Definitives Screening-Design (DOE) für eine Vielzahl von FaktorenLiebe JMP-Experten,
Ich arbeite an einem Doppellinsen-DOE, um Lichter in ein Faserarray einzukoppeln. Mein Ziel ist es, die Ausbeute des Systems unter Berücksichtigung sowohl der Fertigungstoleranzen als auch der Dezentrierung und Neigung beider Linsen zu untersuchen. Ich habe 15 Faktoren und 4 Antworten im DOE. Die 4 Antworten CE1, CE2, CE3 und CE4 entsprechen der Kopplungseffizienz jeder Faser im Faserarray.
Ich habe versucht, das Definitive Screening Design für das erste Screening zu verwenden, da es im Vergleich zum traditionellen fraktionierten faktoriellen Design einen einzigartigen Vorteil bietet.Wie aus den Simulationsdaten ersichtlich ist, sollte der Unterschied zwischen CE1 und CE4 vernachlässigbar sein und der Unterschied zwischen CE2 und CE3 sollte vernachlässigbar sein. Allerdings liefert mir das DSD-Screening eine unterschiedliche Sammlung statistisch signifikanter Faktoren für alle vier Antworten.
Insbesondere für den Faktor l1_tilt_y wusste ich mit Sicherheit, dass er ein dominanter Faktor für die Reaktion von CE1 und CE4 ist und für beide Reaktionen eine nichtlineare Beziehung aufweist, aber das DSD-Screening kann dies nicht einmal für CE4 erkennen.
Die JMP-Berichtsdatei mit eingebetteter Datentabelle ist beigefügt.
Können Sie mir bitte freundlicherweise Ihre Gedanken mitteilen?
Danke schön.
Mit freundlichen Grüßen,
Eric
VersuchsplanungBetreff: Definitives Screening-Design-DOE für eine große Anzahl von FaktorenIch habe meine Kommentare zu Nicht-DSD-Strategien für Simulationsdaten gelöscht, weil ich gesehen habe, dass andere den gleichen Punkt vertreten haben ... obwohl ich meine Experimente oft mit einem Simulator durchführe, bevor ich sie im wirklichen Leben durchführe, haben Sie das vielleicht getan?
Betreff: Definitives Screening-Design-DOE für eine große Anzahl von FaktorenSie könnten in Betracht ziehen, „raumfüllende Designs“ zu verwenden, um die Antworten aus Computersimulationen zu sammeln. Außerdem benötigen Sie lediglich einen Interpolator zur schnellen Vorhersage und nicht zur Bewertung der Faktorbedeutung. (Sie können sich einfach den Simulationscode ansehen, um die Bedeutung und Beziehung zu erkennen.) JMP stellt die Gaußsche Prozessplattform für die Modellierung von Computersimulationsdaten bereit.
Betreff: Definitives Screening-Design-DOE für eine große Anzahl von FaktorenHallo @hanyu119 ,
Andere Mitglieder der Community haben viele sehr wichtige Ideen eingebracht, beispielsweise wie man mit Lärm in DoE umgeht.
Wenn Sie ein Simulationsexperiment mit nichtlinearen Effekten durchführen, passt möglicherweise ein raumfüllendes Design zu Ihren Anforderungen: Sie können viele verschiedene Modelle durch die Konstruktionspunkte anpassen und nichtlineare Effekte durch verschiedene Analysetechniken verarbeiten (Baumbasierte Methoden, neuronale Netze, SVM usw., basierend auf dem Antworttyp). Ich bin jedoch etwas skeptisch, was die Anzahl der Faktoren angeht, die Sie haben (15) und die Anzahl der Experimente, die diese Art von Design mit so vielen Faktoren generieren wird (für 15 Faktoren empfiehlt JMP standardmäßig 150 Durchläufe mit verschiedenen raumfüllenden Designs). . Vielleicht ist die Anzahl der Durchläufe für Sie nicht so wichtig, da Sie keine Materialien/Ressourcen verbrauchen (es ist nur ein Berechnungs-/Simulationsexperiment)?
Dieses JMP-Quizz wäre ein guter Ausgangspunkt, um eine erste Empfehlung zu erhalten, welche Art von Design Sie zuerst ausprobieren sollten: DOE-Quiz (jmp.com)
Ich hoffe, dies wird Ihnen bei Ihrem Reflexions- und Simulationsexperiment helfen.
