Diseño de Cribado Definitivo DOE para un gran número de factoresEstimados expertos de JMP,
Estoy haciendo un DOE de diseño de doble lente para acoplar luces en una matriz de fibra. Mi objetivo es observar el rendimiento del sistema teniendo en cuenta tanto las tolerancias de fabricación como el descentramiento y la inclinación de ambas lentes. Tengo 15 factores y 4 respuestas en el DOE. Las 4 respuestas CE1, CE2, CE3 y CE4 corresponden a la eficiencia de acoplamiento de cada fibra en el arreglo de fibras.
Traté de usar el Diseño de Selección Definitivo para hacer la selección inicial debido a su ventaja única en comparación con el diseño factorial fraccionado tradicional.Como puede verse en los datos de simulación, la diferencia entre CE1 y CE4 debería ser insignificante y la diferencia entre CE2 y CE3 debería ser insignificante. Sin embargo, la evaluación DSD me brinda una colección diferente de factores estadísticamente significativos para las cuatro respuestas.
Especialmente para el factor de l1_tilt_y, sabía con certeza que es un factor dominante para la respuesta de CE1 y CE4 y tiene una relación no lineal para ambas respuestas, pero la evaluación DSD ni siquiera puede detectar eso para CE4.
Se adjunta el archivo del informe JMP con la tabla de datos incrustada.
¿Puede por favor compartir conmigo su pensamiento?
Gracias.
Atentamente,
eric
Diseño de experimentosRe: Diseño de evaluación definitiva DOE para una gran cantidad de factoresEliminé mis comentarios sobre estrategias que no son DSD para datos de simulación porque vi que otros habían señalado lo mismo... aunque a menudo ejecuto mis experimentos en un simulador antes de hacerlo en la vida real, ¿quizás eso es lo que estabas haciendo?
Re: Diseño de evaluación definitiva DOE para una gran cantidad de factoresPuede considerar usar 'diseños de relleno de espacio' para recopilar las respuestas de simulaciones por computadora. Además, todo lo que necesita es un interpolador para una predicción rápida, no para evaluar la importancia de los factores. (Puede mirar el código de simulación para ver la importancia y la relación). JMP proporciona la plataforma del proceso gaussiano para modelar datos de simulación por computadora.
Re: Diseño de evaluación definitiva DOE para una gran cantidad de factoresHola @hanyu119 ,
Otros miembros de la comunidad han aportado muchas nociones muy importantes, como cómo manejar el ruido en DoE.
Si está ejecutando un experimento de simulación con efectos no lineales, tal vez un diseño que llene el espacio se adapte a sus necesidades: podrá ajustar muchos modelos diferentes a través de los puntos de construcción y manejar efectos no lineales a través de diferentes técnicas de análisis. (Métodos basados en árboles, redes neuronales, SVM, etc... según el tipo de respuesta). Sin embargo, soy un poco escéptico sobre la cantidad de factores que tiene (15) y la cantidad de experimentos que generará este tipo de diseño con tantos factores (para 15 factores, JMP recomienda por defecto 150 ejecuciones con varios diseños de relleno de espacio) . ¿Quizás el número de ejecuciones no es tan importante para usted, ya que no usa materiales/recursos (es solo un experimento de cálculo/simulación)?
Este cuestionario de JMP sería un buen punto de partida para tener una primera recomendación sobre qué tipo de diseño probar primero: Cuestionario DOE (jmp.com)
Espero que esto te ayude en tu experimento de reflexión y simulación.
Re: Diseño de evaluación definitiva DOE para una gran cantidad de factoresA menos que ejecutar la simulación tome una cantidad significativa de tiempo, también puede ejecutar factoriales completos con tantos niveles como desee. Por supuesto, el problema es el ruido... ¿no está seguro de cómo simula esto? De hecho, no entiendo por qué harías experimentos de simulación. El algoritmo ya se conoce en el software. El orden del modelo ya se conoce.Si las variables (o sus componentes no lineales) no están en el algoritmo, no es posible que afecten la respuesta del algoritmo.
En experimentos del mundo real, construimos modelos en orden jerárquico usando los principios fundamentales o escasez, jerarquía y herencia. Por lo general, comenzaríamos determinando los efectos principales lineales y agregaríamos una jerarquía a medida que el espacio del experimento se acerca a lo que consideramos óptimo. Este trabajo es siempre secuencial e iterativo. No gaste mucho tiempo y dinero aprendiendo sobre factores sin importancia en niveles inferiores a los óptimos. Los diseños de punto central son eficientes para probar la curvatura dentro del espacio del experimento.
Re: Diseño de evaluación definitiva DOE para una gran cantidad de factoresEste experimento se ejecuta completamente por simulación. Es un diseño conceptual. No tengo un producto real para verificar la simulación. Habiendo dicho eso, la simulación debería ser bastante precisa ya que es un diseño muy sencillo.
Claramente, el modelo DSD no es adecuado. ¿Qué sigue?
Digamos que tiene 15 factores para comenzar con un DOE de detección, sabe que la respuesta no es lineal con algunos de los factores. ¿Cómo abordará este problema?
Gracias.
