Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenHallo,
Ich erstelle ein individuelles Design mit 4 Faktoren (Faktoren A, B, C und D).
Ich habe eine Frage zu einer Einschränkung, die mit den Faktoren B und D zu tun hat.
- Faktor B ist eigentlich die Anzahl der Reaktionen, die nacheinander im selben Experiment durchgeführt wurden. Dies kann 1 Reaktion, 2, 3 oder mehr Reaktionen nacheinander sein. Ich habe den Bereich auf 1-3 eingestellt (nicht höher, da ich im Moment nicht an mehr als 3 Reaktionen nacheinander interessiert bin).
- Faktor D ist die Zeit, die ich zwischen den aufeinanderfolgenden Reaktionen warte. Daher definiere ich Faktor D nur, wenn Faktor B > 1 ist. Der Bereich liegt zwischen 0,1 und 10 Sekunden.Faktor D wäre 0, wenn Faktor B 1 wäre. Mit anderen Worten: Wenn die Anzahl der nacheinander durchgeführten Reaktionen (Faktor 
nur 1 beträgt, existiert Faktor D nicht, weil es nur eine Reaktion war, und ich muss daher keine Sekunden warten, da es keine andere Reaktion gibt der Reihe nach durchgeführt.
Wie kann ich diese Einschränkung in meinem Custom Design-Modell definieren?
Vielen Dank!!
PS: Ich verwende einen Mac.
VersuchsplanungMac OSBetreff: Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenVielen Dank für den Einblick, @Mark_Bailey Und @Victor_G !!
Betreff: Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenDanke schön, @Victor_G , für die schnelle und klare Antwort, sowie alle angebotenen Materialien! Es ist wirklich nützlich!!!
Betreff: Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenHallo nochmal @ADoyon ,
Als erster Überblick: Ja, Sie haben Recht: Die Leistung (= Wahrscheinlichkeit, einen Effekt zu erkennen, wenn er wirklich aktiv ist) sollte so hoch wie möglich sein, die Vorhersagevarianz und der Anteil des Design-Space-Plots so niedrig wie möglich. Aber wie beantwortet von @Mark_Bailey , vergleichen Sie vorrangig mit anderen Designs, was Sie von Ihrem Versuchsplan benötigen (da alles hoch/perfekt zu sein oft nicht möglich ist oder den Preis einer sehr großen Anzahl von Experimenten erfordert):
- Wenn Sie ein DoE verwenden, um Haupteffekte (und möglicherweise Interaktionen) zu überprüfen, sind Sie nicht in erster Linie an der Vorhersagevarianz und dem Anteil des Designraums interessiert, sondern vielmehr an der Erkennung signifikanter Effekte zwischen Ihren Faktoren (und möglicherweise Interaktionen). Konzentrieren Sie sich also lieber auf die Leistungsanalyse.
- Wenn Sie ein DoE verwenden, um einen Prozess/eine Formel zu optimieren, möchten Sie die vorhergesagte(n) Antwort(en) so präzise wie möglich erhalten, sodass Sie die geringste Vorhersagevarianz haben möchten. Daher vergleichen Sie mit anderen Designs die Vorhersagevarianz über den experimentellen Raum und den Bruchteil des Designraumdiagramms.
Einige Informationen zur Designbewertung finden Sie hier (und auf den folgenden Seiten): Design (jmp.com)
Ja, da mein primärer Vergleichsentwurf Custom-Design_0-Replikate war (mit der geringsten Anzahl von Experimenten und keinen Wiederholungen), schnitten die meisten anderen Entwürfe besser ab (entweder, weil sie Wiederholungsläufe hatten, also eine ähnliche oder bessere Schätzung des Rauschens/ Varianz für die gleiche Anzahl von Experimenten oder weil sie eine höhere Anzahl von Experimenten hatten (die letzten beiden Designs), wodurch alle Effizienzen verbessert wurden), sodass die Effizienzen dieses einfachen Designs im Vergleich zu anderen Designs schlechter waren (daher die roten Werte).
Eine Änderung des primären Designs im Vergleich hätte die dargestellten relativen Wirkungsgrade verändert (und damit auch die Farben je nach den Vorteilen (grün) oder Nachteilen (rot) des Designs im Vergleich zu anderen).
Nein, die Einschränkungen werden im Design gespeichert. Wenn Sie also Ihr Design erweitern und replizieren (indem Sie die richtigen Faktoren und Reaktionen im entsprechenden Menü auswählen und dann auf „OK“ klicken), werden Ihre Einschränkungen gespeichert und angezeigt von JMP im neuen Fenster mit den verschiedenen verfügbaren Optionen zur Erweiterung Ihres Designs (und insbesondere für Ihren Fall „Replizieren“). Je nachdem, wie oft Sie jeden Durchlauf durchführen möchten (von JMP nach dem Klicken auf „Replizieren“ gefragt), erstellt JMP dann „Kopien“ Ihrer ersten Entwurfsdurchläufe.
