Combinaciones y restricciones no permitidasHola,
En mi diseño DOE personalizado. Si algunas combinaciones son factibles, pero con base en la literatura no serán tan efectivas, ¿debería convertirla en una combinación no permitida? ¿Tendrá algún impacto negativo en el diseño o análisis si excluyo la combinación?
Es decir. De siete factores, se dice que dos factores (nivel 0 y 1) funcionan mejor juntos que solos, ¿hay un impacto negativo en excluir las combinaciones de (0,1) y (1,0)?
Suponiendo que hago suficientes ejecuciones para obtener una varianza de predicción <1.
¡Gracias!
GAMARe: Combinaciones y restricciones no permitidasSupongo que todos los factores son continuos, incluida la escala. Puede utilizar una restricción lineal para este caso. Utilice una combinación factorial simple de los factores. Por ejemplo, con solo dos factores involucrados, definiría los puntos finales, por ejemplo, (0,1) y (1,0). Esos dos puntos definen una línea, un límite, del cual desea permanecer en un lado. Puede obtener los coeficientes que necesita ajustando un modelo lineal. Amplíe este enfoque a tres factores.
Re: Combinaciones y restricciones no permitidasAquí hay otro pensamiento sobre un tema similar. Digamos que para dos factores diferentes, no es factible ejecutarlos juntos a escala completa y solo es factible ejecutarlos como (0,1) o (1,0). Sin embargo, es factible realizar esos dos factores juntos a pequeña escala (1,1). Si restrinjo el diseño para que no permita (1,1), aumenta la varianza de predicción. Por lo tanto, tiene sentido incluir la combinación (1,1) en el diseño de detección ya que lo realizaré a pequeña escala, ¿correcto?
Re: Combinaciones y restricciones no permitidasEso tiene sentido. ¡Gracias!
Re: Combinaciones y restricciones no permitidasUsted dijo, " Si algunas combinaciones son factibles, pero con base en la literatura no serán tan efectivas, ¿debería convertirla en una combinación no permitida? " Esa pregunta demuestra que usted tiene una mentalidad de 'prueba', no una mentalidad de 'experimentación'. Una prueba proporciona una respuesta. Un experimento proporciona un modelo (muchas respuestas). No es una cuestión de 'correcto o incorrecto'. Es cuestión de tener claro cuál es tu propósito. Cualquiera de las dos mentalidades puede ser la correcta dependiendo de tu objetivo. Puede seguir probando hasta que encuentre lo que desea ("ensayo y error"), o puede ejecutar un experimento diseñado, ajustar un modelo y utilizar el modelo para explorar el espacio y encontrar lo que desea.
Agrega restricciones cuando algunas condiciones en el espacio de diseño regular son imposibles, peligrosas o cambiarían el fenómeno en estudio. De lo contrario, desea observar todo el espacio de diseño de la manera más eficiente y efectiva posible. Porque desea estimar los parámetros del modelo.
Un buen experimento generará respuestas buenas y malas. De esa manera, tiene un modelo realista que puede predecir toda la gama de resultados.
Usted dijo, " De los siete factores, se dice que dos factores (nivel 0 y 1) funcionan mejor juntos que solos. " Esta observación indica que un efecto de interacción es importante en la respuesta. eliminando las combinaciones de (0,1) y (1,0) harán imposible modelar esa interacción. Los datos estarán desprovistos de la información necesaria sin esas combinaciones.
