548416_es-ES

liliconcom

Agregar una restricción compleja a un diseño personalizado con 4 factores

Hola,

Estoy creando un diseño personalizado con 4 factores (Factores A, B, C y D).

Tengo una pregunta sobre una restricción que tiene que ver con los factores B y D.
- El factor B es en realidad el número de reacciones realizadas en secuencia en el mismo experimento. Puede ser 1 reacción, 2, 3 o más reacciones en secuencia. Establecí el rango como 1-3 (no más alto porque no estoy interesado en este momento en >3 reacciones en secuencia).
- El factor D es el tiempo que espero entre las reacciones en secuencia. Por lo tanto, sólo defino el Factor D cuando el Factor B es >1. El rango es de 0,1 a 10 segundos.El factor D sería 0 si el factor B es 1. En otras palabras, cuando el número de reacciones realizadas en secuencia (factor es solo 1, el factor D no existe porque fue solo 1 reacción y, por lo tanto, no necesito esperar ningún segundo ya que no hay otra reacción. en secuencia realizado.

¿Cómo puedo definir esta restricción en mi modelo de diseño personalizado?

¡¡Gracias!!
PD: Yo uso una Mac.

Diseño de experimentosMac OSRe: Agregar una restricción compleja a un diseño personalizado con 4 factores

Gracias por la visión de usted, @Mark_Bailey y @Victor_G !!

Re: Agregar una restricción compleja a un diseño personalizado con 4 factores

Gracias, @Victor_G , por la pronta y clara respuesta, así como por todos los materiales ofrecidos! ¡¡¡Es realmente útil!!!

Re: Agregar una restricción compleja a un diseño personalizado con 4 factores

Hola de nuevo @ADouyon ,

Como primera descripción general, sí, tienes razón: la potencia (= probabilidad de detectar un efecto si está realmente activo) debe ser lo más alta posible, la variación de predicción y la fracción del espacio de diseño del gráfico lo más bajas posible. Pero como respondió @Mark_Bailey , comparará en prioridad con otros diseños lo que necesita de su plan experimental (ya que tener todo alto/perfecto a menudo no es posible o a costa de una gran cantidad de experimentos):

• Si está utilizando un DoE para detectar los efectos principales (y quizás las interacciones), no le interesa principalmente la variación de la predicción y la fracción del espacio de diseño, sino más bien la detección de efectos significativos entre sus factores (y quizás las interacciones). Así que preferirás centrarte en el análisis de poder.
• Si está utilizando un DoE para optimizar un proceso/fórmula, le gustaría obtener las respuestas previstas con la mayor precisión posible, por lo que le gustaría tener la variación de predicción más baja. Por lo tanto, comparará con otros diseños la varianza de predicción sobre el espacio experimental y la fracción del gráfico del espacio de diseño.

Encontrará información sobre la evaluación del diseño aquí (y en las páginas siguientes): Diseño (jmp.com)

 

Sí, como mi diseño principal para comparar fue Custom-Design_0-replicates (con el menor número de experimentos y sin réplicas), la mayoría de los otros diseños funcionaron mejor (ya sea porque tienen ejecuciones replicadas, por lo que una estimación de ruido similar o mejor). varianza para el mismo número de experimentos, o porque tuvieron un mayor número de experimentos (últimos 2 diseños), mejorando así todas las eficiencias), por lo que las eficiencias de este diseño simple fueron peores en comparación con otros diseños (de ahí los valores rojos).

Cambiar el diseño principal en la comparación habría cambiado las eficiencias relativas presentadas (y por lo tanto los colores dependiendo de los beneficios (verde) o inconvenientes (rojo) del diseño en comparación con otros).

 

No, las restricciones se guardan en el diseño, por lo que cuando aumenta su diseño y lo replica (seleccionando los factores y la respuesta correctos en el menú correspondiente y luego haciendo clic en "Aceptar"), sus restricciones se recordarán y se mostrarán. by JMP en la nueva ventana, con las diferentes opciones disponibles para ampliar tu diseño (y especialmente para tu caso "Replicar"). Dependiendo de la cantidad de veces que desee realizar cada ejecución (preguntada por JMP después de hacer clic en "Replicar"), JMP creará "copias" de sus ejecuciones de diseño iniciales.

