso adecuado e inadecuado de los diseños de detección definitivos (DSD)Responder a Varun_Bhatt:
Si un término del modelo tiene correlación +1 o -1 con otro término del modelo (por ejemplo, dos 2FI), entonces 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 correlación es menor que uno en magnitud, entonces los efectos separados de los términos del modelo sobre la respuesta ahora son estimables. Sin embargo, la varianza de las estimaciones de estos efectos será mayor que si los dos términos no estuvieran correlacionados. A este fenómeno lo llamamos 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 detección definitivos (DSD)¿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 los que se correlacionan. ¿En qué se diferencian? ¿Y qué tan diferente impactan al modelo?
Gracias
Re: Uso adecuado e inadecuado de los diseños de detección definitivos (DSD)Puntilla,
Gracias por estos aportes adicionales sobre el uso adecuado de DSD.
Hace aproximadamente un año, utilicé DSD para una simulación por computadora con aproximadamente 100 factores continuos que también requerían todos los efectos de segundo orden, con un número total de ejecuciones de aproximadamente 200. Los resultados no fueron tan satisfactorios como los de un Diseño Personalizado. Desde entonces he evitado usar DSD para modelado y simulación donde hay muchos factores, aunque encuentro que DSD es muy útil con un número menor de factores, digamos menos de 12. ¿Debería haber utilizado sólo los efectos principales en las ejecuciones de M&S y luego ejecutar otro DSD con un número mucho menor de factores para confirmar los efectos de segundo orden?
manny
Re: Uso adecuado e inadecuado de los diseños de detección definitivos (DSD)Dr. Jones,
Estoy usando DSD desde hace bastante tiempo, con bastante éxito. Sin embargo, ahora estoy estudiando la posibilidad de utilizar DSD para respuestas binarias (crecimiento/no crecimiento). ¿Se puede hacer esto con DSD y cómo analizaría la respuesta, ya que supongo que no está integrada en el algoritmo de análisis DSD? ¿O usarías otro tipo de diseños?
Mejor,
Ewoud Schuring
Re: Uso adecuado e inadecuado de los diseños de detección definitivos (DSD)Dr. Jones,
Gracias por sus respuestas exhaustivas y reflexivas. Agradezco su tiempo y consideración. Continuaré la conversación directamente con usted.
Salud,
Factura
Re: Uso adecuado e inadecuado de los diseños de detección definitivos (DSD)Dr. Ross: Estoy muy impresionado con sus 16.000 experiencias del DOE. Gracias por su uso prolongado de JMP. ¡Has sido JMPer durante más tiempo que yo!
A continuación abordo sus cinco conjuntos de preguntas e inquietudes.
1) Usted señala que los experimentadores novatos tienden a establecer los niveles de factores continuos demasiado cerca unos de otros. También he visto este comportamiento. 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 hasta convertirse en ruido grande en la pendiente estimada de la línea, lo que dificulta la identificación de los factores activos. Por eso, 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 curvatura fuerte, si existe, lo que evita preocupaciones sobre la no linealidad.
2. Mencioné en mi blog anterior que los DSD son diseños de detección apropiados cuando la mayoría de los factores son continuos. Sería reacio a utilizar 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 tenéis 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 eficientes de dos niveles, Tecnometria , 59:1, 48-57, DOI: 10.1080/00401706.2015.1124052
También creo que los investigadores podrían esforzarse más en encontrar medidas cuantitativas que describan la diferencia entre los dos niveles de un factor categórico, convirtiendo así exitosamente un factor categórico en un factor continuo más significativo.
3. Usted sostiene 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 realizar experimentos posteriores, que son innecesarios si se utiliza un DSD. He visto un estudio de caso en el que 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, nuevamente, sería 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 de los efectos principales. Este parece un pequeño precio a pagar por la obtención de información sobre los efectos de segundo orden.
4. Usted 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 y al mismo tiempo evaluar los efectos de los factores sobre la respuesta media. Se podría replicar un DSD completo al costo de aproximadamente cuatro veces más ejecuciones que factores. Mencionas el bloqueo en este punto. El bloqueo puede identificar y cuantificar una fuente de variabilidad y eliminar su efecto de la variación entre ejecuciones. 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 completos de dos niveles. A continuación se muestra una referencia a un documento que describe cómo bloquear DSD.
Bradley Jones y Christopher J. Nachtsheim (2015): Esquemas de bloqueo para diseños de detección definitivos, Tecnometria , DOI: 10.1080/00401706.2015.1013777
5. Su última preocupación tiene que ver con la enseñanza de los DSD y con un enfoque iterativo para la experimentación. No publicito los DSD como experimentos "de una sola vez". Es cierto que la estructura de alias de los diseños factoriales fraccionarios tradicionales es sencilla y bastante fácil de explicar. Sin embargo, en mi opinión, no es deseable su total aliasing de efectos potencialmente importantes. Ver
Bradley Jones (2016) Experimentos de detección 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 muchas cuestiones, incluido el diseño secuencial después de un estudio inicial de DSD (referencia a continuación).