Betreff: Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenHallo @ADoyon ,
Was diese neue Funktion in JMP 17 betrifft, sollte sie laut der JMP-Website bald verfügbar sein (Ende Oktober – Anfang November): Neu in JMP 17 | Statistische Discovery-Software von SAS
Zu dieser neuen Funktionalität (Design Explorer) gibt es hier bereits ein faszinierendes und brillantes Whitepaper, das sehr interessante Anwendungsfälle bei der Auswahl eines optimalen Designs verspricht: Das richtige Design auswählen – mit Hilfe des Design Explorers von JMP | JMP
1- Genau! Tut mir leid, dass ich es nicht klar ausgedrückt habe, das ist genau das, was ich gemeint habe: Ich erstelle lieber mehrere Designs auf meinem Computer mit JMP und wähle das relevanteste entsprechend dem experimentellen Budget, dem Ziel und den Einschränkungen aus, anstatt mit dem ersten ins Labor zu gehen Entwurf erstellt und später herausgefunden, dass ich möglicherweise einige Einschränkungen vergessen habe oder dass meine Experimente nicht alle durchführbar/möglich sind.
2- Klar! Wenn Sie mehrere Designs und die entsprechenden Datentabellen für jedes Design erstellt haben, können Sie zu DoE -> Designdiagnose -> Designs vergleichen gehen. Dort können Sie alle Designtabellen auswählen (maximal 5 Designs insgesamt, also 4 ausgewählt + das Design, von dem aus Sie auf „Designs vergleichen“ geklickt haben) und die Faktoren zuordnen, wenn sie in den Tabellen unterschiedliche Namen haben (falls vorhanden). Wenn Sie dieselben Namen wie in Ihrem Screenshot verwenden (x1 und x1, ...), erkennt JMP, dass sie gleich sind, sodass Sie nicht jeden Faktor einzeln abgleichen müssen. Sie sollten dann die gleiche Ansicht haben wie ich. Weitere Infos hier: Designfenster bewerten (jmp.com)
3- Die „Designdiagnose“-Informationen sind Werte, die mit anderen Designs verglichen werden müssen, um die Stärken und Schwächen jedes Designs zu erkennen. Jeder Wirkungsgrad kann zwischen 0 und 100 liegen. Es werden verschiedene Wirkungsgrade genannt:
- Die D-Effizienz hängt mit der Präzision der Parameterschätzung zusammen und ist bei Screening-/faktoriellen Designs sehr wichtig, um die Signifikanz und Effektgröße von Effekten im Modell präzise abzuschätzen.
- Die G-Effizienz hängt mit der Minimierung der Vorhersagevarianz über den gesamten experimentellen Raum zusammen und ist im Optimierungsdesign sehr wichtig (der Schwerpunkt liegt mehr auf der Vorhersageleistung als auf kausalen Erklärungen/statistischer Signifikanz).
- A-Effizienz ist mit der Minimierung und Optimierung von Aliasing zwischen Effekten verbunden; Je höher die A-Effizienz, desto niedriger und präziser (und unvoreingenommener) ist die Schätzung der Regressionskoeffizienten.
Weitere Infos hier: Designdiagnose (jmp.com)
4- Sehr gute Frage, und ich habe keine klare Antwort. Dies ist vermutlich auf den Koordinatenaustauschalgorithmus (der für kundenspezifische Designs verwendet wird) und zufällige Start-/Generierungspunkte für das Design zurückzuführen. Da der Entwurf aus zufälligen Punkten im Entwurfsraum generiert wird, kann sich die optimale Verteilung der Punkte im experimentellen Raum von einer Entwurfsgeneration zur nächsten ändern. Daher können Sie beim erneuten Generieren des Designs einige geringfügige Änderungen in den Werten feststellen. Sie können diese Werte manuell auf den nächstgelegenen Wert (hier 2) ändern, ohne die Optimalität Ihres Designs zu stark zu verändern, oder versuchen, das Design erneut zu generieren, indem Sie gegebenenfalls die Anzahl der Zufallsstarts und/oder die Design-Suchzeit (im roten Bereich) erhöhen Im Dreieck neben „Custom Design“ finden Sie „Anzahl der Starts“ und „Design-Suchzeit“).
Betreff: Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenDie Diagnoseübersicht enthält viele Informationen. Einiges davon ist manchmal relevanter. Ich sage nicht, dass Sie sich nicht alles ansehen sollten, aber wir gehen im Allgemeinen etwas wählerisch bei den Informationen vor, die wir zum Vergleich der Designs verwenden. Beim Screening von Faktoren oder Faktoreffekten sind Aussagekraft, Schätzeffizienz und Korrelation von Schätzungen wichtiger. Andererseits ist die Vorhersagevarianz (profiliert oder integriert) ausgeprägter, wenn ich bereit bin, meine Faktoreinstellungen basierend auf Modellvorhersagen zu optimieren.
Betreff: Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenDanke @Victor_G dass du alles so ausführlich erklärt hast! Sehr geschätzt!!
Ich verstehe also, dass wir beim Vergleich von Designs die „Vorhersagevarianz“ des „Anteils des Designraumdiagramms“ idealerweise niedrig halten wollen, während wir möchten, dass die „Leistung“ der „Leistungsanalyseanlage“ hoch (nahe …) ist ~1). Ist das richtig?
