DOE: Un approccio "Top-Down" convergerebbe sull'analisi fattoriale più convenzionale "Bottoms-Up"?Sono un relativamente nuovo arrivato nell'uso di DOE in R&S: ero uno scettico di lunga data, ma recentemente sono arrivato a vedere l'ENORME potenza che offre e ho abbracciato JMP come il mio strumento preferito. Nel processo di apprendimento come applicare le metodologie DOE, sono arrivato a pensare alla sua implementazione preferita come a una sorta di approccio "dal basso verso l'alto": iniziamo identificando TUTTI i fattori che potrebbero contribuire a un risultato misurato, quindi creiamo un design che ci permette di schermare l'impatto di ogni fattore, individuando quelli più critici. Possiamo generare un modello per rappresentare il sistema di interesse, eliminando da quel modello fattori che non contribuiscono in modo significativo, quindi perfezionando il nostro modello con quei driver. Mi sembra che occasionalmente potremmo scoprire che il nostro modello ANCORA non rappresenta bene le nostre osservazioni - e forse abbiamo trascurato un fattore o due. Possiamo rimediare aumentando il nostro modello. Per un sistema complesso con un insieme di fattori, questo approccio convenzionale crea una grande matrice di test. So di poter ridurre le dimensioni di quella matrice facendo uso di fattoriali frazionari e di design personalizzati/ottimali. Per un cliente scettico E un sistema complesso, questo rappresenta comunque una vendita difficile. Ma: c'è qualcosa di necessariamente MALE nell'iniziare con un approccio "top-down"? Potremmo usare la nostra conoscenza dell'argomento per identificare alcuni fattori che riteniamo essere i driver delle prestazioni, e con essi una matrice di test e quindi un modello statistico dei dati osservati? Se questo porta a un buon adattamento dei dati osservati, allora GRANDE. Ma se questo modello non riesce ad affrontare adeguatamente le osservazioni, allora potremmo sfruttare questa evidente lacuna nel modello per migliorarlo incorporando fattori aggiuntivi (alcuni di quel grosso fascio che avevamo scelto di mettere da parte all'inizio...) e più test? La matematica degli approcci "top-down" e "bottom-up" non tenderebbe a convergere sullo stesso modello? O la mia nozione di approccio "top-down" è davvero solo una variazione su un design personalizzato?
DOERe: DOE: Un approccio "Top-Down" convergerebbe sull'analisi fattoriale più convenzionale "Bottoms-Up"?Ci sono molte ragioni per la mancanza di adattamento, incluso il tuo suggerimento. Non affronterò questa parte della tua discussione ora.
Il DOE è generalmente considerato parte di un programma o di un'iniziativa di qualità più ampia. Il progetto segue il lavoro precedente per identificare i fattori e le risposte rilevanti. Questo risultato potrebbe derivare dall'utilizzo degli strumenti Seven Quality, ad esempio. Potrebbe provenire da un progetto Six Sigma o Quality by Design. La competenza in materia è sempre essenziale, anche se ho spesso riscontrato commenti soffocanti come "Ma lo sappiamo..." basati su esperienze aneddotiche, non su dati scientifici. (Se sappiamo già così tanto, perché non possiamo spiegare cosa sta succedendo o sapere cosa fare al riguardo?) Molti strumenti correlati implicano la raccolta di molte idee e quindi l'organizzazione e la definizione delle priorità per lo studio.
Re: DOE: Un approccio "Top-Down" convergerebbe sull'analisi fattoriale più convenzionale "Bottoms-Up"?Non c'è davvero niente di sbagliato nell'approccio "top-down" come lo hai chiamato. Tuttavia, pensa allo scenario peggiore. Controlli alcuni fattori per il progetto, quindi determini che non si adatta ai dati. Oh, dobbiamo aggiungere più fattori. Ma dove sono stati impostati questi fattori durante la prima serie di corse? Stavano cambiando? A seconda delle risposte a queste domande, potrebbe essere necessario ricominciare da capo. Anche se registrati, devi preoccuparti che le corse sperimentali non siano state randomizzate in quel momento.
