Richtige und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)Im Jahr 2011 stellten mein Kollege Prof. Chris Nachtsheim und ich vor Definitive Screening-Designs (DSDs) mit einem Papier in der Zeitschrift für Qualitätstechnologie . Ein Jahr später schrieb ich ein JMP-Blogbeitrag Beschreiben dieser Designs mithilfe von Korrelationszellendiagrammen. Seit ihrer Einführung finden DSDs Anwendung in so unterschiedlichen Bereichen wie der Farbenherstellung, Biotechnologie, grüner Energie und Laserätzen.
Wenn eine neue und aufregende Methodik auf den Markt kommt, besteht für Spitzenforscher eine natürliche Neigung, sie auszuprobieren. Wenn diese Forscher positive Ergebnisse melden, ermutigt das andere, die neue Methode ebenfalls auszuprobieren.
Ich bin natürlich ein großer Fan von DSDs, aber als Miterfinder fühle ich mich der Gemeinschaft der Praktizierenden gegenüber verpflichtet Versuchsplanung (DOE) um sich über deren 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. Ihr geeignetster Einsatz ist in den frühesten Phasen des Experiments, 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 ein DSD nur verwenden, wenn ich vier oder mehr Faktoren habe. Wenn ich außerdem nur vier Faktoren hätte und ein DSD verwenden wollte, würde ich ein DSD für sechs Faktoren erstellen und die letzten beiden Spalten weglassen. Der resultierende Entwurf kann das vollständige quadratische Modell in allen drei der vier Faktoren anpassen.
DSDs funktionieren am besten, wenn die meisten Faktoren kontinuierlich sind. Das liegt daran, dass jeder kontinuierliche Faktor drei Stufen hat, was es einem Forscher ermöglicht, für jeden kontinuierlichen Faktor eine Kurve statt einer geraden Linie anzupassen.
Wann ist die Verwendung eines DSD ungeeignet?
Unten ist das optimale Split-Plot-Design deutlich besser als das endgültige Screening-Design, das durch Sortieren des schwer veränderbaren Faktors wp erstellt wurde. Siehe Punkt 4) unten.
1) Wenn der Designbereich Einschränkungen unterliegt
Eine implizite Annahme hinter der Verwendung von DSDs ist, dass es möglich ist, die Stufen eines beliebigen Faktors unabhängig von der Stufe eines anderen Faktors festzulegen. Diese Annahme wird verletzt, wenn eine Einschränkung des Designbereichs bestimmte Faktorkombinationen undurchführbar macht. Wenn ich zum Beispiel Popcorn koche, möchte ich die Leistung nicht auf die höchste Stufe stellen und gleichzeitig eine lange Garzeit verwenden. Ich weiß, wenn ich das tue, werde ich ein verkohltes Durcheinander haben.
Um solche Probleme zu vermeiden, mag es verlockend sein, die Bandbreite der Faktoren nach innen zu ziehen, aber diese Praxis verringert die Fähigkeit des DSD, aktive Effekte zu erkennen. Es ist besser, den gesamten möglichen Bereich zu verwenden, auch 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 ungeeignet, wenn zwei oder mehr Faktoren Bestandteile einer Mischung sind. Wenn ich den Anteil einer Zutat erhöhe, muss ich den Anteil einer anderen Zutat senken, 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 kategorisch sind, ist die Verwendung eines 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). Dabei wurde versucht, eine DSD zu modifizieren, um einen dreistufigen kategorialen Faktor zu berücksichtigen. Dies ist zwar möglich, erforderte jedoch die Verwendung des Custom Design-Tools in JMP Behandeln der DSD-Faktoren als kovariate Faktoren und Hinzufügen des dreistufigen kategorialen Faktors als einzigen Faktor, dessen Stufen vom Custom-Design-Algorithmus ausgewählt werden.
4) Wenn das DSD als Split-Plot-Design ausgeführt wird
Es ist auch unzulässig, eine DSD durch Sortieren der Einstellungen eines Faktors zu ändern, sodass das resultierende Design ein Split-Plot-Design ist. Für den DSD mit sechs Faktoren hätte der sortierte Faktor nur drei Einstellungen. Es gäbe fünf Läufe bei der niedrigen Einstellung, drei Läufe bei der mittleren Einstellung und Give-Läufe bei der hohen Einstellung. Die Verwendung eines solchen Designs würde bedeuten, dass die Schlussfolgerung über die Wirkung des sortierten Faktors statistisch ungültig wäre.