Bradley Jones (2016) Dúplica, Ingeniería de calidad , 28:1, 122-126, DOI: 10.1080/08982112.2015.1100468
La referencia siguiente trata del beneficio relativo de utilizar un DSD inicial incluso cuando la respuesta óptima prevista está fuera de la región de experimentación. También proporciona un poderoso enfoque de diseño de seguimiento que supera los ascensos más empinados.
Christopher J. Nachtsheim y Bradley Jones (2018) Aumento del diseño para optimización de respuestas 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. Son muy útiles y enseñar su uso en cursos cortos y cursos universitarios beneficiaría a la comunidad de profesionales 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 siguiente.
Bradley Jones y Christopher J. Nachtsheim (2016): Selección eficaz de modelos basada en el diseño para diseños de detección definitivos, Tecnometria , DOI: 10.1080/00401706.2016.1234979
Estaré encantado 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 detección definitivos (DSD)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 valoraría 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 observan y esos factores pueden incluso descartarse de estudios posteriores (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 comienzo 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 sea más aplicable como una última iteración en un estudio secuencial?
3. A menudo, los diseños de detección tienen como objetivo obtener orientación y filtrar factores insignificantes o, más probablemente, identificar factores significativos para estudios posteriores. ¿Son realmente necesarias las ecuaciones cuadráticas para lograr esto? Bien, supongo que podría darse el caso de que los niveles estén demasiado marcados 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 primero en el efecto lineal? 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 de los factores 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 utiliza un diseño de bloque incompleto equilibrado, ¿qué tan fácil es entender el alias?
5. Por último, y quizás de menor importancia para el profesional, ¿cómo se enseñan los DSD? Usar diseños factoriales fraccionados tradicionales con alias identificables e ideas como plegar para eliminar el alias es sencillo. Inculcar la mentalidad y la práctica de la iteración es primordial. ¿Cómo encajan los DSD en un enfoque científico iterativo de la experimentación?
Le agradezco de antemano sus pensamientos.
Si prefiere desconectar esta discusión, por mí estaría bien. Puede enviarme un correo electrónico directamente a statman en comcast dot net.
Salud,
Bill Ross
Re: Uso adecuado e inadecuado de los diseños de detección definitivos (DSD)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 detección definitivos (DSD)Gracias Dr. Jones. Este número aún no está disponible en el sitio de ASQ Technometrics.Estaré atento a que lo publiquen pronto.
Ricardo
Re: Uso adecuado e inadecuado de los diseños de detección definitivos (DSD)http://dx.doi.org/10.1080/00401706.2016.1234979
Lo anterior es la URL de un artículo publicado en la revista Technometrics por Chris Nachtsheim y por mí, titulado Selección efectiva de modelos basados en diseño para diseños de cribado definitivos.
Este artículo proporciona una fuerte motivación para agregar lo que llamamos "factores falsos" (es decir, factores que se utilizan en la creación del diseño pero que no se utilizan al ejecutar el experimento). En JMP 13, la herramienta de diseño DSD lo llama "Ejecuciones adicionales" con un valor predeterminado de 4. Sin embargo, puede volver a cambiar este campo a 0 para obtener el DSD de ejecución mínimo. Agregar estas ejecuciones adicionales permite un enfoque analítico alternativo poderoso.
Re: Uso adecuado e inadecuado de los diseños de detección definitivos (DSD)¿Se han publicado ejemplos en los que se han eliminado columnas como se explica a continuación?
Si, en cambio, utilizara el DSD de 8 factores e ignorara 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 detección definitivos (DSD)¡Los DSD definitivamente pueden tener problemas cuando hay demasiados factores e interacciones! Probé uno en un sistema catalizador que había pasado por generaciones de optimización y tenía muchos componentes e interacciones catalizadores en funcionamiento. Terminé teniendo que agregar bastantes carreras.
Re: Uso adecuado e inadecuado de los diseños de detección definitivos (DSD)Buena publicación. Sin embargo tengo una pregunta que me desconcierta. Usted menciona que puede agregar fácilmente ejecuciones adicionales tomando un diseño m más alto y eliminando las columnas adicionales. Me preguntaba si había alguna forma sencilla de "añadir" ejecuciones al diseño. Por ejemplo, hice 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 m=7 y elimino las dos últimas columnas y las comparo con m=5, entonces ya no obtendré las mismas filas). ¡Gracias!