Re: Agregar una restricción compleja a un diseño personalizado con 4 factores

Hola @ADouyon ,

 

Con respecto a esta nueva característica en JMP 17, debería estar disponible pronto (finales de octubre - principios de noviembre), según el sitio web de JMP: Nuevo en JMP 17 | Software de descubrimiento estadístico de SAS
Ya hay disponible aquí un fascinante y brillante documento técnico de esta nueva funcionalidad (Design Explorer), que promete casos de uso muy interesantes en la selección de un diseño óptimo: Elegir el diseño correcto, con la ayuda del Design Explorer de JMP | JMP

 

1- ¡Exactamente! Perdón por no ser claro, esto es exactamente lo que quise decir: prefiero crear varios diseños en mi computadora con JMP y elegir el más relevante de acuerdo con el presupuesto, el objetivo y las limitaciones del experimento, en lugar de ir al laboratorio con el primero. diseño creado y descubrí más tarde que es posible que haya olvidado algunas restricciones o que no todos mis experimentos son factibles/posibles.

 

2- ¡Claro! Cuando haya creado varios diseños y las tablas de datos correspondientes para cada diseño, puede ir a DoE -> Diagnóstico de diseño -> Comparar diseños. Allí, puede seleccionar todas las tablas de diseños (máximo 5 diseños en total, es decir, 4 seleccionados + el diseño desde donde hizo clic en "Comparar diseños") y hacer coincidir los factores si tienen nombres diferentes en las tablas (si tienen el mismos nombres como en su captura de pantalla (x1 y x1, ...), JMP descubrirá que son iguales, por lo que no necesita hacer coincidir cada factor individualmente). Entonces deberías tener la misma vista que yo. Más información aquí: Evaluar ventana de diseño (jmp.com)

 

3- Las informaciones de "Diagnóstico de Diseño" son valores que deben compararse con otros diseños para ver las fortalezas y debilidades de cada diseño. Cada eficiencia puede ir de 0 a 100. Se mencionan diferentes eficiencias:

• La eficiencia D está vinculada a la precisión de la estimación de parámetros y es muy importante en los diseños factoriales/de selección, para estimar con precisión la importancia y el tamaño del efecto de los efectos en el modelo.
• La eficiencia G está vinculada a la minimización de la varianza de la predicción en todo el espacio experimental y es muy importante en el diseño de optimización (centrado más en el rendimiento predictivo que en explicaciones causales/significación estadística).
• La eficiencia A está vinculada a la minimización y optimización del alias entre efectos; cuanto mayor sea la eficiencia A, menor y más precisa (e insesgada) será la estimación de los coeficientes de regresión.

Más información aquí: Diagnóstico de diseño (jmp.com)

 

4- Muy buena pregunta y no tengo una respuesta clara. Presumiblemente, esto se debe al algoritmo de intercambio de coordenadas (utilizado para el diseño personalizado) y a los puntos de inicio/generación aleatorios para el diseño. Como el diseño se genera a partir de puntos aleatorios en el espacio de diseño, la repartición óptima de puntos en el espacio experimental puede cambiar de una generación de diseño a otra. De ahí que se puedan ver algunos ligeros cambios en los valores al generar nuevamente el diseño. Puede cambiar manualmente estos valores al valor más cercano (aquí 2) sin cambiar demasiado la optimización de su diseño, o intentar generar nuevamente el diseño, eventualmente aumentando el número de inicios aleatorios y/o el tiempo de búsqueda del diseño (en rojo). triángulo cerca de "Diseño personalizado" encontrará "Número de inicios" y "Tiempo de búsqueda de diseño").

Re: Agregar una restricción compleja a un diseño personalizado con 4 factores

Hay mucha información en el esquema de diagnóstico. Algunas cosas son más relevantes a veces. No digo que no debas mirarlo todo, pero generalmente somos algo selectivos en la información que utilizamos para comparar los diseños. El poder, la eficiencia de las estimaciones y la correlación de las estimaciones son más críticos cuando estoy examinando factores o efectos de factores. Por otro lado, la varianza de la predicción (perfilada o integrada) es más aguda cuando estoy listo para optimizar la configuración de mis factores en función de las predicciones del modelo.

Re: Agregar una restricción compleja a un diseño personalizado con 4 factores

Gracias @Victor_G ¡Por dilucidar todo con tanta profundidad! ¡¡Muy apreciado!!

Entonces, al comparar diseños, entiendo que idealmente queremos que la 'varianza de predicción' de la 'fracción de la trama espacial de diseño' sea baja, mientras que queremos que la 'potencia' de la 'planta de análisis de energía' sea alta (cerca de ~1). ¿Es esto correcto?

Me pregunto si podría ampliar la interpretación de los valores de eficiencia de Design Diagnostics (que se muestran en la captura de pantalla de "color-map+efficiency_comparison"; muestra que el rojo es malo, sin embargo, hay más valores rojos en la última comparación (0 réplicas versus diseño aumentado).

