247114_es-ES

liliconcom

Análisis de los resultados de la simulación Opt DOE

Estimado JMPer,

 

Actualmente, estoy bajo análisis de los resultados de una simulación Opt DOE. Sin embargo, no obtengo simulaciones de formularios de resultados consistentes y también llego a diferentes tendencias durante el análisis del perfil del contador. Me pregunto si se podría usar alguna metodología o análisis para comprender qué resultado de simulación es válido.

Aquí está mi proceso de simulación. La matriz DOE está en la Tabla 1

1. Modelo de ajuste (Simulación 1):
   1. Ponga 4 entradas en la Simulación 1 y seleccione el modo de respuesta de superficie en las funciones macro.
   2. Eliminar la opción de interacción del mismo factor, por ejemplo, entrada A * entrada A
   3. Ejecute la simulación con mínimos cuadrados estándar y efecto de apalancamiento.
   4. La Tabla 2 muestra el R cuadrado del resumen del ajuste y la tendencia de salida en función de la entrada A/C (la entrada A/C es un factor clave para el proceso)
2. Ajustar cribado de dos niveles (Simulación 2):
   
   1. Seleccione Salida A para ejecutar la detección de dos niveles.
   2. Utilice factores importantes definidos, como la interacción de los resultados y los resultados individuales.
   3. Ejecute la simulación con mínimos cuadrados estándar y efecto apalancamiento.
   4. La Tabla 2 muestra el R cuadrado del resumen de la tendencia de ajuste y salida en función de la entrada A/C (la entrada A/C es un factor clave para el proceso)

La salida B y la salida C pueden predecir la tendencia en función de una entrada más alta o más baja (debido a la física). Sin embargo, la Salida A es la respuesta importante que me gustaría ver qué simulación mostraría la tendencia. Basado en Rsquare of Summary Of Fit, la Simulación 1 parece mejor que la Simulación 2. Sin embargo, la tendencia de salida de la Simulación 2 es más lógica para mí que la de la Simulación 1. Por lo tanto, me pregunto si alguien podría compartir alguna información para tener un mejor análisis de los resultados de ambas simulaciones. Por favor, tenga la amabilidad de compartir sus entradas. Agradezco mucho su tiempo y ayuda.

 

Gracias,

 

mejores,
Andy

 

 

Tabla 1. matriz DOE

Pierna#	Patrón	Entrada A	Entrada B	Entrada C	Entrada D	Entrada E	Entrada F	Salida A	Salida B	Salida C
1	+−−++−	300	200	100	3	25	1	0,0%	2,463	61
2	−+−+−+	200	400	100	3	15	5	0,0%	3,572	45
3	++−−++	300	400	100	1	25	5	0,0%	3,990	47
4	−−−−−−	200	200	100	1	15	1	0,0%	3,245	31
5	+−−−−+	300	200	100	1	15	5	0,0%	3,017	34
6	−−−+++	200	200	100	3	25	5	0,0%	3,842	76
7	−+−−+−	200	400	100	1	25	1	0,0%	3,431	48
8	+−+−−	300	400	100	3	15	1	0,0%	2,409	51
9	000000	250	300	110	2	20	3	0,0%	3,336	66
10	000000	250	300	110	2	20	3	0,0%	2,564	66
11	−++++−	200	400	120	3	25	1	0,0%	3,289	62
12	−−+−++	200	200	120	1	25	5	0,0%	2,698	53
13	+−++−+	300	200	120	3	15	5	0,0%	3,017	47
14	+++−−−	300	400	120	1	15	1	0,0%	3,460	31
15	−++−−+	200	400	120	1	15	5	2,8%	3,503	28
dieciséis	−−++−−	200	200	120	3	15	1	0,0%	2,835	42
17	+−+−+−	300	200	120	1	25	1	0,0%	2,304	42
18	++++++	300	400	120	3	25	5	0,0%	3,431	69
19	POR	150	300	120	0	0	0	7,1%	3,642	dieciséis
20	POR	150	300	120	0	0	0	8,3%	3,093	15

 

Tabla 2. Resultados de la Simulación 1 y la Simulación 2.

Análisis JMP	Simulación 1	Simulación 1	Simulación 1	Simulación 2	Simulación 2	Simulación 2
Matriz	Salida A	Salida B	Salida C	Salida A	Salida B	Salida C
Entrada A alta	Reducir	reducir	dos tendencias	aumentar	Aumentar	reducir
Entrada A baja	aumentar	aumentar	dos tendencias	reducir	Reducir	Aumentar
Entrada C alta	Aumentar	Aumentar	reducir	reducir	Aumentar	Reducir
Entrada C baja	reducir	reducir	aumentar	aumentar	reducir	aumentar
Resumen de ajuste R Plaza	0,96	0.78	0.84	0,95	0.59	0.85

Re: Análisis de los resultados de la simulación Opt DOE

Un enfoque alternativo al método de construcción de modelos de Mark (comenzando con el primer orden y luego agregando el segundo orden basado en excelentes principios de escasez, jerarquía y herencia) es comenzar con un modelo saturado. Use diagramas de Daniel (normal/mitad de lo normal), diagramas de Pareto (asegurándose de que las estimaciones tengan un significado práctico) y diagramas de Bayes (si le gusta ese tipo de cosas). Elimine los términos insignificantes (considere Rsquare vs. Rsquare deltas ajustados) y vuelva a ejecutar el modelo prestando especial atención a los residuos para asegurarse de que su modelo cumpla con los supuestos habituales.  