Ich frage mich, ob Sie die Interpretation der Design Diagnostics-Effizienzwerte (in Ihrem Screenshot des „color-map+efficiency_comparison“ gezeigt) näher erläutern könnten? Es zeigt, dass Rot schlecht ist, allerdings gibt es im letzten Vergleich mehr Rotwerte (0 Replikate vs. erweitertes Design).
Muss ich außerdem die Einschränkungen erneut definieren, wenn ich das Design mit den von Ihnen vorgeschlagenen Replikaten erweitere?
Danke @Victor_G im Voraus!!
Am besten,
Betreff: Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenHallo @Victor_G ,
Im Anschluss an Ihre Antwort vom 27. September bezüglich des Vergleichs mehrerer Designs, der Ihrer Meinung nach in JMP17 einfacher möglich sein wird. Ich habe mich gefragt: Wissen Sie, wann wir diese neue Version von JMP17 verwenden können? Es scheint eine tolle Funktion zu sein!
1- Außerdem, um sicherzustellen, dass ich das verstehe. Wenn Sie sagen, dass Sie zuerst Designs vergleichen möchten. Du meinst auf JMP, nicht im Labor. Sie vergleichen also lieber immer verschiedene Designs mit JMP DOE, bevor Sie das Design physisch testen, richtig?
2- Ich kann mich nicht erinnern, im Kurs „Custom Design of Experiments“ etwas über DOE-Designvergleiche gesehen zu haben. Wäre es möglich @Victor_G um weitere Informationen darüber zu geben, wie Sie vorgehen aus „DOE > Designdiagnose > Designs vergleichen“ Zu 1) die Potenz, 2) Varianzvorhersageprofil und 3) Korrelationsmatrix/Farbkarte ? (Ich habe es versucht, bin mir aber nicht sicher, was ich genau auswählen soll ...)
3- Was bedeuten diese „Design-Diagnose“-Informationen (siehe Screenshot), die man direkt vor der Erstellung der Tabelle sehen kann?
4- Letzte Frage 
Als ich den Entwurf erneut erstellte, wählte JMP jetzt zwei Läufe mit „X1“-Datenpunkten wie 1,93 und 1,89 (zwei separate Läufe), die überhaupt nicht zentriert sind. X1 ist als kontinuierlicher Faktor mit einem Bereich von 1-3 eingerichtet. Ich bin mit den Dezimalzahlen für diesen Faktor einverstanden, frage mich jedoch, warum JMP diese beiden Werte so nahe beieinander gewählt hat, anstatt Werte, die im experimentellen Raum weiter auseinanderliegen.
Vielen Dank @Victor_G für eure schnellen und ausführlichen Antworten!! Super hilfreich, danke!!! Ich lerne viel!
Betreff: Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenHallo @ADoyon ,
Bei den richtigen Designs und Modellen fallen die Vergleiche etwas anders aus:
- Hinsichtlich der Leistung scheint es keine signifikante Verbesserung zwischen Designs ohne Wiederholungsläufe oder mit 2 oder 4 Wiederholungsläufen zu geben. Durch 8 Wiederholungsläufe (für insgesamt 27 Versuchsläufe) oder die vollständige Replikation des ursprünglichen Designs (für insgesamt 36 Experimente) wird die Leistung verbessert.
- Bei der Varianzvorhersage scheint die Varianz über den gesamten Raum durch zwei Replikationsläufe (für die gleiche Anzahl an Gesamtläufen: 18) effizienter gesenkt zu werden als durch 4 Replikationsläufe (oder keine). Mit 8 Wiederholungsläufen (für 27 Experimente!) verringert sich zwar die Vorhersagevarianz über den Versuchsraum ein wenig, aber sie ist ziemlich ähnlich zu dem, was man mit 2 Wiederholungsläufen erhält. Und wenn Sie Ihr ursprüngliches Design replizieren (und die Anzahl der Experimente von 18 auf 36 verdoppeln ...), wird Ihre Vorhersagevarianz ganz sicher durch zwei geteilt.
- Im Hinblick auf Effizienz und Aliasing erhalten Sie durch die Replikation des gesamten Designs das gleiche Aliasing/die gleiche Korrelation zwischen den Begriffen, wohingegen das Hinzufügen von Replikationsläufen einige Aliasings verändern und verringern kann. Die Effizienz ist bei Designs mit der gleichen Anzahl an Durchläufen recht ähnlich und wird mit Sicherheit steigen, wenn Sie die Anzahl der Experimente erhöhen.
Ich hoffe, dieser Teil hilft Ihnen und sorgt nicht für zusätzliche Verwirrung.
Betreff: Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenHallo nochmal @ADoyon ,
- Der „untere Grenzwert“ ist die niedrigste akzeptable Lösung für Ihre Situation (er definiert einen möglichen und akzeptablen Wertebereich von Ihrem niedrigsten Grenzwert bis zu Ihrem höchsten Grenzwert) und kann Auswirkungen haben, wenn Sie mehrere Antworten haben. Im Falle einer eindeutigen Antwort spielt das keine große Rolle, da JMP in jedem Fall versuchen wird, die Antwort zu optimieren (maximieren/minimieren oder Wert anpassen), sodass die untere Grenze auf jeden Fall um jeden Preis vermieden wird, indem die richtige Antwort gefunden wird Faktoreneinstellungen (im Fall von „Maximieren“). Die Änderung erfolgt in der Steigung der Erwünschtheitsfunktion (siehe Screenshot Profiler-1 mit Untergrenze 350 und Profiler-2 mit Untergrenze 450 für den Anwendungsfall „Bounce Data“ von JMP).