Además, al aumentar el diseño con las réplicas como sugirió, ¿tengo que definir las restricciones nuevamente?
Gracias @Victor_G ¡¡por adelantado!!
Mejor,

Re: Agregar una restricción compleja a un diseño personalizado con 4 factores

Hola @Victor_G ,

Continuando con su respuesta del 27 de septiembre sobre la comparación de múltiples diseños, lo cual, según dijo, será más fácil de hacer en JMP17. Me preguntaba, ¿sabe cuándo podremos utilizar esta nueva versión de JMP17? ¡Parece una gran característica!

1- Además, para asegurarme de que entiendo esto. Cuando dices que te gusta comparar diseños primero. Te refieres a JMP, no al laboratorio. Entonces prefieres comparar siempre diferentes diseños con JMP DOE antes de probar físicamente el diseño, ¿correcto?

2- No recuerdo haber visto nada sobre comparaciones de diseños DOE en el curso "Diseño personalizado de experimentos". Seria posible @Victor_G para proporcionar más información sobre cómo va de "DOE > Diagnóstico de diseño > comparar diseños" a 1) el potencia, 2) perfil de predicción de varianza y 3) matriz de correlación/mapa de colores ? (Lo intenté pero no sé qué debo seleccionar exactamente...)


3- En la misma nota, ¿cuál es el significado de esta información de "Diagnóstico de diseño" (ver captura de pantalla) que se puede ver justo antes de hacer la tabla?

4- Última pregunta ¿Por qué cuando estoy haciendo el diseño nuevamente, ahora JMP eligió dos ejecuciones con puntos de datos 'X1' como 1,93 y 1,89 (dos ejecuciones separadas) que no están centradas en absoluto? X1 se configura como un factor continuo con un rango de 1 a 3. Estoy de acuerdo con los decimales para este factor, sin embargo, me pregunto por qué JMP eligió esos dos valores tan cerca uno del otro en lugar de valores más dispersos en el espacio experimental.

Muchas gracias @Victor_G ¡¡Por sus respuestas rápidas y detalladas!! Súper útil, gracias!!! ¡Estoy aprendiendo mucho!

Re: Agregar una restricción compleja a un diseño personalizado con 4 factores

Hola @ADouyon ,

Con los diseños y modelos correctos, las comparaciones son un poco diferentes:

• En cuanto a la potencia, no parece haber una mejora significativa entre los diseños sin ejecuciones repetidas o con 2 o 4 ejecuciones replicadas. Tener 8 ejecuciones replicadas (para un total de 27 ejecuciones experimentales) o replicar completamente el diseño original (para 36 experimentos en total) mejora la potencia.
• Para la predicción de la varianza, tener 2 ejecuciones replicadas (para el mismo número de ejecuciones totales: 18) parece reducir de manera más eficiente la varianza en todo el espacio que tener 4 ejecuciones replicadas (o ninguna). Tener 8 ejecuciones replicadas (¡para 27 experimentos!) reduce un poco la varianza de la predicción en el espacio experimental, pero es bastante similar a lo que se obtiene con 2 ejecuciones replicadas. Y seguro, si replicas tu diseño original (y duplicas el número de experimentos de 18 a 36...), tu varianza de predicción se dividirá por dos.
• En términos de eficiencia y alias, replicar todo el diseño le dará el mismo alias/correlación entre términos, mientras que agregar ejecuciones replicadas puede cambiar y reducir algunos alias. Las eficiencias son bastante similares para diseños con la misma cantidad de ejecuciones y seguramente aumentarán cuando aumente la cantidad de experimentos.
  
  Espero que esta parte te ayude y no te genere confusión adicional.

Re: Agregar una restricción compleja a un diseño personalizado con 4 factores

Hola de nuevo @ADouyon ,

 

1. El "límite inferior" es la solución más baja aceptable para su situación (define un rango de valores posible y aceptable desde su límite más bajo hasta su límite más alto) y puede tener un impacto si tiene varias respuestas. En el caso de una respuesta única, no importa mucho porque JMP intentará optimizar la respuesta de cualquier manera (maximizar/minimizar o igualar el valor), por lo que el límite inferior se evitará en cualquier caso a toda costa al encontrar la respuesta correcta. configuración de factores (en el caso de "Maximizar"). El cambio estará en la pendiente de la función de deseabilidad (consulte la captura de pantalla Profiler-1 realizada con un límite inferior de 350 y Profiler-2 realizada con un límite inferior de 450 en el caso de uso "Bounce Data" de JMP).
   