5) Wenn das interessierende A-priori-Modell Effekte höherer Ordnung hat
Bei DSDs werden kubische Terme mit Haupteffekten verwechselt, so dass es unmöglich ist, einen kubischen Effekt zu identifizieren.
Reguläre zweistufige fraktionierte faktorielle Versuchspläne und Plackett-Burman-Versuchspläne sind für die meisten der oben genannten Fälle ebenfalls ungeeignet. Sie sind also keine praktikable Alternative.
Was ist in den oben genannten Fällen die Alternative zur Verwendung eines DSD?
Für Benutzer von JMP , ist die Antwort einfach: Verwenden Sie das Custom Design-Tool.
Das Custom 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 so zu ändern, dass es zum Design passt.“
Abschließende Gedanken
DSDs sind in den Szenarien, für die sie erstellt wurden, äußerst nützliche Designs. Als Abschirmkonstruktionen weisen sie viele wünschenswerte Eigenschaften auf:
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 ist mit irgendeinem anderen 2FI oder quadratischen Effekt verwechselt, obwohl sie möglicherweise korrelieren.
5) Für DSDs mit 13 oder mehr Läufen ist es möglich, das vollständige quadratische Modell in jede Teilmenge mit drei Faktoren einzupassen.
6) DSDs können einige kategoriale Faktoren mit zwei Ebenen berücksichtigen.
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 lassen sich kostengünstig vor Ort einsetzen und erfordern nur mindestens 2 M +1 Läufe.
9) Sie können einem DSD Läufe hinzufügen, indem Sie ein DSD mit mehr Faktoren als nötig erstellen und die zusätzlichen Faktoren löschen. Das resultierende Design verfügt über alle der ersten sieben oben genannten Eigenschaften und verfügt über mehr Leistung sowie die Fähigkeit, mehr Effekte zweiter Ordnung zu identifizieren.
Meiner Meinung nach sind DSDs aufgrund der oben genannten Eigenschaften die beste 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 eine Verantwortung um sich über deren Verwendungszweck und möglichen Missbrauch im Klaren zu sein.
Betreff: Richtige und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)Danke @bradleyjones @pepees @seanschubert ,
Ich habe eine Folgefrage zu dem Beispiel @pepees bereitgestellt. Ich glaube, ich habe das Konzept der Einführung von „Referenz“ nicht gut verstanden.
Meine erste Frage drehte sich darum, ob es machbar ist, DSD auf „Mischungsverhältnisse“ anzuwenden, da die Verhältnisse unabhängig voneinander variiert werden können, ohne dass sie von anderen Faktoren beeinflusst werden. Dieses Verhältnis kann später auf Prozentsätze zurückgerechnet werden (Mischungsproblem). Zum Beispiel können die Verhältnisse der Mischung A:B:C:D = 30:5:10:1 auf den Prozentsatz zurückgerechnet werden als A: 65 %, B: 11 %, C: 22 %, 
2 %.
Im Gummibeispiel wird jeder einzelne Inhaltsstoff durch Referenz (100 phr Basisharz) normalisiert und die Summe davon sollte 100 sein. Dann unterscheidet es sich nicht von der Situation „Mischung in Zutaten“. Denn eine Änderung der Menge eines Materials (oder einer Zutat) wirkt sich auf die Menge anderer Materialien aus, die hinzugefügt werden können. Sie könnten also DSD nicht verwenden, da nicht jeder Faktor unabhängig variiert werden kann?
Ich glaube, ich habe das Konzept der Einführung von „Referenz“ und die Art und Weise, wie Referenz genutzt werden kann, nicht verstanden. Können Sie mir hierzu bitte nähere Angaben machen?
Danke!
Betreff: Richtige und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)Sie könnten auch einen Faktor einführen, der die Menge der Wirkstoffe darstellt (niedrig, mittel, hoch), dann könnten Sie die Auswirkung des sich ändernden Verhältnisses und der sich ändernden Menge sehen.
Man könnte argumentieren, dass es effizienter ist, diese Art von Backdoor-Mischungsexperiment zu Beginn der Untersuchung durchzuführen, da das Hinzufügen von Prozessen oder anderen Faktoren zu einem echten Mischungsexperiment die Größe des Experiments wirklich explodieren lässt (selbst bei niedrigeren Auflösungen).