Come suggerisce Mark, la maggior parte degli altri approcci prevede l'identificazione dei fattori che si desidera modificare, ma anche dei fattori che POSSONO influenzare il design che non si desidera modificare. Quel gruppo che si trova nel gruppo MAY deve essere contabilizzato in qualche modo (mantenuto costante, diventare variabili di blocco, ecc.).
Re: DOE: Un approccio "Top-Down" convergerebbe sull'analisi fattoriale più convenzionale "Bottoms-Up"?Ecco i miei pensieri:
Ci sono due ragioni fondamentali per cui "ottimizziamo continuamente":
1. Non iniziamo mai con tutto. I fattori che studiamo sono sempre un piccolo sottoinsieme di tutti i fattori. Vengono prese decisioni su cosa includere (o meno) negli studi iniziali. Questo è il più delle volte una funzione di intuizione, istinto, esperienza, collaborazione. È interessante notare che i ricercatori elimineranno i fattori dallo studio senza dati. Cosa succede a questi fattori negli studi successivi?
2. Vengono continuamente inventate applicazioni nuove o alternative di materiali/tecnologie.
Penso che la tua proposta manchi di alcuni importanti elementi di indagine che non sono necessariamente correlati al DOE, ma migliorano notevolmente l'uso della sperimentazione. Ad esempio, campionamento diretto per capire quali componenti della variazione (insiemi di x) hanno la maggiore leva, fornire una valutazione della stabilità e valutare l'incertezza di misura. L'iterazione è la chiave per sviluppare una comprensione approfondita (cicli di induzione-deduzione). Credo anche che gli investigatori tipici non includano rumore nelle loro strategie sperimentali sufficientemente per valutare se il modello avrà "prestazioni" coerenti su ulteriori condizioni. C'è un'enorme propensione allo sviluppo di strategie ottimali per i fattori di progettazione e molto poco per le strategie relative al rumore.
Re: DOE: Un approccio "Top-Down" convergerebbe sull'analisi fattoriale più convenzionale "Bottoms-Up"?Grazie @STATISTICA - e @Dan_Obermiller e @Mark_Bailey – per il feedback. I tuoi commenti sono molto utili.
@statman , "Non iniziamo mai con tutto" è un ottimo punto per la mia calibrazione mentale. E i tuoi commenti su: il rumore è perfetto. Il mio caso di interesse arriva in ritardo in un progetto di sviluppo in cui dobbiamo ancora condurre una chiara esplorazione sistematica di quei fattori che esercitano la maggiore influenza. Allo stesso tempo stiamo cercando di definire/comprendere la banda di prestazioni nominale e il rumore in essa contenuto.
@Dan_Obermiller , mi dai qualche idea su come rendere conto di quegli "altri" fattori - il gruppo "MAGGIO". Ero a disagio con "l'ignoranza attiva", mentre posso vedere un mezzo per identificare e documentare quelle impostazioni dei fattori, anche se non le esploriamo esplicitamente nella matrice di test.
E @Mark_Bailey , " Se sappiamo già così tanto, perché non riusciamo a spiegarci…” colpì fin troppo nel segno. Come ho detto sopra, sto cercando di inserire alcuni test più sistematici in un punto che è in ritardo e probabilmente "troppo tardi" nel gioco. A mio avviso, la mia migliore opportunità per farlo richiede un insieme molto ristretto di fattori, mettendo intenzionalmente da parte molti altri nell'interesse di chiarire l'impatto di ciò che la nostra PMI collettiva ci dice essere probabilmente fattori di leva elevata.
Grazie a tutti, ancora.