   Si tiene varias respuestas, cambiar la pendiente de uno de sus perfiles de deseabilidad de respuesta puede cambiar el óptimo encontrado, porque JMP intentará maximizar el valor de deseabilidad general (teniendo en cuenta todas las funciones de deseabilidad de las respuestas), por lo que tener una pendiente más pronunciada para una respuesta significa que esta respuesta puede tener una mayor influencia en la solución de optimización de deseabilidad (porque reducirá el rango de valores aceptables; consulte la comparación de la optimización del generador de perfiles con las capturas de pantalla Profiler-desirability-1 y Profiler-desirability-2 en el conjunto de datos Tiretread.jmp de casos de uso de datos de JMP). También tenga en cuenta que la importancia asignada a cada una de sus respuestas también influirá en gran medida en el óptimo encontrado: cuanto mayor sea la importancia de la respuesta, mayor será la influencia de esta respuesta en la situación óptima encontrada.
   Puede encontrar más información sobre el perfil de deseabilidad aquí: El perfil de deseabilidad (jmp.com)
   
   
   
2. El uso y el número de réplicas están determinados por su objetivo, potencia de los efectos, precisión esperada para sus experimentos/predicciones,... Tenga cuidado en JMP, hay dos opciones: "número de ejecuciones replicadas" (en Diseño personalizado), es decir aquí el número de carreras a repetir y "número de réplicas" (en diseño clásico), es decir El número de veces que se debe realizar cada ejecución (además de las ejecuciones originales): Re: Número de réplicas de diseño personalizado - Comunidad de usuarios de JMP .
   
   Es difícil sin saber todo esto (y sin experiencia en el dominio) saber cuál puede ser la opción más adecuada para su caso, pero recomendaría probar diferentes opciones (sin ejecuciones replicadas, 2 ejecuciones replicadas, 4 ejecuciones replicadas, 8 ejecuciones replicadas ...) y utilice la plataforma "Comparar diseños" (que se encuentra en DoE -> Diagnóstico de diseño) para evaluar qué número de ejecuciones sería óptimo para su caso (mayor impacto para el menor número de réplicas). Adjunto puede encontrar las diferentes comparaciones realizadas con la configuración de su DoE para ejecuciones de 0, 2, 4 y 8 réplicas para comparaciones de potencia, varianza y correlación, con la tabla de datos individual creada para cada DoE. Aquí, para ejecuciones de 2 y 4 réplicas, JMP termina con el mismo número predeterminado de experimentos (18) con propiedades similares para estos diseños. Sin embargo, podemos ver claramente una brecha entre 0 y 2/4 ejecuciones repetidas en términos de potencia, perfil de predicción de varianza (casi dividido por un factor 2 en el caso de 2 o 4 ejecuciones repetidas en comparación con 0 ejecuciones repetidas) y matriz de correlación/ mapa de colores (alias entre términos en el modelo), por lo que el diseño de 18 ejecuciones (ya sea 2 o 4 ejecuciones repetidas) puede ser un buen compromiso aquí para obtener resultados confiables y precisos sin aumentar demasiado los costos experimentales (27 experimentos para 8 réplicas). ejecuta diseño!).
   
   Si realmente desea comparar con un diseño duplicado/triplicado... (para tener réplicas y no solo ejecuciones replicadas), puede crear el diseño original propuesto por JMP (con 9 experimentos, sin ejecuciones replicadas) y luego aumentarlo. (en DoE -> Aumentar diseño) seleccionando la opción "Replicar". Luego, JMP le preguntará la cantidad de veces que debe realizar cada ejecución, por lo que si ingresa "2", terminará con su diseño duplicado con 18 ejecuciones. Tenga en cuenta que en este caso, las dos opciones (réplicas y ejecuciones replicadas) brindan rendimientos de diseño muy similares para la misma cantidad de ejecuciones (aquí probado con 18 ejecuciones en total).
   
   
   
3. No sé exactamente cómo manejar esto. Si no sabe en su espacio experimental qué condiciones harán que su experimento tenga éxito o fracase, una opción podría ser probar su espacio experimental primero con un "diseño de alcance" ( Diseños de alcance | Prisma (prismtc.co.uk) ) para verificar si las condiciones de sus factores son posibles en el laboratorio (y luego aumentar este diseño a uno de detección, y quizás luego aumentarlo a uno de optimización con modelos de Superficie de Respuesta).
   