Wenn Sie über mehrere Antworten verfügen, kann eine Änderung der Steigung eines Ihrer Antworterwünschtheitsprofile zu einer Änderung des gefundenen Optimums führen, da JMP versucht, den gesamten Erwünschtheitswert zu maximieren (unter Berücksichtigung aller Erwünschtheitsfunktionen für Antworten), sodass eine steilere Steigung für eine Antwort erzielt wird bedeutet, dass diese Antwort möglicherweise einen größeren Einfluss auf die Lösung zur Erwünschtheitsoptimierung hat (da Sie den Bereich akzeptabler Werte verringern, siehe Vergleich der Profiler-Optimierung mit den Screenshots Profiler-desirability-1 und Profiler-desirability-2 im Datensatz Tiretread.jmp). aus JMP-Datenanwendungsfällen). Bedenken Sie auch, dass die für jede Ihrer Antworten festgelegte Wichtigkeit auch einen großen Einfluss auf das gefundene Optimum hat: Je größer die Wichtigkeit der Antwort, desto größer ist der Einfluss dieser Antwort auf die gefundene optimale Situation.
Weitere Infos zum Wünschbarkeitsprofil finden Sie hier: Das Erwünschtheitsprofil (jmp.com)
- Die Verwendung und Anzahl der Wiederholungen wird durch Ihr Ziel, die Wirkungsstärke, die erwartete Präzision Ihrer Experimente/Vorhersagen usw. bestimmt. Seien Sie vorsichtig, in JMP gibt es zwei Optionen: „Anzahl der Replikationsläufe“ (im benutzerdefinierten Design), d. h hier die Anzahl der zu wiederholenden Läufe und „Anzahl der Replikate“ (im klassischen Design), Bedeutung Er gibt an, wie oft jeder Lauf ausgeführt werden muss (zusätzlich zu den ursprünglichen Läufen): Betreff: Benutzerdefinierte Designanzahl der Replikate – JMP-Benutzergemeinschaft .
Ohne all dies zu wissen (und ohne Domänenkenntnisse), ist es schwierig zu wissen, welche Wahl für Ihren Fall möglicherweise besser geeignet ist. Ich würde jedoch empfehlen, verschiedene Optionen auszuprobieren (keine Replikationsläufe, 2 Replikationsläufe, 4 Replikationsläufe, 8 Replikationsläufe). ...) und verwenden Sie die Plattform „Compare Designs“ (zu finden in DoE -> Design Diagnostics), um zu bewerten, welche Anzahl von Durchläufen für Ihren Fall optimal wäre (größte Auswirkung bei der geringsten Anzahl von Replikaten). Im Anhang finden Sie die verschiedenen Vergleiche, die mit Ihren DoE-Einstellungen für 0-, 2-, 4- und 8-Replikationsläufe für Leistungs-, Varianz- und Korrelationsvergleiche durchgeführt wurden, wobei die individuelle Datentabelle für jedes DoE erstellt wurde. Hier erhält JMP für 2- und 4-Replikationsläufe die gleiche Standardanzahl an Experimenten (18) mit ähnlichen Eigenschaften für diese Designs. Wir können jedoch deutlich eine Lücke zwischen 0 und 2/4 Wiederholungsläufen in Bezug auf Aussagekraft, Varianzvorhersageprofil (fast geteilt durch einen Faktor 2 im Fall von 2 oder 4 Wiederholungsläufen im Vergleich zu 0 Wiederholungsläufen) und Korrelationsmatrix erkennen. Farbkarte (Aliasing zwischen Begriffen im Modell), sodass das 18-Läufe-Design (entweder 2 oder 4 Wiederholungsläufe) hier ein guter Kompromiss sein kann, um zuverlässige Ergebnisse und Präzision zu erhalten, ohne die experimentellen Kosten zu sehr zu erhöhen (27 Experimente für 8 Wiederholungen). läuft Design!).
Wenn Sie wirklich einen Vergleich mit einem Duplikat-/Triplikat-Design wünschen (um Replikate und nicht nur Replikationsläufe zu haben), können Sie das von JMP vorgeschlagene Originaldesign erstellen (mit 9 Experimenten, ohne Replikationsläufe) und es dann erweitern (in DoE -> Augment Design) durch Auswahl der Option „Replizieren“. JMP fragt Sie dann, wie oft jeder Durchlauf ausgeführt werden soll. Wenn Sie also „2“ eingeben, erhalten Sie Ihr Duplikatdesign mit 18 Durchläufen. Beachten Sie, dass im vorliegenden Fall die beiden Optionen (Replikate und Replikatläufe) sehr ähnliche Designleistungen bei gleicher Anzahl von Läufen bringen (hier mit insgesamt 18 Läufen getestet).