Betreff: Richtige und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)In der Gummiindustrie werden Rezepturen typischerweise mit Bezug auf 100 phr (Teile pro Hundert) Basisharz angegeben, wie unten angegeben. Wie Dr. Jones angedeutet hat, ist es weitaus praktischer, die „Referenz“-Zutat zu verwenden als Proportionen.Wenn ich an einer Gummiformulierung arbeite, setze ich DSD oft mit großem Erfolg ein.
Beispielhafte Gummiformulierung:
Basisharz – 100 TK
Füllstoff 1 – sagen wir 50–70 ThK
Füllstoff 2 – sagen wir 10–40 ThK
Heilend – sagen wir 1–5 TpR
Co-Agent – sagen wir 0–2 TpH
Beschleuniger – sagen wir 0,5–1 ThK
Verarbeitungsöl – sagen wir 0,5–2 Teile pro Stunde
Antioxidans – sagen wir 1–5 Teile pro Stunde
Betreff: Richtige und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)BJK – danke für deine netten Worte.
Um Ihre Frage zu beantworten: Ja. Als Faktoren können Sie Verhältnisse von Zutatenanteilen verwenden. Wenn Sie über k Mischungsfaktoren verfügen, können Sie k-1-Verhältnisse definieren und die Verhältnisse im Experiment als Faktoren behandeln. Sie gehen dabei von einer ziemlich starken Annahme aus. Es wird davon ausgegangen, dass es auf die funktionalen Beziehungen der Reaktion in Bezug auf die Verhältnisse ankommt. Dies steht im Gegensatz zur Reaktion gegenüber den Zutatenverhältnissen.
Wenn Sie dies tun, möchten Sie möglicherweise eine „Referenz“-Zutat auswählen, die Sie in den Nenner aller Verhältnisse einfügen. Im Allgemeinen ist diese Zutat am besten, wenn es sich um einen Füllstoff handelt. Andernfalls könnte es sich um die Zutat mit allgemein großen Anteilen in allen Läufen handeln.
Betreff: Richtige und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)Vielen Dank, Dr. Bradley Jones, für die Erfindung dieses großartigen Werkzeugs.
Ich bin ein Neuling, der sowohl JMP als auch DOE-Speicherplatz nutzt. Sie haben erwähnt, dass „die Verwendung eines DSD ungeeignet ist, wenn zwei oder mehr Faktoren Bestandteile einer Mischung sind.“
Was wäre, wenn ich diese beiden Faktoren in einen einzigen umwandele, indem ich sie in Verhältnisse umwandele?
Nehmen wir zum Beispiel an, ich habe Faktor A und B und die Summe dieser Faktoren muss 50 sein. Wenn ich dies in das Verhältnis A:B umwandele, wird es zu einem Faktor und nicht mehr zu einer „Zutaten in einer Mischung“-Situation, zumindest für die Ausführung von DOE.
Wäre die Verwendung von DSD immer noch nicht zu empfehlen? Wenn nicht, sollte ich „Custom Design“ für Zutaten in einem Mischungstyp verwenden?
Wie Sie wahrscheinlich wissen, kommt es bei vielen pharmazeutischen Formulierungsarbeiten zu „Zutaten in einer Mischung“-Situation, bei der Sie den Prozentsatz oder das Verhältnis der einzelnen Inhaltsstoffe in Abhängigkeit von der Gesamtmasse der pharmazeutischen Hilfsstoffe variieren.
Danke schön!
Betreff: Richtige 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 keine rein datengesteuerte Möglichkeit, ihre Auswirkungen auf eine interessierende Reaktion zu trennen.
Wenn die Korrelation jedoch weniger als eins beträgt, sind die einzelnen Auswirkungen der Modellterme auf die Antwort jetzt abschätzbar. Allerdings wird die Varianz der Schätzungen dieser Effekte größer sein, als wenn die beiden Terme nicht korreliert wären. Wir nennen dieses Phänomen Varianzinflation. Je größer die Größenkorrelation ist, desto größer ist die Varianzinflation.
