Cómo interpretar correctamente un diseño de cribado definitivo (DSD)Estoy utilizando JMP 14.3 para optimizar un flujo de trabajo con 6 variables de entrada y 3 niveles (se adjunta el archivo con la tabla de datos). Mi idea es usar JMP para obtener la mejor combinación de las 6 variables que me dé el mejor resultado de salida pero realizando la menor cantidad de experimentos.
Me parece que la mejor opción es hacer un diseño de cribado definitivo para ver los efectos principales. He definido mi tabla de factores con los valores extremos (mínimo y máximo de cada variable) y he creado la tabla de experimentos a realizar. La tabla generada propone 17 experimentos.
Durante varias semanas he realizado los 17 experimentos y he añadido los resultados (Y) en la tabla adjunta. Con estos datos he ajustado el cribado y he obtenido que 4 de las variables son estadísticamente significativas. He seleccionado en el perfilador de predicción: Optimización y Deseabilidad > Maximizar Deseabilidad, para obtener la combinación de factores más óptima.
En este punto tengo varias preguntas:
1. ¿Qué valores/niveles debo elegir para los valores no significativos?. ¿Podría elegir alguno de ellos?.
2. Me gustaría crear un modelo para predecir o estimar la salida (Y) en función de los valores seleccionados de los factores. ¿Cómo podría hacer esto?. ¿Puedo simular un mayor número de valores?.
3. ¿Puedo obtener una ecuación (o fórmula del modelo)?.
Muchísimas gracias.
Saludos,
Wardiam
GAMARe: Cómo interpretar correctamente un diseño de cribado definitivo (DSD)Muchas gracias por tus comentarios statman 
Wardiam
Re: Cómo interpretar correctamente un diseño de cribado definitivo (DSD)Algunos comentarios:
1. Primero, permítame señalar que existe una diferencia entre la significancia estadística (que usted controla por la forma en que ejecuta el experimento y el modelo que usa) y la significancia práctica. Sin saber cuánto de un cambio en Y es de importancia práctica, el análisis será subóptimo.
2. Con respecto a los factores que se determinan como estadísticamente insignificantes, puede interpretar esto como Dados los niveles que probaste en , esos factores no tienen la influencia de los otros factores en el modelo. Si puede inferir o extrapolar esos hallazgos es más una cuestión de ingeniería/científica que estadística.
3. Utilice siempre Rsquare Adj como valor predeterminado. RSquares siempre aumentará con la adición de grados de libertad al modelo, pero el objetivo es determinar RSquare con términos que se consideren significativos. Eso es lo que representa RSquare Adj. Si hay diferencias entre RSquare y RSquare Adj, es una indicación de un modelo sobreespecificado. Ah, y por cierto, esto no tiene nada que ver con si el modelo será útil en el futuro o bajo un espacio de inferencia diferente.
4. Al elegir el "mejor" modelo, se deben tener en cuenta una serie de consideraciones. RSquare, RMSE, Residuales, Evaluación práctica, etc.
5. Ejecutar réplicas es una excelente técnica para probar la idoneidad del modelo. El uso del método de bloqueo puede ser muy útil para explorar el efecto del "ruido" y, en algunos casos, para determinar si los efectos estimados en la primera réplica (Bloqueo = -1) se repiten en diferentes condiciones de ruido (Bloqueo = 1). Este es uno de los propósitos previstos, para ver si los efectos de los factores son robustos al ruido. En mi humilde opinión, el bloqueo debe estar bien pensado antes de la experimentación, pero es posible que pueda recuperar información útil como un intento posterior.
6. Parece que podrías haber ejecutado una Res. III factorial fraccionado con factores a 2 niveles en 8 tratamientos (vs el DSD) y obtuve los mismos resultados. Podría haber guardado ejecuciones y utilizarlas para réplicas adicionales... la retrospectiva siempre es 20-20
Re: Cómo interpretar correctamente un diseño de cribado definitivo (DSD)Estimados Mark y statman,
Muchas gracias por sus respuestas. He revisado cuidadosamente toda la ayuda disponible en su enlace DSD y ya he entendido mejor muchas de las preguntas que tenía.