- Ich weiß nicht genau, wie ich damit umgehen soll. Wenn Sie in Ihrem Experimentierraum nicht wissen, unter welchen Bedingungen Ihr Experiment erfolgreich bzw. scheitern wird, könnte eine Möglichkeit darin bestehen, Ihren Experimentierraum zunächst mit einem „Scoping-Design“ zu testen ( Scoping-Designs | Prisma (prismtc.co.uk) ), um zu prüfen, ob die Bedingungen Ihrer Faktoren im Labor möglich sind (und erweitern Sie dann dieses Design zu einem Screening-Design und möglicherweise anschließend zu einem Optimierungsdesign mit Response-Surface-Modellen).
Wenn Sie bereits wissen, welche Faktoren Ihr Experiment zum Scheitern oder zum Erfolg führen, können Sie möglicherweise die Einstellungen einbeziehen und entsprechende Läufe in Ihr DoE erstellen und diese Läufe ebenfalls in Ihre Analyse einbeziehen oder hinzufügen, entweder als Teil des Designs oder als Validierungspunkte (für die Analyse des Designs ausgeschlossen, aber am Ende hinzugefügt, um zu überprüfen, ob die Vorhersagen des Designs mit Ihrem Wissen übereinstimmen).
Ich hoffe, diese Antworten helfen Ihnen (Entschuldigung für den langen Beitrag),
PS: Ich habe 9 Läufe in meinem ursprünglichen Design ohne Replikatläufe. Das liegt daran, dass ich die Begriffe X1*X1 und Möglicherweise muss ich es überprüfen, um es zu überprüfen. Bei Bedarf kann ich versuchen, die Designs zu ändern und heute gültige Vergleiche und Screenshots bereitzustellen.
Betreff: Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenHallo nochmal @Victor_G ,
Ich habe noch ein paar weitere Fragen:
1- Wenn ich meine Antwort auf den höchstmöglichen Wert maximieren möchte, muss ich trotzdem die „Untergrenze“ für die Antwort definieren, oder? Aber spielt diese „Untergrenze“ eine große Rolle? Spielt es eine Rolle, ob ich dies auf 10, 50 oder 100 stelle? (Ich weiß nicht, wie ich mit diesem „unteren Grenzwert“ umgehen soll ... da es mir wirklich nur darum geht, die maximal mögliche Antwort zu erhalten).
2- Dieses DOE, an dem ich arbeite, ist für eine biologische Reaktion. Normalerweise führen wir in der Wissenschaft/Biologie für jede Bedingung (Durchlauf) Wiederholungsexperimente durch; Das bedeutet, dass wir jeden Versuchsdurchlauf in Duplikaten (oder Dreifachversuchen) durchführen. Ich verstehe, dass dies nicht praktikabel ist: Wenn mein DOE aus insgesamt 18 Läufen besteht, ist es für mich nicht sinnvoll, alle 18 Läufe zu duplizieren, da das insgesamt 36 Läufe wären, was den Zweck meiner Verwendung von DOE zunichte machen würde ...
Wie entscheide ich dann über die Anzahl der Replikationsläufe? Wie kann ich entscheiden, ob ich nur 2, 4 oder 10 Replikate benötige?
3- In diesem Sinne fügen Forscher in der Wissenschaft/Biologie ihren Experimenten normalerweise auch einige negative und positive Kontrollreaktionen hinzu. Das ist eine Reaktion, von der wir erwarten, dass sie scheitert, weil wir im Voraus wissen, dass sie scheitern wird, und eine Reaktion, von der wir erwarten, dass sie gelingt, weil wir vorher wissen, dass sie gut funktioniert. Wie gehen DOE-Benutzer generell damit um?
Vielen Dank @Victor_G für deine Hilfe!!!
Am besten,
Betreff: Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenDanke nochmal @Victor_G Dafür, dass du immer so schnell und mit so klaren Antworten geantwortet hast!! Sehr geschätzt!
(Ich versuche vielleicht, einen zusätzlichen Beitrag dazu zu verfassen; nur aus Neugier )
Betreff: Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenVielen Dank @Victor_G ! Ich habe es gerade ausprobiert und konnte es schaffen
Betreff: Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenHallo @ADoyon ,
Für die Faktoren, die keinen Dezimalwert annehmen können, haben Sie zwei Möglichkeiten:
- Die erste und einfachste Möglichkeit besteht möglicherweise darin, die Zahlen ohne Dezimalwerte in der Datentabelle zu ändern, indem Sie das Format in „Fixed Dec“ und Dec = 0 ändern (siehe Screenshot). Das Design verliert jedoch möglicherweise ein wenig an Optimalität, und die optimalen Werte für diese Faktoren aus dem Modell für den Vorhersageprofiler können Dezimalstellen aufweisen.
- Die andere Möglichkeit besteht darin, diese Faktoren als „diskrete numerische Faktoren“ mit bestimmten Ebenen zu behandeln (weitere Informationen zum Faktortyp „Diskrete numerische Faktoren“ finden Sie in meinen vorherigen Kommentaren). Dieser Weg sieht für mich besser aus, da diese „Einschränkung“ direkt im Modell berücksichtigt wird. In Ihrem Fall ist es möglicherweise nicht interessant, alle möglichen Stufen Ihrer Ausrüstung (mit einer Schrittweite von 1) in den Stufen des diskreten numerischen Faktors zu verwenden, aber die Auswahl von mindestens 3 Stufen (min., mittel und max.) kann interessant sein um mögliche quadratische Effekte zu betrachten. Im Vorhersageprofiler wird er als kategorialer Faktor behandelt. Beachten Sie jedoch die Ordinalität der Stufen (z. B. 2 < 5 < 7 ... siehe Screenshot für Faktor 4), sodass Sie den Trend zwischen den einzelnen Stufen sehen können Ebenen.