Wenn die Fehlervarianz im Vergleich zur Größe der Effekte gering ist, ist die Varianzinflation kein großes Problem. Aus diesem Grund sind herkömmliche Faustregeln darüber, wann man sich wegen der Varianzinflation Sorgen machen sollte, fehl am Platz.
Betreff: Richtige und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)Könnten Sie diesen Teil bitte näher erläutern? Kein 2FI ist mit irgendeinem anderen 2FI oder quadratischen Effekt verwechselt, obwohl sie möglicherweise korrelieren.“
Wollte den Unterschied zwischen verwechselten und korrelierten Faktoren kennen. Wie unterscheiden sie sich? Und wie unterschiedlich wirken sie sich auf das Modell aus?
Danke
Betreff: Richtige und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)Brad,
Vielen Dank für diese weiteren Beiträge zur ordnungsgemäßen Verwendung von DSD.
Vor etwa 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 kundenspezifischen Design. Seitdem habe ich davor zurückgeschreckt, DSD für die Modellierung und Simulation zu verwenden, bei der es viele Faktoren gibt, obwohl ich finde, dass DSD bei einer kleineren Anzahl von Faktoren, sagen wir weniger als 12, sehr nützlich ist. Hätte ich in den M&S-Läufen nur Haupteffekte verwenden und dann einen weiteren DSD mit einer viel geringeren Anzahl von Faktoren ausführen sollen, um Effekte zweiter Ordnung zu bestätigen?
Manny
Betreff: Richtige und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)Dr. Jones,
Ich benutze DSD schon seit einiger Zeit, mit ziemlichem Erfolg. Allerdings überlege ich jetzt, DSD für binäre Antworten (Wachstum/kein Wachstum) zu verwenden. Kann dies mit DSD durchgeführt werden und wie würden Sie die Antwort analysieren, da sie meiner Meinung nach nicht im DSD-Analysealgorithmus integriert ist? Oder würden Sie andere Arten von Designs verwenden?
Am besten,
Ewoud Schuring
Betreff: Richtige und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)Dr. Jones,
Vielen Dank für Ihre ausführlichen und durchdachten Antworten. Ich schätze Ihre Zeit und Rücksichtnahme. Ich werde das Gespräch direkt mit Ihnen weiterführen.
Prost,
Rechnung
Betreff: Richtige 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. Du bist schon länger JMPer als ich!
Im Folgenden gehe ich auf Ihre fünf Fragen- und Bedenkengruppen ein.
1) Sie weisen darauf hin, dass unerfahrene Experimentatoren dazu neigen, die Werte der kontinuierlichen Faktoren zu nahe beieinander festzulegen. Ich habe dieses Verhalten auch gesehen. 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 das Rauschen in der Antwort zu einem großen Rauschen in der geschätzten Steigung der Linie ausbreiten kann, wenn die Änderungen eines Faktors gering sind, was es schwierig macht, die aktiven Faktoren zu identifizieren. Deshalb ermutigen wir die Schüler beim Unterrichten von DOE, die kontinuierlichen Faktoren mutig zu variieren. Ich glaube, dass die Festlegung niedriger, mittlerer und hoher Werte für jeden Faktor, wie sie DSDs vorsehen, den Ingenieuren mehr Sicherheit bei der Verteilung der Faktorstufen geben kann. Dies liegt daran, dass der DSD eine starke Krümmung erkennen kann, sofern diese vorhanden ist, wodurch Bedenken hinsichtlich der Nichtlinearität entfallen.
2. Ich erwähne in meinem Blog oben, dass DSDs geeignete Screening-Designs sind, wenn die meisten Faktoren kontinuierlich sind. Ich würde nur ungern eine DSD 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 und Christopher J. Nachtsheim (2017) Vorteile und schnelle Konstruktion effizienter zweistufiger Faltdesigns, 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 könnten.
