Daher muss ich bestimmte Kombinationen aufgrund der Leistungsfähigkeit der Ausrüstung verbieten, ABER es verringert die Vorhersagevarianz und -stärke erheblich. Gibt es eine Möglichkeit, das zu umgehen? Und wenn das nicht möglich ist, wie kann ich dann den Ergebnissen vertrauen, wenn die Aussagekraft niedrig und die Vorhersagevarianz hoch ist?
Danke euch beiden! Das Design, das ich gewählt habe, ist nur ein benutzerdefiniertes DOE mit allen Interaktionen, außer dass ich die 4 Läufe entfernt habe, die nicht möglich waren, und 2 Mittelpunkte hinzugefügt habe. Wo ich nicht weiterkomme, ist die Frage, welche Parameter zusätzliche Läufe durchführen müssen, um die Vorhersagevarianz zu verringern, wenn ich bei diesen Parameterextremen nicht testen kann.
Die Begrenzung des Faktorexplorationsraums wird immer auf Kosten der Macht gehen. Die Möglichkeit, dies zu umgehen, besteht darin, dem DOE weitere Läufe hinzuzufügen.
Hallo @evtran ,
Wenn wir Ihre Frage lesen und uns den Prognose-Varianz-Profiler ansehen, können wir tatsächlich erkennen, dass Ihr Design nicht völlig ausgewogen ist, da die vorhergesagte relative Varianz auf den unteren Ebenen Ihrer Faktoren (Schaukeltemperatur, Schaukelgeschwindigkeit) kleiner zu sein scheint als die auf den oberen Ebenen Ihrer Faktoren, sodass wir einige Einschränkungen erkennen können. Es kann ziemlich schwierig sein, Ihnen zu helfen, ohne sich das Design selbst anzusehen. Hier sind jedoch einige allgemeine Anmerkungen und Ratschläge für Ihre Fragen im Zusammenhang mit der Trennschärfe und der Vorhersagevarianz:
- Die Leistung ist aussagekräftig, wenn Sie die relative Größe des Signals kennen, das Sie erkennen möchten, und gute Schätzungen des experimentellen und Antwortmessrauschens (RMSE) haben (siehe Antwort von @Phil_Kay Hier : Gelöst: Sollte ich eine Leistungsanalyse in DOE in Betracht ziehen? - JMP-Benutzergemeinschaft ),
- Abhängig von Ihrem Ziel (und Ihrem Design) interessiert Sie möglicherweise nicht die Bedeutung von Begriffen, sondern mehr die Vorhersagegenauigkeit. In diesem Fall sollten Sie verschiedene vorhergesagte relative Varianzen (und Anteile des Designraumdiagramms) für verschiedene Designs betrachten und vergleichen, um dasjenige auszuwählen, das diese relative vorhergesagte Varianz am besten minimiert.
- Es ist möglicherweise nicht sehr hilfreich, die Trennschärfe und/oder die relative Vorhersagevarianz zu betrachten, ohne sie mit anderen Designs zu vergleichen. Möglicherweise können Sie versuchen, mehrere Designs mit mehreren Modellen und Optimalitätskriterium zu erstellen.
- Optimalitätskriterium: Wenn Sie signifikante Effekte hervorheben möchten, kann ein D-optimales (oder A-optimales) Design geeignet sein. Wenn Sie sich nur um die Reaktionsvorhersage kümmern, ist möglicherweise ein I-optimales Design besser für Ihre Anforderungen geeignet.
- Mehrere Modelle: Wenn Sie Ihr Modell entwerfen, können Sie versuchen, die Begriffe im Modell zu ändern. Beispielsweise könnten Sie möglicherweise nur Haupteffekte überprüfen, wenn Sie sich am Anfang Ihrer Studie befinden (und Ihren Entwurf später erweitern, um Wechselwirkungen und möglicherweise quadratische Effekte zu untersuchen?). Oder Sie könnten Interaktionsterme in das Modell eingeben (und quadratische Effekte?) und die Schätzbarkeit auf „Wenn möglich“ ändern, um sich auf die Haupteffekte zu konzentrieren, aber trotzdem die anderen Effekte eingeben zu können, wenn Sie in Ihrer Analyse über genügend Freiheitsgrade verfügen .
- Stichprobengröße: Ich weiß nicht, wie viele Läufe hier in Ihrem konkreten Fall berücksichtigt werden, aber Wenn die experimentellen Kosten nicht zu hoch sind, kann eine Erhöhung der Stichprobengröße Ihnen dabei helfen, mehr Vertrauen in Ihre Screening-Fähigkeiten zu gewinnen (und die Aussagekraft zu erhöhen und die relative Vorhersagevarianz zu verringern).
Um dem Ergebnis „vertrauen“ zu können, können Sie die festgestellten signifikanten Auswirkungen mit Ihrem Fachwissen vergleichen: Ist es sinnvoll? Sie können auch einige zusätzliche Läufe (Validierungsläufe) vorbereiten, mit denen Sie Vorhersagen mit tatsächlichen Messungen vergleichen (um zu überprüfen, ob die Genauigkeit Ihrer Vorhersagen für Ihre Anforderungen akzeptabel ist).
Manchmal haben Sie keine andere Wahl, als ein Design auszuprobieren, denn basierend auf dem Budget des Experiments, Ihren Zielen und Designbeschränkungen kann kein anderes Design besser sein als das, das Sie haben.
Der einzige Weg, um sicherzustellen, dass das Design Ihren Anforderungen und Ihrer spezifischen Situation „ausreicht“, besteht darin, die Experimente durchzuführen und zu versuchen, die Ergebnisse zu analysieren. Sollten dennoch Schwierigkeiten auftreten, haben Sie immer noch die Möglichkeit, Ihr Design zu erweitern.
Ich hoffe, dass diese Antwort Ihnen hilft,