Möglicherweise gibt es dafür auch andere Möglichkeiten. Zögern Sie also nicht, einen neuen Beitrag zu erstellen und nach den Eingaben und Antworten anderer Benutzer zu suchen.
Wählen Sie am Ende die Option aus, mit der Sie sich am wohlsten fühlen.
Hoffe es hilft dir,
Betreff: Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenHallo @ADoyon ,
Es scheint, dass Sie Einschränkungen nur speichern und laden können, wenn dies über die Option „Lineare Einschränkungen angeben“ erfolgt.
Was Sie in Ihrem Fall tun können, ist
- , um Ihr DoE vollständig mit der von Ihnen hinzugefügten Einschränkung zu generieren, und dann sehen Sie in Ihrer Datentabelle ein neues Skript mit dem Namen „Disallowed Kombinationen“ (siehe Screenshot Disallowed_Combinations-datatable-script.jpg).
- Wenn Sie mit der rechten Maustaste darauf klicken und dann auf „Bearbeiten“ klicken, können Sie den JSL-Code der unzulässigen Kombinationen kopieren (siehe Disallowed_Combinations-datatable-script-Edit.jpg) und ...
- Verwenden Sie es (fügen Sie es ein) bei der Erstellung des benutzerdefinierten Designs in der Option „Skript für nicht zulässige Kombinationen verwenden“ (siehe Screenshot „Use-disallowed-combinations-script.jpg“).
Es gibt möglicherweise eine intelligentere und automatischere Möglichkeit, dies zu tun (vielleicht über JSL-Skripting?), aber dieser Ansatz funktioniert (und Sie müssen Ihre unzulässigen Kombinationen nicht manuell neu erstellen).
Ich hoffe, es wird Ihnen helfen!
Betreff: Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenAuch, @Victor_G Wissen Sie, wie ich im Modell festlegen kann, dass meine Faktorwerte keine Dezimalzahlen (z. B. 0,5) haben dürfen? Zwei meiner Faktoren sind Variablen, die ich in einem Instrument einrichte. Das Instrument erlaubt jedoch keine Verwendung von Dezimaleinheiten, da es sich um eine ganze Zahl handeln muss. Mit dem Instrument kann der Benutzer den Wert dieser Faktoren in Schritten von 1 Einheit ändern (z. B. 21, 22, 23 ...).
Kann ich das auch irgendwie in meine Einschränkungen einfügen?
Vielen Dank im Voraus @Victor_G !
Am besten,
Betreff: Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenHallo @Victor_G wieder! Ich habe eine kurze Frage; Wissen Sie, warum ich meine Modellbeschränkungen nicht so speichern kann, wie wir es mit den Faktoren und Antworten tun können?
Danke!
Am besten,
Betreff: Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenVielen Dank für Ihre freundlichen Kommentare und Ihr Feedback @ADoyon !
Ich freue mich, wenn meine Antworten hilfreich und klar genug waren!
Betreff: Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenNochmals vielen Dank, Victor!
Betreff: Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenVielen Dank unglaublich, @Victor_G ! Sehr geschätzt! Ihre Kommentare sind äußerst nützlich und klar, vielen Dank!
Betreff: Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenEin zusätzlicher Kommentar zur Erwähnung einer großartigen Ressource über die sequentielle Natur von Experimenten von Prism Training & Consultancy: Artikel: Die sequentielle Natur der klassischen Versuchsplanung | Prisma (prismtc.co.uk)
In diesem Artikel wird der Prozess hinter DoE sehr gut erläutert, von der Erstellung und Bewertung des experimentellen Spielraums für Faktoren bis hin zum Screening und der anschließenden Optimierung. Dies ist Teil einer Artikelserie, die für Sie von Interesse sein könnte.
Fröhliches Lesen !
Betreff: Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenHallo @ADoyon !
Ich freue mich, dass die Antworten hilfreich waren. Ich weiß nicht, wie verbreitet diese Praxis sein mag, aber ich persönlich bevorzuge es, mehr Zeit damit zu verbringen, verschiedene Designs und Stichprobengrößen zu vergleichen, als ins Labor zu gehen und die Experimente schnell durchzuführen, um schließlich festzustellen, dass ich vielleicht eine Einschränkung vergessen habe oder so Mein Design ist für meine Bedürfnisse nicht gut genug geeignet.
