Passen Sie das Response Surface-Modell an, indem Sie eine andere Zahl als die untere/mittlere/obere Ebene auswählen.Hallo zusammen,
Ich habe ein erstes DSD ausgeführt und versuche nun, Custom Design mit einem Interaktionsbegriff nachzuahmen, der RSM nachahmt.
Ich habe den Bereich der Unter- und Obergrenze jedes Faktors festgelegt, es sei denn, es handelt sich um „feste Faktoren“, wie Sie unten sehen können, und habe einige Interaktionsterme hinzugefügt.
Dann habe ich das Design ohne Mittelpunkte/Replikationen mit I-Optimalität erstellt, wodurch standardmäßig 15 Behandlungen erstellt wurden.
Die meisten der auf den einzelnen Faktorstufen generierten Werte werden erwartet. Ich sehe jedoch zwei Ebenen, die weder die Ober-/Untergrenze noch den Mittelwert des dritten Faktors (F3) darstellen. Unten sehen Sie die nicht ganzzahligen Werte (16,05 und 14,05).
Weiß jemand, warum ich diese Zahlen bekomme? Was ist der theoretische Grund dafür und gibt es überhaupt eine Möglichkeit, ihn zu einem ganzzahligen Wert zu machen, der entweder am oberen/unteren Ende oder am Mittelpunkt liegt?
VersuchsplanungBetreff: Passen Sie das Response Surface-Modell an, indem Sie eine andere seltsame Zahl als die untere/mittlere/obere Ebene auswählen.Danke für die Klarstellung.
Möglicherweise verwenden Sie eine Funktion des Prediction Profiler für ein robustes Prozessdesign, die bei Verwendung innerhalb einer Anpassungsplattform nicht verfügbar ist. Speichern Sie das Modell als Spaltenformel. Wählen Diagramm > Profiler . Weisen Sie der Rolle „Noise Factor“ schwer kontrollierbare Faktoren zu. Der Profiler maximiert gleichzeitig die Erwünschtheit der Antworten und minimiert die erste Ableitung der Antworten.
Betreff: Passen Sie das Response Surface-Modell an, indem Sie eine andere seltsame Zahl als die untere/mittlere/obere Ebene auswählen.@Mark_Bailey
Ich glaube, ich habe nicht klargestellt, warum ich diese beiden in den Modellen behalten wollte.
Sie reagieren unempfindlich auf Veränderungen in der Region, „in der die Reaktionen optimiert zu sein scheinen“. Sie können also zur Optimierung der Antworten weggelassen werden.
Sie haben jedoch erhebliche Auswirkungen auf die Antworten, „wenn die Antworten nicht optimiert sind“. Im Hinblick auf den Modellbauzweck (auch Augment Design genannt) möchte ich diese Faktoren einbeziehen.
Ich bin mir ziemlich sicher, dass ich ohne Augment Design optimale und robuste Bedingungen finden kann, bei denen die Reaktionen optimiert werden. Nach einer Diskussion mit Experten wie Ihnen habe ich mich jedoch entschieden, einen Schritt zurückzutreten und zu versuchen, das Modell mithilfe von Augment Design besser zu verstehen. Vielen Dank für all Ihre Hilfe und Unterstützung!
Betreff: Passen Sie das Response Surface-Modell an, indem Sie eine andere seltsame Zahl als die untere/mittlere/obere Ebene auswählen.Warum sollten diese beiden Faktoren im Modell und im neuen Design beibehalten werden? Sie können beim Erhöhen auch Faktoren weglassen, wenn das Screening feststellt, dass sie zu den „trivial vielen“ und nicht zu den „wenigen lebenswichtigen“ gehören.
Einige Kennzeichen von DOE sind Effizienz, Wirtschaftlichkeit und schnelles Lernen. Das Ergebnis ist ein Modell, das hoffentlich eine lange und produktive Lebensdauer für Sie hat. Die Investition lohnt sich. @statman hat die Notwendigkeit und den Nutzen der Iteration im Lernprozess betont. Also prüfen, erweitern, optimieren und überprüfen. Sie haben jedoch Recht, dass dieser alltägliche Arbeitsablauf je nach Situation unzählige Variationen aufweist.
Stellen Sie weiterhin Fragen.