3. Sie argumentieren, dass Mittelpunkte Krümmungen erkennen können. Das stimmt, aber sie können die Faktoren, die die Krümmung verursachen, nicht identifizieren. Diese Mehrdeutigkeit erzwingt weitere Experimente, die bei Verwendung eines DSD unnötig sind. Ich habe eine Fallstudie gesehen, in der ein starker quadratischer Effekt sein Minimum innerhalb des Experimentierbereichs hatte.Eine minimale Reaktion war wünschenswert und der Sweet Spot wäre hier bei einem zweistufigen Design nicht erkennbar. In einer anderen Fallstudie wurde ein starker quadratischer Effekt festgestellt, bei dem die maximale Reaktion innerhalb des Experimentierbereichs lag.Hier , A Maximale Reaktion war wünschenswert und der Sweet Spot wäre bei einem zweistufigen Design wiederum nicht erkennbar. Die Kosten für die Einbeziehung der Fähigkeit zur Schätzung aller quadratischen Effekte in eine DSD betragen eine Verlängerung der Konfidenzintervalle für die Haupteffekte um 10 % (oder weniger). Dies scheint ein geringer Preis für den Informationsgewinn über Effekte 2. Ordnung zu sein.
4. Sie weisen zu Recht darauf hin, dass es manchmal wichtiger sein kann, die Lärmquelle zu identifizieren, als feste Auswirkungen abzuschätzen. In solchen Fällen ist es sinnvoll, Entwurfspunkte zu replizieren, damit es möglich ist, einen Faktor zu identifizieren, der die Varianz der Antwort beeinflusst, und gleichzeitig die Auswirkungen der Faktoren auf die mittlere Antwort zu bewerten. Man könnte ein komplettes DSD replizieren, wobei etwa viermal so viele Durchläufe erforderlich wären, wie Faktoren vorhanden sind. Sie erwähnen an dieser Stelle das Blockieren. Durch das Blockieren kann eine Variabilitätsquelle identifiziert und quantifiziert und ihre Auswirkung aus der Variation von Lauf zu Lauf entfernt werden. Wenn sich ändernde Umgebungsbedingungen zu Rauschen in den Antworten führen, ist das Blockieren eine nützliche Abhilfe. DSDs können flexibler blockiert werden als zweistufige teilfaktorielle oder vollfaktorielle Designs. Nachfolgend finden Sie einen Verweis auf ein Papier, in dem beschrieben wird, wie DSDs blockiert werden.
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 stimmt, dass die Aliasing-Struktur traditioneller fraktionalfaktorieller Designs unkompliziert und relativ leicht zu erklären ist. Allerdings ist deren vollständiges Aliasing potenziell wichtiger Effekte 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. In meiner Gegenerwiderung ging es um viele Themen, einschließlich des sequentiellen Designs nach einer ersten DSD-Studie (siehe unten).
Bradley Jones (2016) Gegenerwiderung, Qualitätstechnik , 28:1, 122-126, DOI: 10.1080/08982112.2015.1100468
Die folgende Referenz befasst sich mit dem relativen Nutzen der Verwendung eines anfänglichen DSD, selbst wenn die vorhergesagte optimale Reaktion außerhalb des experimentellen Bereichs liegt. Es bietet außerdem einen leistungsstarken Follow-up-Designansatz, der den steilsten Anstieg übertrifft.
Christopher J. Nachtsheim & Bradley Jones (2018) Designerweiterung zur Reaktionsoptimierung und Modellschätzung, Qualitätstechnik , 30:1, 38-51, DOI: 10.1080/08982112.2017.1382298
Ich glaube nicht, dass es notwendig ist, einem Praktiker beizubringen, wie man einen DSD erstellt. Viele Softwarepakete können dies tun. Ich denke, dass es nützlich ist, die Forscher mit dem Korrelationszellendiagramm vertraut zu machen. JMP bietet viele Diagnosetools zum Bewerten und Vergleichen von Designs. Diese sind sehr nützlich und die Vermittlung ihrer Verwendung in Kurzkursen und Universitätskursen würde der Gemeinschaft der DOE-Praktiker zugute kommen. Für Praktiker ist es nützlich zu wissen, wie sie die spezielle Geometrie eines DSD nutzen können, um geeignete Modelle anzupassen. Darauf wird in der folgenden Referenz eingegangen.
Bradley Jones & Christopher J. Nachtsheim (2016): Effektive designbasierte Modellauswahl für endgültige Screening-Designs, Technometrie , DOI: 10.1080/00401706.2016.1234979
Gerne führe ich dieses Gespräch fort und sende Ihnen PDFs der Referenzen. Sie können mich unter bradley.jones@jmp.com kontaktieren
Betreff: Richtige 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/Kommentare (ich hoffe, Sie nicht zu beleidigen) und würde mich über Ihre Meinung freuen.
