Combinazioni e vincoli non consentitiCiao,
Nel mio design DOE personalizzato. Se alcune combinazioni sono fattibili, ma in base alla letteratura non sarà altrettanto efficace, dovrei renderla una combinazione non consentita? Avrà un impatto negativo sulla progettazione o sull'analisi se escludo la combinazione?
Cioè. Su sette fattori, si dice che due fattori (livello 0 e 1) funzionino meglio insieme piuttosto che da soli, c'è un impatto negativo nell'escludere le combinazioni di (0,1) e (1,0)?
Supponendo di eseguire abbastanza corse per ottenere una varianza di previsione <1.
Grazie!
DOERe: Combinazioni e vincoli non consentitiPresumo che tutti i fattori siano continui, inclusa la scala. È possibile utilizzare un vincolo lineare per questo caso. Utilizzare una semplice combinazione fattoriale dei fattori. Ad esempio, con solo due fattori coinvolti, definiresti i punti finali, ad esempio (0,1) e (1,0). Quei due punti definiscono una linea, un confine, di cui vuoi rimanere su un lato. È possibile ottenere i coefficienti necessari dall'adattamento di un modello lineare. Estendi questo approccio a tre fattori.
Re: Combinazioni e vincoli non consentitiEcco un altro pensiero su un argomento simile. Diciamo per due diversi fattori, non è fattibile su vasta scala per eseguirli insieme e fattibile solo per eseguirli come (0,1) o (1,0). Tuttavia, è possibile eseguire questi due fattori insieme su piccola scala (1,1). Se costringo il progetto a non consentire (1,1), aumenta la varianza di previsione. Quindi ha senso includere la combinazione (1,1) nel progetto di screening poiché lo eseguirò su piccola scala, giusto?
Re: Combinazioni e vincoli non consentitiHa senso. Grazie!
Re: Combinazioni e vincoli non consentitiTu hai detto, " Se alcune combinazioni sono fattibili, ma in base alla letteratura non sarà altrettanto efficace, dovrei renderla una combinazione non consentita? " Questa domanda dimostra che hai una mentalità da "test", non una mentalità da "sperimentazione". Un test fornisce una risposta. Un esperimento fornisce un modello (molte risposte). Non è una questione di "giusto o sbagliato". Si tratta di essere chiari sul tuo scopo. Entrambe le mentalità potrebbero essere giuste a seconda del tuo obiettivo. Puoi continuare a testare finché non trovi ciò che desideri ("prove ed errori") oppure puoi eseguire un esperimento progettato, adattare un modello e utilizzare il modello per esplorare lo spazio per trovare ciò che desideri.
Si aggiungono vincoli quando alcune condizioni nello spazio di progettazione regolare sono impossibili, pericolose o cambierebbero il fenomeno in esame. In caso contrario, si desidera osservare l'intero spazio di progettazione nel modo più efficiente ed efficace possibile. Perché vuoi stimare i parametri del modello.
Un buon esperimento renderà illecite sia le risposte buone che quelle cattive. In questo modo, hai un modello realistico in grado di prevedere l'intera gamma di risultati.
Tu hai detto, " Su sette fattori, si dice che due fattori (livello 0 e 1) funzionino meglio insieme piuttosto che da soli. " Questa osservazione indica che un effetto di interazione è importante nella risposta. Eliminando le combinazioni di (0,1) e (1,0) renderanno impossibile modellare tale interazione. I dati saranno privi delle informazioni necessarie senza tali combinazioni.