Ri: DOE: Un approccio "Top-Down" convergerebbe sull'analisi fattoriale più convenzionale "Bottoms-Up"?Potremmo fare molti commenti per aiutarti, ma voglio farne un altro ora. Vedo spesso che i design variano in base a un intervallo molto ristretto. Come mai? Perché sappiamo o pensiamo che troveremo 'la risposta' in questo quartiere. Ancora una volta, non ci sono molte prove dietro una tale decisione. È anche un esempio di mentalità "scegli il vincitore". Se ottieni quello che vuoi, hai finito. Non sai, però, se questo è il meglio che avresti potuto ottenere se avessi esplorato una regione più ampia per tutti i tuoi fattori. Gli intervalli ristretti ostacolano anche il potere del design di rilevare gli effetti reali. È possibile migliorare la potenza aumentando il numero di corse o ampliando l'intervallo del fattore.
Inoltre, DOE non riguarda la scelta del vincitore. Si tratta di curare un modello . Lo scopo di un progetto è essenziale per stimare e testare i parametri nel modello. Periodo. Tutto il resto è roba "scegli il vincitore". Vuoi che i tuoi modelli abbiano una lunga durata. Dovrebbero essere in grado di rappresentare la tua realtà abbastanza bene da essere d'aiuto, quindi prenditi cura di loro.
Re: DOE: Un approccio "Top-Down" convergerebbe sull'analisi fattoriale più convenzionale "Bottoms-Up"?Certamente ho un po' di colpa nel pensare "scegli il vincitore", ed è una critica che terrò a mente andando avanti. Il tuo commento sulla "cura del modello" si avvicina all'ideale che cerco e fa appello al potere che vedo nella capacità del disegno sperimentale di perfezionare in modo iterativo un modello matematico che descrive i risultati osservati. Inoltre, la tua argomentazione per esplorare un'ampia gamma di fattori ricade su orecchie ricettive: penso che non sappiamo veramente come specificare un progetto di sistema finché non abbiamo spinto quel progetto a un punto di rottura. Per il mio attuale sistema di interesse, penso che il prossimo pezzo di dati più prezioso sia a fallimento nelle prestazioni iniziali: tutto ciò che gli lanciamo sembra funzionare bene (all'inizio...).
Vedo dei difetti nella mia idea di sviluppare un modello "top down", ma vedo un approccio "dal basso verso l'alto" come un dispendio di tempo troppo lungo nel gioco. Un approccio "dall'alto verso il basso" potrebbe semplicemente aiutarci a generare un modello sufficientemente buono da favorire la discussione su come potremmo migliorare in modo iterativo quel modello e controllare meglio il nostro sistema, incorporando quegli altri - inclusi alcuni "MAGGIO" -fattori che abbiamo intenzionalmente messo da parte. C'è così tanto che non sappiamo, ma almeno abbiamo un sistema che ci incoraggia a fare QUALCOSA di giusto.
Grazie.
Re: DOE: Un approccio "Top-Down" convergerebbe sull'analisi fattoriale più convenzionale "Bottoms-Up"?Giusto per aggiungere un ulteriore pensiero... una delle mie citazioni preferite si applica a molte situazioni:
"Tutti i modelli sono sbagliati, alcuni sono utili" GEP Scatola
In realtà l'approccio che prendi dipende dalla situazione. Ci sono "indizi" che cerchiamo per aiutarci a capire la situazione e quindi a prendere decisioni razionali e logiche su come procedere. È improbabile che qualcuno progetterà mai l'esperimento perfetto poiché la maggior parte della sperimentazione contiene un elemento dell'ignoto. Quindi il mio consiglio è di progettare più esperimenti (o piani di campionamento), prevedere le potenziali conoscenze da acquisire per ciascun piano (ad esempio, quali effetti possono essere stimati, cosa è confuso, cosa è limitato) e soppesare questa conoscenza rispetto ai vincoli imposti ( es. risorse, tempo). Alla fine tutto ciò che puoi fare è la due diligence e quindi ottenere i dati. Preparati a ripetere (in effetti, prevedi TUTTI i possibili risultati e cosa farai con queste informazioni).