1. Wenn es um Screening-Designs geht, ist eine der häufigsten Fehlerursachen (besonders für unerfahrene Experimentatoren), dass die Ebenen nicht weit genug voneinander entfernt (fett genug) sind. Ihre Auswirkungen werden daher nicht erkannt und diese Faktoren werden möglicherweise sogar aus weiteren Untersuchungen ausgeschlossen (meine Hypothese ist, dass Ingenieure davor zurückschrecken, 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 noch komplizierter macht?
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 als spätere Iteration in einer sequentiellen Studie besser anwendbar?
3. Screening-Designs dienen oft dazu, eine Richtung vorzugeben und unbedeutende Faktoren herauszufiltern oder vielleicht eher signifikante Faktoren für weitere Untersuchungen zu identifizieren. Sind dafür wirklich quadratische Gleichungen notwendig? OK, ich nehme an, es könnte den Fall geben, dass die Pegel zu fett eingestellt sind und daher wesentliche Effekte übersehen werden, aber das könnte mit Mittelpunkten ziemlich einfach behoben werden. Wenn das Quadratische im Wesentlichen die Abweichung vom Linearen darstellt und Sie sich in einem Designraum befinden, der ziemlich weit vom Optimum entfernt ist, wären Sie dann nicht zuerst mehr am linearen Effekt interessiert? Die quadratische Gleichung am Fuße des Berges bringt Sie möglicherweise nicht auf den Gipfel des Berges.
4. Darüber hinaus und vielleicht am wichtigsten ist, dass die Strategie zum Umgang mit Lärm möglicherweise wichtiger ist als die Lösung der Designfaktoren (wie Sie wissen, ist es ein ständiger Kampf um die effiziente Nutzung von Ressourcen zwischen der Auflösung des Designfaktors und der Lösung der Lärmeffekte). . Wenn ein Randomized Complete Block Design (RCBD) verwendet wird, benötigen wir wirklich einige der Block-by-Effect-Wechselwirkungen höherer Ordnung? Wenn ein Balanced Incomplete Block-Design verwendet wird, wie einfach ist das Aliasing zu verstehen?
5. Und schließlich, und das ist für den Praktiker vielleicht am wenigsten wichtig, wie werden DSDs gelehrt? Die Verwendung traditioneller fraktionalfaktorieller Designs mit identifizierbarem Aliasing und Ideen wie Foldover zu De-Aliasing ist unkompliziert. Die Vermittlung der Denkweise und Praxis der Iteration ist von größter Bedeutung. Wie passen DSDs in einen iterativen, wissenschaftlichen Experimentieransatz?
Ich danke Ihnen im Voraus für Ihre Gedanken.
Wenn Sie diese Diskussion lieber offline führen möchten, wäre das für mich kein Problem. Sie können mir direkt eine E-Mail an statman at comcast dot net senden
Prost,
Bill Ross
Betreff: Richtige und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)Vielen Dank, Brad. Der informative Beitrag und die guten Antworten haben mir geholfen, viel mehr über DSDs zu erfahren.
Betreff: Richtige und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)Vielen Dank, Dr. Jones – Dieses Problem ist noch nicht auf der ASQ Technometrics-Website verfügbar.Ich werde darauf achten, dass es bald veröffentlicht wird.
Richard
Betreff: Richtige und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)http://dx.doi.org/10.1080/00401706.2016.1234979
Oben 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 liefert eine starke Motivation für das Hinzufügen dessen, was wir „Fake-Faktoren“ nennen (d. h. Faktoren, die bei der Erstellung des Designs verwendet werden, aber bei der Durchführung des Experiments nicht 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 ändern, um den DSD-Mindestlauf zu erhalten. Das Hinzufügen dieser zusätzlichen Läufe ermöglicht einen leistungsstarken alternativen Analyseansatz.
Betreff: Richtige und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)Gibt es veröffentlichte Beispiele, bei denen Spalten wie unten beschrieben weggelassen wurden?
Wenn Sie stattdessen den 8-Faktor-DSD verwenden und die letzten drei Spalten ignorieren würden, hätten Sie ein 17-Durchlauf-Design und sollten in der Lage sein, vier oder fünf Effekte 2. Ordnung zu identifizieren.