Betreff: Passen Sie das Response Surface-Modell an, indem Sie eine andere seltsame Zahl als die untere/mittlere/obere Ebene auswählen.Hallo @statman Und @Mark_Bailey
Vielen Dank für die aufschlussreiche Philosophie und praktische Hilfe zu RSM oder DOE im Allgemeinen.
Ich sollte sagen, dass mein erster DSD-Durchlauf ein ziemlich gutes Modell hervorgebracht hat, obwohl es mit Augment Design eine allgemeine Verbesserung geben könnte. Allerdings bin ich mehr daran interessiert, den „Sweet Spot“ zu durchsuchen, an dem die Reaktion voraussichtlich optimal sein wird, als die Modellvorhersage zu optimieren. Daher würde ich sagen, dass die Herstellung eines besseren Modells zweitrangig wäre.
Ich habe zum Beispiel 5 kontinuierliche Faktoren. Ich möchte zwei Faktoren konstant halten, wie Sie dem Screenshot in meinem ersten Beitrag entnehmen können. Diese beiden Faktoren haben keinen großen Einfluss auf die Reaktionen und reagieren unempfindlich auf Veränderungen durch die Veränderung anderer Faktoren. Und ich vertraue dieser von DSD erstellten Modellvorhersage. Aus diesem Grund wollte ich Augment Design in einem etwas begrenzten Rahmen durchführen.
Ich habe mir die Registerkarte „Design erweitern“ durchgelesen, aber keine Möglichkeit gefunden, die „Eigenschaft“ von Faktoren (kontinuierlich, konstant, kategorisch) zu ändern, da sie das Design basierend auf dem zuvor erstellten Modell erweitern. Ich kann diese kontinuierlichen Faktoren, die ich nicht variieren möchte, über die Registerkarte „Faktoreinschränkungen definieren“ in Augment Design etwas einschränken. Allerdings kann ich diesen Faktor nicht auf einen bestimmten Wert „fixieren“ (ein anderes Wort „konstant“).
Wäre Augment Design in diesem Fall noch hilfreich? Sollte ich Custom Design verwenden, das mir viel mehr Freiheit beim Fixieren und Ändern der Faktoren gibt?
Mein ursprünglicher Zweck bei der Durchführung von DOE besteht darin, die optimalen Bedingungen (Bedingungen, unter denen ich den Ertrag maximieren kann) schneller und mit weniger experimentellen Durchläufen zu finden. Da die Zeit wichtig ist und die Materialkosten, mit denen ich es zu tun habe, auch nicht billig sind. Ich glaube, dass DSD gute Arbeit geleistet hat, indem es ein einigermaßen prädiktives Modell erstellt hat, das es mir ermöglicht, die lokale Region zu betrachten, in der die Antworten optimal wären. Allerdings nach dem Lesen @Mark_Bailey Und @statman Anmerkungen: Es könnte sich lohnen, das Modell zuerst mit Augment Design zu verbessern (mit einem größeren Bereich als dort, wo das Optimum wäre) und dann einen zusätzlichen Validierungslauf mit Custom Design durchzuführen.
Ich denke, es hängt alles von der Situation ab und es gibt keine einheitliche Antwort darauf. Allerdings würde ich gerne mehr praktische oder philosophische Kommentare von euch hören. Es ist erst etwa 10 Tage her, seit ich angefangen habe, DOE zu lesen und JMP zu verwenden, daher wäre ich für jeden Kommentar zu diesem Neuling dankbar.
Danke!
Betreff: Passen Sie das Response Surface-Modell an, indem Sie eine andere seltsame Zahl als die untere/mittlere/obere Ebene auswählen.Ich werde nur ein paar philosophische Kommentare abgeben, um die Diskussion zu ergänzen, oder Sie können mich völlig ignorieren.
Die Idee hinter dem Response-Surface-Design besteht darin, die Reaktion als Funktion wichtiger Faktoren (Modellterme) abzubilden. Drei Dinge muss der Experimentator beachten:
1. Die „wahre“ Oberfläche existiert bereits und wir können sie nicht ändern.
2. Oberflächen sind „n“-dimensional, obwohl es starke empirische Belege dafür gibt, dass nur eine Teilmenge der Oberfläche nützlich sein muss (Prinzip der Knappheit von Effekten).