 

Una de mis citas favoritas:

"Dos investigadores igualmente competentes ante el mismo problema normalmente comenzarían desde diferentes puntos de partida, procederían por diferentes rutas y, sin embargo, podrían llegar a la misma respuesta. Lo que se busca no es la uniformidad sino la convergencia” (Recuadro, Hunter Hunter "Estadísticas para experimentadores").

Re: Análisis de los resultados de la simulación Opt DOEGracias por la corrección. De nuevo, agradezco tu sugerencia.Re: Análisis de los resultados de la simulación Opt DOE

Tu preguntaste, " Según su experiencia, ¿debería centrarse la simulación en los efectos principales definidos por la detección de dos niveles? "

 

En primer lugar, esto NO es una simulación. Es un análisis de regresión para ajustar un modelo lineal.

 

Hay varias formas comunes de abordar el análisis de un experimento basado en un diseño factorial fraccionado. Puede abordarlo, como dije, utilizando dos etapas en las que primero selecciona los efectos principales, creyendo que se cumplen los principios de jerarquía, y luego, agrega términos de interacción para los factores activos, creyendo que se cumple el principio de herencia. Este enfoque suele ser una forma exitosa de seleccionar el modelo. Este modelo, como todos los demás, debe verificarse con nuevas observaciones empíricas (ejecuciones aumentadas).

 

Tu preguntaste, " ¿Podrías compartirme el guión para s? simulación de plataforma tepwise? "

 

No necesitas un guión. Comience su análisis con Fit Model como de costumbre. Especifique la columna de datos de respuesta en el rol Y. Especifique los términos en el predictor lineal para los Efectos. Pero cambia la personalidad de mínimos cuadrados estándar a paso a paso.

 

Consulte el capítulo JMP > Libros > Ajuste de modelos lineales > Paso a paso.

Re: Análisis de los resultados de la simulación Opt DOE

@Mark_Bailey Muchas gracias por tu detallada explicación. Reconocí las entradas para el diseño de matriz actual.

La matriz DOE está diseñada para factorial fraccional con algunas interacciones de 2 factores y traté de definir factores clave para el proceso.

Una pregunta rápida. Según su experiencia, ¿debería centrarse la simulación en los efectos principales definidos por la detección de dos niveles? Observé que analizaría los efectos definidos y trazaría el perfil de predicción.

 

Además, no he usado la plataforma paso a paso antes. ¿Podrías compartirme el guión para s? simulación de plataforma tepwise?

 

Una vez más, gracias por sus pensamientos y aportes.

 

Gracias,

 

mejores,
Andy

Re: Análisis de los resultados de la simulación Opt DOE

Entonces, ¿diseñaste un experimento para una simulación por computadora? Es decir, ¿los niveles de los factores se usan como valores de parámetros en la simulación por computadora?

 

En cambio, interpreto que tu pregunta se trata de regresión resultados. El diseño factorial fraccionado de dos niveles en 16 corridas con 2 puntos centrales y 2 ad hoc Runs no admite la estimación del modelo cuadrático completo. En este caso, no debe intentar estimar los parámetros para los términos cuadráticos.

 

La plataforma Screening está destinada únicamente a factores de dos niveles. Usaste un diseño de dos niveles pero agregaste un tercer o cuarto nivel con los puntos centrales y ad hoc carreras. Esta plataforma no necesariamente le dará información incorrecta, pero no necesariamente le dará información correcta cuando hay más de dos niveles.

 

Aún así, puede ser útil como herramienta de exploración y como punto de partida para un análisis de regresión completo. Lo usé para encontrar un modelo para la salida A con el predictor lineal que incluye la entrada E, la entrada D, la entrada A y la entrada E*Entrada E. Por lo tanto, detectó una respuesta no lineal, pero atribuirla a la entrada E es arbitrario. Se basa en el principio de herencia y nada más. No se puede establecer con este experimento. El producto B no parece tener ningún efecto fijo de estos factores. La salida C tiene el modelo más complejo. Incluye dos efectos cuadráticos, que es lo máximo que se puede estimar y la elección de qué términos es nuevamente arbitraria. La acción habitual en esta etapa es aumentar el diseño de dos niveles específicamente para estimar todos los términos cuadráticos para una decisión final.

 

Otro enfoque es utilizar la plataforma Stepwise comenzando con todos los términos potenciales (efectos principales e interacciones) que podrían estimarse. Aquí está el generador de perfiles de predicción lanzado con las fórmulas del modelo guardadas para la Salida A y la Salida C usando la regresión por pasos para seleccionar el modelo.

 

 

Otro enfoque es comenzar solo con los efectos principales, eliminar los factores sin importancia, luego agregar y probar las interacciones que involucran los factores importantes. Este enfoque se basa en los principios de jerarquía y herencia.

 

Solo recuerde que hay muchos efectos confundidos y correlacionados usando este diseño.Proporciona información incompleta sobre la respuesta. Por lo tanto, el aumento podría ser el mejor paso a seguir para aclarar los efectos importantes. Independientemente, el modelo final seleccionado aquí o después del aumento debe verificarse empíricamente con nuevas ejecuciones independientes para tratamientos aún no probados.