Betreff: Richtige und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)DSDs können definitiv in Schwierigkeiten geraten, wenn es zu viele Faktoren und Wechselwirkungen gibt! Ich habe es mit einem Katalysatorsystem versucht, das über Generationen hinweg optimiert wurde und viele funktionierende Katalysatorkomponenten und Wechselwirkungen aufwies. Am Ende musste ich einige Läufe hinzufügen.
Betreff: Richtige und unsachgemäße Verwendung von Definitive Screening Designs (DSDs)Guter Eintrag. Allerdings habe ich eine Frage, die mich verwirrt. Sie erwähnen, dass Sie problemlos zusätzliche Läufe hinzufügen können, indem Sie ein höheres m-Design verwenden und die zusätzlichen Spalten weglassen. Ich habe mich gefragt, ob es eine einfache Möglichkeit gibt, Läufe an das Design anzuhängen. Ich habe zum Beispiel am=5 DSD-Läufe gemacht und dann beschließe ich, dass ich mehr Leistung benötige und möchte danach noch ein paar zusätzliche Läufe hinzufügen. Wie mache ich das? (Wenn ich zum Beispiel m=7 nehme und die letzten beiden Spalten lösche und es mit m=5 vergleiche, erhalte ich nicht mehr dieselben Zeilen). Danke!
Bradley Jones schrieb: Es ist immer gut, eine Validierung zu planen...Bradley Jones schrieb:
Es ist immer gut, Validierungsläufe einzuplanen. Dies sind Durchläufe, die Sie durchführen, nachdem Sie das Experiment durchgeführt und die Daten analysiert haben. Das Ergebnis der Analyse ist ein Modell, mit dem Sie Reaktionsvorhersagen für Faktoreinstellungen treffen können, die im Experiment nicht ausgeführt wurden. Unter Berücksichtigung Ihres Antwortziels können Sie Ihre Verifizierungsläufe mit einer Faktoreinstellung (oder Einstellungen) ausführen, bei der Ihr Modell die größte Verbesserung vorhersagt.
Dies unterscheidet sich von der Designerweiterung, die den Bereich der Faktoren erweitert, dem Modell Terme hinzufügt oder mehr Läufe hinzufügt, um die Unsicherheit über die Schätzungen im aktuellen Modell zu verringern.
Bradley Jones schrieb: Ich glaube an den routinemäßigen Gebrauch der...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.
Manchmal verwende ich vollfaktorielle Entwürfe, wenn ich Monte-Carlo-Computersimulationsstudien durchführe, bei denen der einzige Aufwand die Computerzeit ist. Ich stimme zu, dass es mittlerweile bessere Möglichkeiten gibt als die regulären zweistufigen teilfaktoriellen Designs.
Steven Moore schrieb: Also....ich habe Definitive Sc... verwendet.Steven Moore schrieb:
Also...ich verwende seit geraumer Zeit sowohl Definitive Screening Designs als auch Custom Designs. Meiner Meinung nach gibt es keinen Grund mehr, die traditionellen faktoriellen Versuchspläne zu verwenden. Liege ich richtig oder übersehe ich etwas?
Jo Chotix hat geschrieben: Sieht so aus, als ob wir in der Lage sein werden, jeden zu variieren ...Jo Chotix schrieb:
Es sieht so aus, als könnten wir jede einzelne Komponente unabhängig voneinander variieren. Sollte ich einige Validierungsläufe einplanen? Wie plant man diese/berücksichtigt man sie beim Design (Anzahl der Durchläufe, welche Designpunkte für die Validierung usw.)? Wie unterscheidet sich das von der Erweiterung des Designs? Danke!
Bradley Jones schrieb: Es könnte angebracht sein, ein DSD zu verwenden ...Bradley Jones schrieb:
Es könnte angebracht sein, ein DSD zu verwenden, aber ich befürchte, dass die vier Faktoren, die die Konzentration der Behandlung verändern, als Bestandteile einer Mischung angesehen werden könnten. Wenn ja, wäre die Verwendung eines DSD mit einer Ausnahme ungeeignet. Wenn der Hauptbestandteil der Mischung ein inaktiver Füllstoff ist, können die anderen Bestandteile unabhängig voneinander variiert werden. In diesem Fall wäre die Verwendung eines DSD in Ordnung.