Todavía hay algunas preguntas que me gustaría discutir con usted y ver si me las puede aclarar.
Después de hacer el DSD y ejecutar el modelo, solo considere 4 de los 6 factores como significativos ("activos"). Sé que los efectos de los otros dos factores no son relevantes (voltaje y temperatura) pero en mi protocolo experimental tienen que ser esos 2 factores porque son elementos necesarios (lo que no sabía era su nivel óptimo). Siguiendo el resumen de los efectos principales, podría considerar cualquiera de los niveles introducidos para esos factores porque no afectaría la salida, ¿es correcto?
Basado en la plataforma de ajuste, he obtenido un RSq = 0.94 pero cuando guardo los valores pronosticados en una nueva columna, veo que algunos están lejos de los valores observados. ¿Cómo podría encajar mejor el modelo?. ¿Debo utilizar más carreras?.
Tenía pensado hacer una réplica de las corridas propuestas en la tabla generada, en este caso debo activar la opción de bloqueo en el diseño?. Si es así, ¿debería agregar un factor categórico que se refiera a cada réplica?.
Finalmente, ya he visto que al usar la plataforma de detección definitiva de ajuste obtengo una fórmula del modelo que es lo que quería y puedo agregar a la tabla una columna con los valores predichos. Eso es genial.
Muchas gracias por tu ayuda y perdóname por hacer estas preguntas de novato.
Wardiam
Re: Cómo interpretar correctamente un diseño de cribado definitivo (DSD)Mark ya te ha dado la dirección adecuada. Solo quiero comentar tu objetivo: " Creo que mi estudio es una situación de cribado ya que tengo múltiples variables para probar y busco la combinación óptima de todas esas variables para obtenga la mejor salida . Este es el principal objetivo ."
Esta no es la intención de un diseño de cribado. Para reiterar los comentarios de Mark, el propósito de un diseño de detección es determinar qué subconjunto del conjunto completo es digno de mayor investigación . Esta no es una prueba en la que está tratando de "elegir al ganador", sino un experimento para proporcionar información sobre las relaciones causales entre las variables predictoras y las variables de respuesta. La iteración casi siempre es necesaria. Continuar.
Re: Cómo interpretar correctamente un diseño de cribado definitivo (DSD)Uno de los principios de detección más importantes es la escasez de efectos. Significa que espera eliminar al menos la mitad de los factores a través de la detección. Los diseños de cribado son económicos gracias a este principio. No proporcionan los datos necesarios para ajustar el modelo con todos los términos.
Ya expliqué el proceso de selección y explotación del modelo. Especifique qué paso no está claro.
¿Has visto la documentación de DSD? Comienza aquí .
Re: Cómo interpretar correctamente un diseño de cribado definitivo (DSD)Querida marca,
gracias por responder. De hecho, creo que mi estudio es una situación de detección ya que tengo múltiples variables para probar y busco la combinación óptima de todas esas variables para obtenga la mejor salida . Este es el principal objetivo .
Pero a la vez aprovechaba mi pregunta en el foro para saber si algún análisis adicional de los mismos datos me permitiría obtener un patrón o una fórmula que pudiera predecir en el futuro si cambio los valores de las variables qué sería el resultado esperado sin realizar el experimento. Esta segunda cuestión es más curiosa y sería secundaria.
¿Usted me podría ayudar por favor?.
Gracias por tu ayuda.
Wardiam
Re: Cómo interpretar correctamente un diseño de cribado definitivo (DSD)Además, no especificó si su situación es un estudio de detección. El DSD, como cualquier diseño de detección, asume los principios clave de detección.
Re: Cómo interpretar correctamente un diseño de cribado definitivo (DSD)¿Vio el comando Ajustar detección definitiva en el menú del DOE? Esta plataforma realiza un análisis totalmente automatizado y selecciona el mejor modelo para usted. A continuación, puede saltar a la plataforma Ajustar mínimos cuadrados haciendo clic en el botón Crear modelo o Ejecutar modelo. Puede utilizar Prediction Profiler para explorar la respuesta u optimizarla. Puede guardar el modelo ajustado como una nueva fórmula de columna.
¿Leyó la guía JMP > Ayuda > Documentación > Ajuste de modelos lineales?