3. Es ist möglicherweise nicht sinnvoll oder praktisch, eine Oberfläche mithilfe von Designfaktoren abzubilden, wenn die Bedingungen, unter denen das Experiment durchgeführt wurde (z. B. Inferenzraum als Funktion des Rauschens), nicht wiederholt werden können.
Es gibt viele verschiedene Ansätze zur Kartierung der Oberfläche, aber in allen Fällen ist die Iteration der Schlüssel zu einer effizienten und effektiven Untersuchung. Ich bin ein Befürworter des sequentiellen Experimentierens. Zum Beispiel (stark vereinfacht): Man kann mit gezielter Probenahme beginnen, um dominante Komponenten oder Variationsquellen zu bestimmen und Messfehler zu bewerten. Experimentieren Sie mit den dominanten Komponenten, um wesentliche Faktoren und die Auswirkungen von Lärm zu identifizieren. Verschieben und/oder erweitern Sie den durch die signifikanten Faktoren definierten Raum und finden Sie heraus, wo diese Faktoren robust gegenüber Rauschen sind.
Aus Sicht der geometrischen und statistischen Analyse gilt: Je ausgewogener das Design, desto einfacher ist die Analyse und desto weniger wahrscheinlich ist eine Verzerrung (die Niveaueinstellung kann die Studie verzerren). Natürlich ist mit zunehmender Rechenleistung auch das Bedürfnis nach Ausgewogenheit weniger notwendig geworden. Wenn Sie jedoch die Oberfläche kartieren, möchten Sie die Oberfläche so abtasten, dass Sie Ihre eigenen Vorurteile hinsichtlich der Fokussierung mildern. Ironischerweise ist die statistische Signifikanz nicht mehr so wichtig (sie wurde bereits festgestellt), wenn man sich dem Optimum nähert und nun die Faktorniveaus in diesem Bereich feinabstimmt. Sie versuchen lediglich, verschiedene Stellen auf der Oberfläche zu testen, um die besten Antwortwerte zu ermitteln.
Ein gutes Modell ist eine möglichst einfach zu verwendende Näherung, die das erfasst unerlässliche Eigenschaften des untersuchten Phänomens und erzeugt Verfahren, die es sind robust zu wahrscheinlichen Abweichungen von den Annahmen. GEP Kasten
„Der Experimentator ist wie die Person, die versucht, die Tiefe des Meeres zu kartieren, indem sie an einer begrenzten Anzahl von Orten Sondierungen durchführt.“ Box, Hunter & Hunter (S. 299)
Betreff: Passen Sie das Response Surface-Modell an, indem Sie eine andere seltsame Zahl als die untere/mittlere/obere Ebene auswählen.1. Sie können die Faktoreinstellungen in Custom Design nicht ändern. Das kann nur JMP. Sie können auf die Schaltfläche „Tabelle erstellen“ klicken und den Wert in der resultierenden Datentabelle bearbeiten. Sie können die Informationen vor und nach der Bearbeitung der nicht ganzzahligen Werte anzeigen. Sie können es dann verwenden DOE > Designdiagnose > Design bewerten um Informationen zum Design zu erhalten.
2. Sie sollten die Dokumentation darüber lesen Augment-Design . Sie können die Faktorbereiche während der Augmentierung ändern, bevor Sie neue Läufe generieren. Seien Sie vorsichtig! Engen Sie die Faktorbereiche nicht ein, da Sie die gewünschte Reaktion in einer lokalen Region erwarten. Diese Änderung wird weniger aussagekräftig bei der Schätzung der Modellparameter sein, was der Sinn eines Experiments ist. Speichern Sie die Bestätigung für spätere separate Tests nach der Modellvorhersage.
Betreff: Passen Sie das Response Surface-Modell an, indem Sie eine andere seltsame Zahl als die untere/mittlere/obere Ebene auswählen.Danke @Ressel Und @Mark_Bailey
Auf meinem Laptop kann ich mich nicht wieder bei meinem ursprünglichen Konto anmelden, daher verwende ich dieses Konto.
Als @Mark_Bailey Diese nicht ganzzahligen Werte erscheinen jedoch irgendwo in stetigen Faktoren (F2 oder F3).
Ich habe eine Anschlussfrage.