Bradley Jones escribió: Siempre es bueno planificar la validación...Bradley Jones escribió:
Siempre es bueno planificar las ejecuciones de validación. Estas son ejecuciones que realiza después de haber ejecutado el experimento y analizado los datos. El resultado del análisis es un modelo que puede utilizar para realizar predicciones de respuesta en configuraciones de factores que no se ejecutaron en el experimento. Teniendo en cuenta su objetivo de respuesta, puede optar por ejecutar sus ejecuciones de verificación en una configuración (o configuraciones) de factor donde su modelo predice la mayor mejora.
Esto es diferente del aumento del diseño, que amplía el rango de 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 del...Bradley Jones escribió:
Creo en el uso rutinario del Custom Designer para la mayoría de los problemas en el diseño industrial de experimentos. Cuando casi todos los factores son continuos y pueden variarse de forma independiente en todo su rango, los diseños de cribado definitivos son una buena opción.
A veces utilizo diseños factoriales completos cuando realizo estudios de simulación por computadora Monte Carlo donde el único gasto es tiempo de computadora. Estoy de acuerdo en que ahora existen mejores opciones que los diseños factoriales fraccionarios habituales de dos niveles.
Steven Moore escribió: Entonces... He estado usando Definitive Sc...Steven Moore escribió:
Entonces... He estado usando diseños de cribado definitivos y diseños personalizados durante bastante tiempo. En mi opinión, ya no hay razón para utilizar los diseños factoriales tradicionales. ¿Estoy en lo cierto o me falta algo?
Jo Chotix escribió: Parece que podremos variar cada uno...Jo Chotix escribió:
Parece que podremos variar cada uno de los componentes de forma independiente. ¿Debería planificar algunas ejecuciones de validación? ¿Cómo se planifican estos factores o se tienen en cuenta en el diseño (número de ejecuciones, qué puntos de diseño se deben validar, etc.)? ¿En qué se diferencia esto de aumentar el diseño? ¡Gracias!
Bradley Jones escribió: Podría ser apropiado utilizar un DSD...Bradley Jones escribió:
Podría ser apropiado utilizar un DSD pero me preocupa que los 4 factores que alteran la concentración del tratamiento puedan verse como ingredientes de una mezcla. De ser así, el uso de un DSD sería inapropiado, con una excepción. Si el ingrediente mayoritario de la mezcla es una carga inactiva, entonces los demás ingredientes pueden variarse de forma independiente. En ese caso, estaría bien utilizar un DSD.
Jo chotix escribió: Estaba pensando en usar DSD para diseñar un...jo chotix escribió:
Estaba pensando en utilizar DSD para diseñar un plan de tratamiento para un estudio in vivo con ratones. Tengo 4 factores que alteran la concentración del tratamiento (por ejemplo, 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 que el diseño sea ineficiente. A continuación se muestra una referencia a un artículo que Chris Nachtsheim y yo publicamos sobre este tema.
Jones, Bradley y Nachtsheim, CJ (2013) â Diseños de detección definitivos con factores categóricos de dos niveles agregadosâ, Journal of Quality Technology, 45:2, 120-129.
Ewoud Schuring escribió: Hola Bradley, Interesante blog, un...Ewoud Schuring escribió:
Hola Bradley,
Interesante blog, de hecho todo el DSD me resulta muy interesante. Sin embargo tengo una pregunta.
¿Cuál es el límite del número de factores categóricos en un DSD? Por el momento estoy intentando crear un DSD con 3 factores continuos y 3 categóricos. ¿Es esta una buena idea? ¿Cuáles son los riesgos? ¿O una proporción de 1/1 entre continuo y categórico 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, en general, hay pocos efectos importantes de segundo orden. Por lo tanto, 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 manera confiable dos o tres efectos de segundo orden. Eso le ahorraría casi el 50% del coste.
Si, en cambio, utilizara el DSD de 8 factores e ignorara 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 pensar...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. Ella no sabía nada sobre el DOE, pero su supervisor le dijo que era un camino más eficiente: hablar con un estadístico.
Estábamos en una zona gris donde un diseño de cribado puro habría parecido un paso atrás, ineficiente. Por eso 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 significado muchas menos ejecuciones, incluso diseñando para 6 o 7 factores y eliminando las columnas adicionales. ¿Cómo podría utilizar 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 Andrews escribió:
Encontré una aplicación para DSD con una mezcla que funcionó. Necesitaba confirmar las especificaciones de peso de una mezcla de monómeros utilizados para fabricar lentes de contacto. Esta es una verdadera mezcla, 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 con respecto al nominal. La fórmula nominal se utilizó como punto central. Cada componente fue variado +/- 1% del nominal. Para analizar el experimento calculé las concentraciones reales para 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 en la cumbre de descubrimiento que incluye esto como uno de los ejemplos de alternativas de diseño de mezclas. Ya sea que sea aceptado o no, puedo proporcionar más detalles.