--> Um dies zu veranschaulichen, gefällt mir dieses Zitat von Ronald Fisher sehr gut: „ Wenn man den Statistiker nach Abschluss eines Experiments konsultiert, bedeutet das oft nur, dass man ihn bittet, eine Obduktion durchzuführen. Er kann vielleicht sagen, woran das Experiment scheiterte.“
Unterschiedliche Designs können zu unterschiedlichen Interpretationen der Ergebnisse führen, je nachdem, welche Begriffe in den verschiedenen Modellen vorkommen. Beispielsweise können Screening-Designs, die nur die Haupteffekte berücksichtigen, dabei helfen, relevante Faktoren für das Follow-up einer Studie herauszufiltern, aber bei Vorhandensein von Wechselwirkungen zwischen zwei Faktoren und/oder quadratischen Effekten kann es ihnen eindeutig an Präzision und Antwort(en)-Vorhersagbarkeit mangeln (möglicherweise mangelnde Anpassung). ).
Sie haben mehrere Möglichkeiten, unterschiedliche Designs zu generieren und zu vergleichen:
- Ändern (hinzufügen/entfernen) Sie die Terme im Modell (2-Faktoren-Wechselwirkungen, quadratische Effekte usw.) oder ihre Schätzbarkeit (Sie können die Schätzbarkeit für 2FI und quadratische Effekte von „Notwendig“ auf „Wenn möglich“ umstellen).
- Variieren Sie die Stichprobengrößen (Anzahl der Experimente) im Design, indem Sie Wiederholungsläufe hinzufügen: Sind die zusätzlichen Läufe relevant und nützlich genug, um die Genauigkeit der Schätzungen oder die relative Varianzvorhersage über den Versuchsraum zu verbessern?
- Ändern Sie das Optimalitätskriterium (abhängig von Ihrem Ziel: D-Optimalität für das Screening, I-Optimalität für eine gute Antwortvorhersagegenauigkeit, Alias-Optimalität zur Verbesserung des Aliasings zwischen Termen im Modell ...)
- Ändern Sie die Art des Designs (wenn möglich!) ...
Um verschiedene DoEs zu vergleichen, müssen Sie diese zunächst in JMP erstellen und dann zu „DoE“, „Designdiagnose“ und dann „Designs vergleichen“ gehen. Aber ... Spoiler Alarm ! : In JMP 17 wird es viel einfacher sein, mehrere Designs zu vergleichen (siehe Screenshots), da eine „Design Explorer“-Plattform in die DoE-Erstellung einbezogen wird, sodass Sie sie nicht manuell einzeln erstellen müssen: Sie können mehrere erstellen Erstellen Sie in Sekundenschnelle Entwürfe und filtern Sie sie nach Ihren Zielen und Entscheidungskriterien.
Und schließlich: Nutzen Sie die Vorteile „iterativer Designs“ und erwarten Sie nicht, alle Ihre Fragen mit einem (großen) Design zu lösen, und versuchen Sie auch nicht, alle Ihre Fragen zu lösen. Es kann leistungsfähiger und effizienter sein, beispielsweise klein mit einem Screening-Design anzufangen und dann Augmentation zu verwenden, um nach weiteren Details wie Interaktionen und möglichen nichtlinearen Effekten zu suchen. Wenn Ihr Ziel schließlich darin besteht, etwas zu optimieren, können Sie Ihr Design noch einmal so erweitern, dass es zu einem vollständigen Antwortflächenmodell passt. Mit jedem Schritt sammeln Sie mehr Wissen über Ihr System und stellen sicher, dass das nächste erweiterte Design noch mehr Wissen bringt, ohne Experimente/Durchläufe, Zeit und Ressourcen zu verschwenden.
Die „Augment Design“-Plattform ist wirklich ein leistungsstarkes (und oft unterschätztes) Tool, um mehr Daten zu sammeln, mehr Verständnis zu gewinnen und genauere Modelle zu erstellen, ohne vorherige Informationen zu verlieren.
Ich hoffe, diese Antwort wird Ihnen helfen,
Betreff: Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenVielen Dank, @Victor_G !! Ich schätze es sehr. Eure Antworten sind super hilfreich!!
Ich habe ein paar Kurse zu JMP DOE besucht und gelesen, dass wir nicht mehr als 25 % unserer Bemühungen in das erste Experiment investieren sollten. Für uns ist Zeit die begrenzteste Ressource, die wir haben. Ich habe mich gefragt, ob es üblich ist, zum Vergleich mehr als ein Design mit unterschiedlichen Stichprobengrößen zu erstellen, wie Sie erwähnt haben. Sollten die Entwürfe am Ende nicht das gleiche Ergebnis liefern? Würde es Ihnen etwas ausmachen, etwas näher darauf einzugehen?
Danke schön!!!
Am besten,
Betreff: Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenHallo @ADoyon ,
Ich freue mich, dass Ihnen diese erste Antwort geholfen hat.
Zu Ihren anderen Fragen:
- Auf dem zweiten Screenshot scheinen die beiden Einschränkungen gut spezifiziert zu sein. Ich habe in meiner ersten Antwort auch vergessen, es selbst zu tun, aber Sie können das Format Ihres B-Faktors in der Filtereinschränkung ändern, indem Sie auf das rote Dreieck und dann auf „Modellierungstyp“ = Kategorisch/Ordinal klicken: Dies ist einfacher, Einschränkungen zu erstellen und Vermeiden Sie die Verwendung von Dingen wie 0<= B < 1,99, wenn wir B einfach auf 1 festlegen möchten (siehe Screenshot-Einschränkungen2). Wenn man sich Ihre und meine Designmatrix ansieht, scheinen die Einschränkungen beachtet worden zu sein, sodass es gut funktionieren sollte.