1. Es ist eine Erleichterung, dass das Verschieben dieser nicht ganzzahligen Zahlen zurück in ganzzahlige Zahlen das Design nicht zerstören würde. Wie würden Sie diese Punkte jedoch „verschieben“? Da das Design dadurch nicht beschädigt wird, kann ich diesen Wert in der generierten Tabelle einfach wieder auf den „ursprünglichen (ganzzahligen)“ Wert zurücksetzen. Dies zeigt mir jedoch nicht, wie sich die Änderung dieses Punktes auf die Korrelationen zwischen Faktoren auswirkt (z. B. Farbkarte bei Korrelationen). Mich interessiert nur, wie sich das Aliasing ändert, wenn ich diese Werte ändere. Gibt es eine Möglichkeit, diesen Wert auf der Registerkarte „Benutzerdefiniertes Design“ zu bearbeiten?
2. Ursprünglich wollte ich mein DSD mit Augment Design fortführen. Augment Design scheint die Behandlungen (oder den „lokalen“ Designraum), die ich nicht erforscht habe, auszuspucken, um die mit DSD erstellte Modellvorhersage zu verbessern. Aber es spuckt nicht unbedingt den optimalen Gestaltungsspielraum aus, dem ich nachgehen möchte. Ich habe auf der Registerkarte „DOE“ nur das normale Augment Design verwendet, was mir nicht weniger Freiheit zum Herumspielen gibt (z. B. Festlegen der Faktorkonstante). Ich kenne mich nicht aus mit ' „Optimale Augmentation“, von der Sie gesprochen haben und die ich gerne untersuchen würde. Könnten Sie mich bitte auf die richtigen Ressourcen (Webinar oder Beitrag) verweisen, die ich mir ansehen kann?
Vielen Dank für Ihre Hilfe!
Betreff: Passen Sie das Response Surface-Modell an, indem Sie eine andere seltsame Zahl als die untere/mittlere/obere Ebene auswählen.Es stellt sich heraus, dass die Koordinatenaustauschmethode häufig einen Entwurfspunkt von der erwarteten Koordinate entfernt (z. B. F3 = 15), um die Optimalität angesichts der Faktordefinitionen, Terme im Modell, der Anzahl der Durchläufe usw. zu verbessern. Dieses Ergebnis ist normal und nicht ungewöhnlich. Kombinatorische Methoden wie faktorielles Design und DSD führen zu einem Gleichgewicht. Das ist kein Ziel von Custom Design.
Dieses Design ist vollkommen akzeptabel. Es könnte jedoch sein, dass es nicht praktikabel ist. Wenn Sie möchten, können Sie diese Punkte auch wieder auf F3 = 15 verschieben. Du wirst nichts kaputt machen. Bitte speichern Sie eine Kopie des benutzerdefinierten Designs, öffnen Sie es, sodass Sie zwei Kopien haben, ändern Sie die F3-Stufen auf 15 und wählen Sie dann DOE > Designdiagnose > Designs vergleichen. Die Optimalität wird leicht reduziert.
Haben Sie darüber nachgedacht, anstelle eines neuen kundenspezifischen Designs eine optimale Erweiterung des ursprünglichen DSD zu verwenden?
Betreff: Passen Sie das Response Surface-Modell an, indem Sie eine andere seltsame Zahl als die untere/mittlere/obere Ebene auswählen.Ich vermute, dass das, was Sie sehen, mit den Abständen der Sternpunkte in einem zentralen Verbunddesign zusammenhängt ( https://www.itl.nist.gov/div898/handbook/pri/section3/pri3361.htm ). F2 und F3 sind die einzigen kontinuierlichen Faktoren und nur für sie werden „seltsame“ Werte angezeigt. Ich habe versucht, Ihr Design zu reproduzieren und habe eine ähnliche Ausgabe erhalten. Sobald Sie Ihre DoE-Tabelle zum Füllen mit Antworten erstellt haben, ist es möglich, diese Werte zu ändern. Da ich jedoch mit den Auswirkungen Ihrer Faktoren nicht vertraut bin, ist nicht klar, ob dies den Entwurf „zerstören“ würde. An dieser Stelle empfehle ich dringend die STIPS DoE-Modul von SAS . Sind R3 und R4 nicht vollständig redundant?
Bearbeiten: OK, nur „seltsame“ Werte für F3, nicht für F2 in Ihrem Screenshot.