Re: Diseño de evaluación definitiva DOE para una gran cantidad de factoresEstoy confundido por su declaración: " He validado mis datos con la simulación y todos los datos son reales". ¿Cómo es posible validar los datos reales con la simulación? ¿Este experimento se ejecuta completamente por simulación?
Hay dos componentes inusuales claramente diferentes de su situación:
1. Puede haber puntos de datos inusuales para cada tratamiento identificados por el análisis multivariante (es probable que se vean afectados por el ruido). Su DSD no tiene ninguna estrategia para manejar el ruido (bloqueo, repeticiones, parcelas divididas, etc.). Le sugiero que dedique algún tiempo a comprender el ruido.
2. El modelo no es adecuado (esto se identifica por los problemas resultantes con los residuos como señala Mark). Hay momentos en que el modelo no hace un buen trabajo al predecir los resultados. ¿Por qué? Aquí es donde debe dirigirse su investigación.
Re: Diseño de evaluación definitiva DOE para una gran cantidad de factores¡Es un gran descubrimiento, Mark! Nunca presto demasiada atención a los Gráficos de Residuales de Efectos Principales, ahora sé cómo usarlos.
He validado mis datos de simulación y todos esos valores atípicos parecen ser reales, por lo que realmente no puedo eliminarlos de mi DOE.
¿Cuál es el próximo paso sensato que recomiendas?
¿Existe un enfoque de detección más confiable que pueda compartir conmigo?
Gracias.
Re: Diseño de evaluación definitiva DOE para una gran cantidad de factoresEl Multivariante es un gran método para detectar valores atípicos. ¡Gracias por compartir!
He validado mis datos con la simulación y todos los datos son reales.
Fila 15 y Fila 16 : dado que l1_tilt y es el factor más dominante en el sistema, cuando l1_tilt_y es 0, que es el caso de la fila 15 y la fila 16, la eficiencia de acoplamiento de CE1 y CE4 se vuelve muy alta en comparación con las otras ejecuciones. Es por eso que JMP cree que son valores atípicos.
Fila 37 es el punto central. Nuevamente, dado que l1_tilt_y es 0, CE1 y CE4 son altos.
Fila 14 es un caso especial. He comprobado tres veces mi simulación y tiene sentido, así que tampoco puedo eliminar este punto.
Basado en esto, ¿significa que DSD no es el enfoque correcto para usar en este caso específico?
¿Cuál es el próximo paso sensato que recomiendas?
Gracias.
Re: Diseño de evaluación definitiva DOE para una gran cantidad de factoresPor mucho que Mark descubrió, hay algunos puntos de datos inusuales. Estos pueden deberse al ruido más que a los efectos del tratamiento.
Re: Diseño de evaluación definitiva DOE para una gran cantidad de factoresTiene algunas observaciones inusuales para CE1 y CE4. Los residuos son inusuales. Por ejemplo, aquí está el comienzo de las parcelas para CE1:
Estas observaciones pueden tener una influencia inusualmente alta en las estimaciones de los parámetros del modelo y, por lo tanto, la hipótesis prueba que las estimaciones no son cero.
Re: Diseño de evaluación definitiva DOE para una gran cantidad de factoresEstimado Statman,
Muchas gracias por compartir tu pensamiento.
He vuelto a adjuntar el archivo de informe JMP correcto con la tabla de datos incrustada. ¿Puede por favor echar un vistazo?
Como puede ver, la respuesta de CE1 y CE4 no es muy diferente, pero JMP de alguna manera da un resultado de detección diferente. Esto no tiene sentido para mí.
¿Cuál es tu pensamiento sobre esto?
Gracias.
Re: Diseño de evaluación definitiva DOE para una gran cantidad de factoresQuerida marca,
Muchas gracias por la pronta respuesta.
Discúlpese por adjuntar el archivo JMP incorrecto.
He vuelto a adjuntar un archivo de informe JMP con la tabla de datos incrustada.
Espero que esté bien ahora.
Mire adelante a oír su pensamiento.
Salud.
Re: Diseño de evaluación definitiva DOE para una gran cantidad de factoresLos puntos de Mark son válidos. Algunas ideas adicionales: antes de analizar las relaciones entre los factores y las respuestas, observe las variables de respuesta. ¿Son razonables los valores? ¿Tienen sentido? ¿La variación en las variables de respuesta fue prácticamente significativa? Mire las relaciones multivariantes (Analizar>Métodos multivariantes>Multivariante). ¿Tienen sentido las relaciones/correlaciones? Siempre recomiendo que los experimentadores predigan los datos antes de ejecutar el experimento para establecer el contexto de los resultados. La capacidad de determinar las relaciones puede verse afectada por la cantidad de variación capturada en el estudio.
Re: Diseño de evaluación definitiva DOE para una gran cantidad de factoresLa tabla de datos que proporcionó contiene las columnas de diseño pero no los datos de respuesta. La evaluación del diseño es la esperada. Sin embargo, la evaluación del modelo no es posible.
No estoy familiarizado con este diseño de lente, pero a menudo me encontré con ideas preconcebidas sobre lo que sabía o no de la experiencia previa. Muchas de estas situaciones se basaron en historias anecdóticas que en realidad no eran comprobables ni examinadas con un enfoque estadístico. Así que todavía no me preocupa que el resultado te sorprenda. Aún así, veamos qué podemos hacer para solucionarlo.