- Ja, Sie sollten es behalten, da JMP es hinzufügt und seine Schätzbarkeit standardmäßig als „Wenn möglich“ angibt, sodass keine weiteren Durchläufe erforderlich sind Je nach Freiheitsgrad in Ihrem Modell versucht JMP, den quadratischen Term Ihres diskreten numerischen Faktors zu schätzen. Und im Vergleich zu einem kategorialen Faktor bedeutet ein diskreter numerischer Faktor, dass JMP weiß, dass eine Beziehung zwischen den Ebenen besteht (sie sind geordnet), im Vergleich zu einem reinen kategorialen Faktor (keine Beziehungen zwischen Ebenen, Ebenen sind nominal). Es gab ein Video, das den Unterschied zwischen diskreten numerischen und kategorischen Werten erklärt: Sehr geehrter Herr Dr. DOE, ist diskrete Numerik nicht nur kategorisch? - JMP-Benutzergemeinschaft .
Wenn Sie sich mehr Läufe leisten können, würde ich vorschlagen, einige Wiederholungsläufe hinzuzufügen, um die Stärke Ihrer Haupteffekte zu erhöhen (und die Fähigkeit zu erhöhen, einen signifikanten Haupteffekt zu erkennen, wenn er tatsächlich vorhanden ist). Möglicherweise haben Sie eine starke Budgetbeschränkung für Experimente, aber der Vergleich mehrerer Designs mit mehreren Stichprobengrößen kann Ihnen dabei helfen, die optimale Situation für Ihre Anforderungen auszuwählen.
Ich hoffe, dass dieses Follow-up auch Ihnen helfen wird,
Betreff: Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenHallo @Victor_G ,
Vielen Dank für Ihre schnelle Antwort! Das war sehr hilfreich!
Ich habe ein paar weitere Fragen:
1- Wenn Faktor B (der diskrete numerische Faktor, der die Anzahl biologischer Reaktionen angibt) 2 oder höher ist (3), dann kann Faktor D nicht Null sein.Wie kann ich diese zweite Einschränkung im Modell hinzufügen?
Ich habe es versucht, bin mir aber nicht sicher, ob ich es richtig gemacht habe (Screenshots im Anhang).
2- Das Modell fügte automatisch den quadratischen Term B*B mit Schätzbarkeit = hinzu, wenn möglich. Meinst du, ich sollte diesen Begriff beibehalten? (Ich versuche, dieses erste Design nicht zu groß zu machen)
Danke schön!!
Betreff: Hinzufügen einer komplexen Einschränkung zu einem benutzerdefinierten Design mit 4 FaktorenHallo @ADoyon ,
Willkommen in der Community!
Wenn Sie sich Ihr Problem und Ihre Möglichkeiten ansehen, empfehlen wir Folgendes:
- Definieren Sie zunächst Ihren Faktor B als diskrete Zahl, da die Anzahl der Reaktionen eine ganze Zahl ist (Sie können beispielsweise nicht 1,7 Reaktionen haben, sondern nur 1, 2 oder 3 in Ihrer Fallstudie).
- Der untere Wert von Faktor D sollte auf 0 festgelegt sein, wenn Sie bei nur einer Reaktion eine Wartezeit von 0 haben möchten.
- Da Faktor D (Zeit) in Ihrem Entwurf ein kontinuierlicher Faktor ist (Sie können jede gewünschte Reaktionszeit im angegebenen Bereich haben), würde ich empfehlen, den quadratischen Term D*D in das Modell einzufügen, da für (chemische) Reaktionen Zeit hat oft keinen linearen Zusammenhang mit der Ausbeute/Leistung.
- Abhängig davon, ob die Reaktion „online“ ohne Verschlechterung gemessen werden kann, wäre es möglicherweise sinnvoll, die Reaktion in mehreren Zeitintervallen aufzuzeichnen, um eine Modellierung der Reaktion im Verhältnis zur Zeit (mit den Eingabefaktoren) zu erhalten?
- Zu guter Letzt bin ich mit Ihrem Thema nicht vertraut, aber auch die Auswahl anderer Einstellungen für Faktoren kann Ihr Problem lösen (zum Beispiel die Änderung der Wartezeit in die Reaktionszeit).
Basierend auf Ihren Eingaben können Sie zu „Filter für unzulässige Kombinationen verwenden“ gehen und den Bereich auswählen, den Sie aus Ihrem Design ausschließen möchten (hier 1 =< B < 2 UND D > 0, siehe Screenshot-Einschränkungen zum Beispiel). JMP sollte Ihnen dann ein Design anbieten, das diese spezifische Einschränkung berücksichtigt (siehe Screenshot Matrix und Experimentalraum).
Es gibt möglicherweise bessere (und intelligentere) Möglichkeiten, dies zu tun, oder geeignetere Designs/Faktorenkonfigurationen, um über dieses Thema nachzudenken, aber dies sollte Ihre Bedürfnisse und Fragen beantworten.
Ich hoffe es hilft dir,