Betreff: Definitives Screening-Design-DOE für eine große Anzahl von FaktorenSofern die Ausführung der Simulation nicht viel Zeit in Anspruch nimmt, können Sie auch vollständige Fakultäten mit so vielen Ebenen ausführen, wie Sie möchten. Das Problem ist natürlich das Rauschen. Sie sind sich nicht sicher, wie Sie das simulieren? Ich verstehe eigentlich nicht, warum Sie Simulationsexperimente durchführen würden. Der Algorithmus ist in der Software bereits bekannt. Die Reihenfolge des Modells ist bereits bekannt.Wenn Variablen (oder ihre nichtlinearen Komponenten) nicht im Algorithmus enthalten sind, können sie die Reaktion des Algorithmus möglicherweise nicht beeinflussen.
In realen Experimenten erstellen wir Modelle in hierarchischer Reihenfolge unter Verwendung der Grundprinzipien Sparsität, Hierarchie und Vererbung. Normalerweise beginnen wir mit der Bestimmung linearer Haupteffekte und fügen eine Hierarchie hinzu, wenn sich der Experimentierraum dem annähert, was wir für optimal halten. Diese Arbeit ist immer sequentiell und iterativ. Verbringen Sie nicht viel Zeit und Geld damit, sich auf einem nicht optimalen Niveau über unwichtige Faktoren zu informieren. Mittelpunktdesigns eignen sich effizient zum Testen der Krümmung innerhalb des Experimentierraums.
Betreff: Definitives Screening-Design-DOE für eine große Anzahl von FaktorenDieses Experiment läuft vollständig per Simulation ab. Es ist ein konzeptioneller Entwurf. Ich habe kein tatsächliches Produkt, um die Simulation zu überprüfen. Allerdings sollte die Simulation ziemlich genau sein, da es sich um ein sehr einfaches Design handelt.
Offensichtlich ist das DSD-Modell nicht ausreichend. Was als nächstes?
Nehmen wir an, Sie haben für ein Screening-DOE zunächst 15 Faktoren und wissen, dass die Reaktion bei einigen dieser Faktoren nichtlinear ist. Wie werden Sie dieses Problem angehen?
Danke.
Betreff: Definitives Screening-Design-DOE für eine große Anzahl von FaktorenIch bin verwirrt über Ihre Aussage: „ Ich habe meine Daten mit der Simulation validiert und alle Daten sind echt. Wie können Sie die realen Daten möglicherweise durch Simulation validieren? Wird dieses Experiment vollständig durch Simulation durchgeführt?
Es gibt zwei deutlich unterschiedliche ungewöhnliche Komponenten Ihrer Situation:
1. Für jede Behandlung kann es ungewöhnliche Datenpunkte geben, die durch die multivariate Analyse identifiziert wurden (diese werden wahrscheinlich durch Rauschen beeinflusst). Ihr DSD verfügt über keine Strategie zum Umgang mit Rauschen (Blockierung, Wiederholungen, Split-Plots usw.). Ich schlage vor, dass Sie sich etwas Zeit nehmen, um Lärm zu verstehen.
2. Das Modell ist nicht angemessen (dies lässt sich an den daraus resultierenden Problemen mit Residuen erkennen, wie Mark betont). Es gibt Zeiten, in denen das Modell die Ergebnisse nicht sehr gut vorhersagen kann. Warum? Hierhin sollte Ihre Untersuchung führen.
Betreff: Definitives Screening-Design-DOE für eine große Anzahl von FaktorenDas ist eine tolle Entdeckung, Mark! Ich schenke den Haupteffekt-Restdiagrammen nie allzu viel Aufmerksamkeit, jetzt weiß ich, wie man sie verwendet.
Ich habe meine Simulationsdaten validiert und alle diese Ausreißer scheinen real zu sein, sodass ich sie nicht wirklich aus meinem DOE entfernen kann.
Welchen sinnvollen nächsten Schritt empfehlen Sie?
Gibt es einen zuverlässigeren Screening-Ansatz, den Sie mir mitteilen können?
Danke.
Betreff: Definitives Screening-Design-DOE für eine große Anzahl von FaktorenDas Multivariat ist eine großartige Methode, um Ausreißer zu erkennen. Danke für das Teilen!
Ich habe meine Daten mit der Simulation validiert und alle Daten sind real.