Jo chotix schrieb: Ich habe darüber nachgedacht, mit DSD ein ... zu entwerfen.Jo Chotix schrieb:
Ich dachte darüber nach, DSD zu nutzen, um einen Behandlungsplan für eine In-vivo-Mausstudie zu entwerfen. Ich habe vier 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 schrieb: Sie können 3 kategoriale Faktoren hinzufügen zu ...Bradley Jones schrieb:
Sie können einem DSD drei kategoriale Faktoren hinzufügen, ohne dass das Design ineffizient wird. Nachfolgend finden Sie einen Verweis auf einen Artikel, den 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 schrieb: Hallo Bradley, interessanter Blog, ein ...Ewoud Schuring schrieb:
Hallo Bradley,
Interessanter Blog, eigentlich ist das ganze DSD für mich sehr interessant. Allerdings habe ich eine Frage.
Wie hoch ist die Anzahl der kategorialen Faktoren in einem DSD? Im Moment versuche ich, ein DSD mit 3 kontinuierlichen 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 individuelle Design mit ein paar ...Bradley Jones schrieb:
Paul,
Das kundenspezifische Design mit einigen Replikationen ist ein sehr sicheres Reaktionsoberflächendesign. Ich habe die Erfahrung gemacht, dass es im Allgemeinen nur wenige große Effekte 2. Ordnung gibt. Daher kann es übertrieben sein, einen Entwurf zu entwickeln, der jeden Effekt 2. Ordnung abschätzen kann. Das 6-Faktor-DSD erfordert nur 13 Durchläufe und kann zwei oder drei Effekte 2. Ordnung zuverlässig identifizieren. Dadurch würden Sie fast 50 % der Kosten sparen.
Wenn Sie stattdessen den 8-Faktor-DSD verwenden und die letzten drei Spalten ignorieren würden, hätten Sie ein 17-Durchlauf-Design und sollten in der Lage sein, vier oder fünf Effekte 2. Ordnung zu identifizieren.
Paul Prew schrieb: Hallo Bradley, dieser Beitrag bringt mich dazu, ...Paul Prew schrieb:
Hallo Bradley, dieser Beitrag regt mich zum Nachdenken über geeignete Designs für 4–6 Faktoren an. Konkret hatte ich letzte Woche einen Chemiker, der fünf kontinuierliche Faktoren untersuchen wollte. Vorläufige Einzelfaktortests zeigten ihr, dass sie wichtig waren. Sie wusste nichts über DOE, aber ihr Vorgesetzter sagte ihr, es sei effizienter – sprechen Sie mit einem Statistiker.
Wir befanden uns in einer Grauzone, in der ein reines Screening-Design wie ein Rückschritt und ineffizient gewirkt hätte. Deshalb haben wir uns für ein quadratisches Modell entschieden, was zu einem individuellen Design mit 25 Durchläufen und einigen Wiederholungen führte.
Danke, Paul
Ein 5-Faktor-DSD hätte viel weniger Durchläufe erfordert, selbst wenn der Entwurf für 6 oder 7 Faktoren ausgelegt und die zusätzlichen Spalten weggelassen worden wären. Wie kann ich JMP verwenden, um das DSD als gutes Design für die Anpassung eines Modells 2. Ordnung zu bewerten? Welche spezifischen Design-Bewertungstools würden Sie empfehlen, um das DSD mit dem benutzerdefinierten Design zu vergleichen?
Ron Andrews schrieb: Ich habe eine Bewerbung für ein DSD gefunden mit...Ron Andrews schrieb:
Ich habe eine Anwendung für ein DSD mit einer Mischung gefunden, die funktioniert hat. Ich musste die Einwaagespezifikationen für eine Monomermischung bestätigen, die zur Herstellung von Kontaktlinsen verwendet wird. Dies ist eine echte Mischung, keine Lösung, daher wäre ein DSD in den meisten Fällen keine gute Wahl. Der Grund dafür, dass es funktionierte, waren die kleinen Abweichungen vom Nennwert. Als Mittelpunkt wurde die Nominalformel verwendet. Jede Komponente wurde um +/- 1 % vom Nennwert 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, das Design ermöglichte jedoch getrennte Schätzungen der beiden Faktoren.
Ich habe eine Zusammenfassung für eine Präsentation auf dem Discovery Summit eingereicht, die dies als eines der Beispiele für Mischungsdesign-Alternativen enthält. Ob es angenommen wird oder nicht, ich kann weitere Details liefern.