Reihe 15 und Reihe 16 : Da l1_tilt_y der dominanteste Faktor im System ist, wird die Kopplungseffizienz von CE1 und CE4 im Vergleich zu den anderen Läufen sehr hoch, wenn l1_tilt_y 0 ist, was für Zeile 15 und Zeile 16 der Fall ist. Deshalb hält JMP sie für Ausreißer.
Zeile 37 ist der Mittelpunkt. Da l1_tilt_y 0 ist, sind CE1 und CE4 wiederum hoch.
Zeile 14 ist ein Sonderfall. Ich habe meine dreifach überprüft Simulation und es macht irgendwie Sinn, daher kann ich diesen Punkt auch nicht ausschließen.
Bedeutet dies, dass DSD für diesen speziellen Fall nicht der richtige Ansatz ist?
Welchen sinnvollen nächsten Schritt empfehlen Sie?
Danke.
Betreff: Definitives Screening-Design-DOE für eine große Anzahl von FaktorenWie Mark festgestellt hat, gibt es einige ungewöhnliche Datenpunkte. Diese können eher auf Lärm als auf Behandlungseffekte zurückzuführen sein.
Betreff: Definitives Screening-Design-DOE für eine große Anzahl von FaktorenSie haben einige ungewöhnliche Beobachtungen für CE1 und CE4. Die Reste sind ungewöhnlich. Hier ist zum Beispiel der Beginn der Diagramme für CE1:
Diese Beobachtungen können einen ungewöhnlich großen Einfluss auf die Schätzungen der Modellparameter haben und daher testet die Hypothese, dass die Schätzungen nicht Null sind.
Betreff: Definitives Screening-Design-DOE für eine große Anzahl von FaktorenLieber Statman,
Vielen Dank, dass Sie Ihre Gedanken geteilt haben.
Ich habe die richtige JMP-Berichtsdatei mit eingebetteter Datentabelle erneut angehängt. Könnten Sie bitte einen Blick darauf werfen?
Wie Sie sehen können, ist die Reaktion von CE1 und CE4 nicht sehr unterschiedlich, aber JMP liefert irgendwie ein anderes Screening-Ergebnis. Das ergibt für mich keinen Sinn.
Was denkst du darüber?
Danke.
Betreff: Definitives Screening-Design-DOE für eine große Anzahl von FaktorenLieber Mark,
Vielen Dank für die prompte Antwort.
Bitte entschuldigen Sie, dass Sie die falsche JMP-Datei angehängt haben.
Ich habe eine JMP-Berichtsdatei mit eingebetteter Datentabelle erneut angehängt.
Ich hoffe, das ist jetzt in Ordnung.
Ich freue mich darauf, Ihre Meinung zu hören.
Beifall.
Betreff: Definitives Screening-Design-DOE für eine große Anzahl von FaktorenMarks Punkte sind gültig. Einige zusätzliche Gedanken: Bevor Sie die Beziehungen zwischen den Faktoren und den Antworten analysieren, schauen Sie sich die Antwortvariablen an. Sind die Werte angemessen? Machen sie Sinn? War die Variation der Antwortvariablen praktisch signifikant? Sehen Sie sich die multivariaten Beziehungen an (Analysieren > Multivariate Methoden > Multivariat). Sind die Beziehungen/Korrelationen sinnvoll? Ich empfehle den Experimentatoren immer, die Daten vorherzusagen, bevor sie das Experiment durchführen, um einen Kontext für die Ergebnisse zu schaffen. Die Fähigkeit, Beziehungen zu bestimmen, kann durch das Ausmaß der in der Studie erfassten Variation beeinflusst werden.
Betreff: Definitives Screening-Design-DOE für eine große Anzahl von FaktorenDie von Ihnen bereitgestellte Datentabelle enthält die Entwurfsspalten, aber keine Antwortdaten. Die Bewertung des Entwurfs ist wie erwartet. Eine Bewertung des Modells ist jedoch nicht möglich.
Ich bin mit diesem Linsendesign nicht vertraut, aber ich stieß oft auf vorgefasste Meinungen darüber, was aus früheren Erfahrungen bekannt war und was nicht. Viele dieser Situationen basierten auf anekdotischen Geschichten, die nicht tatsächlich überprüfbar waren oder mit einem statistischen Ansatz untersucht werden konnten. Deshalb mache ich mir noch keine Sorgen, dass das Ergebnis Sie überrascht hat. Dennoch wollen wir sehen, was wir tun können, um das Problem zu lösen.