   Si ya sabe qué factores harán que su experimento tenga éxito o fracase, tal vez pueda incluir la configuración y crear ejecuciones apropiadas en su DoE, e incluir o agregar estas ejecuciones también en su análisis, ya sea como parte del diseño o como parte del diseño. puntos de validación (excluidos para el análisis del diseño, pero agregados al final para verificar que las predicciones del diseño coincidan con sus conocimientos).

Espero que estas respuestas te ayuden (perdón por la publicación tan larga),

PD: Tengo 9 ejecuciones en mi diseño original sin ejecuciones replicadas, esto se debe a que no agregué los términos X1*X1 y X1*X2 en el modelo, pero la presentación general y la comparación del diseño aún pueden ser válidas (usted Es posible que tenga que verificarlo, si es necesario, puedo intentar cambiar los diseños y proporcionar comparaciones y capturas de pantalla válidas hoy).

 

Re: Agregar una restricción compleja a un diseño personalizado con 4 factores

Hola de nuevo @Victor_G ,

Tengo un seguimiento de un par de preguntas de seguimiento:

1- Si quiero maximizar mi respuesta al valor más alto posible, todavía tengo que definir el 'límite inferior' para la respuesta, ¿verdad? Pero, ¿importa mucho este 'límite inferior'? ¿Importa si lo configuro en 10, 50 o 100? (No sé cómo utilizar este valor de 'límite inferior'... ya que lo único que me importa es obtener la máxima respuesta posible).

 

2- Este DOE en el que estoy trabajando es para una reacción biológica. Por lo general, en ciencia/biología, realizamos experimentos replicados para cada condición (ejecución); eso significa que realizamos cada ejecución experimental por duplicado (o triplicado). Entiendo que esto no es práctico: si mi DOE consta de 18 ejecuciones en total, no tiene sentido para mí duplicar las 18 ejecuciones, porque eso sería un total de 36 ejecuciones, lo que anularía el propósito de usar DOE. ...
Entonces, ¿cómo hago para decidir el número de ejecuciones replicadas? ¿Cómo decidir si necesito sólo 2, 4 o 10 réplicas?

3- En la misma nota, en ciencia/biología, los investigadores generalmente también agregan algunas reacciones de control positivas y negativas a sus experimentos. Esa es una reacción que esperamos que fracase porque sabemos de antemano que fracasará y una reacción que esperamos que tenga éxito porque tenemos conocimiento previo de que funciona bien. ¿Cómo hacen esto los usuarios del DOE en general?

Muchas gracias @Victor_G ¡¡¡para su ayuda!!!
Mejor,

Re: Agregar una restricción compleja a un diseño personalizado con 4 factores

Gracias de nuevo @Victor_G por responder siempre tan rápido y con respuestas tan claras!! ¡Muy apreciado!

(Puedo intentar hacer una publicación adicional para esa; solo por curiosidad )

Re: Agregar una restricción compleja a un diseño personalizado con 4 factores

Muchas gracias @Victor_G ! Lo intenté y pude hacerlo

Re: Agregar una restricción compleja a un diseño personalizado con 4 factores

Hola @ADouyon ,

 

Para los factores que no pueden tomar ningún valor decimal, tienes dos opciones:

1. La primera y fácil puede ser cambiar los números sin valores decimales en la tabla de datos, cambiando el formato a "Dic fijo" y Dec = 0 (ver captura de pantalla). Pero el diseño puede perder un poco de su optimización y los valores óptimos para estos factores del modelo para el generador de perfiles de predicción pueden tener decimales.
2. La otra forma es tratar esos factores como "numéricos discretos", con niveles específicos (consulte mis comentarios anteriores para obtener más información sobre el tipo de factor numérico discreto). Me parece mejor de esta manera, ya que esta "restricción" se tiene en cuenta directamente en el modelo. En tu caso puede que no sea interesante utilizar todos los niveles posibles de tu equipo (con un incremento de 1) en los niveles del factor numérico discreto, pero elegir al menos 3 niveles (mínimo, medio y máximo) puede ser interesante en para observar posibles efectos cuadráticos. En el generador de perfiles de predicción, se tratará como un factor categórico, pero teniendo en cuenta la ordinalidad de los niveles (como 2 < 5 < 7... ver captura de pantalla para el Factor 4), para que puedas echar un vistazo a la tendencia entre cada uno. niveles.

 

Puede haber otras opciones para hacerlo, así que no dudes en crear una nueva publicación y comprobar las aportaciones y respuestas de otros usuarios.

Al final, elige la opción con la que te sientas más cómodo.
Espero que te ayude,

 

Re: Agregar una restricción compleja a un diseño personalizado con 4 factores

Hola @ADouyon ,

Parece que puede guardar y cargar restricciones sólo si se hace mediante la opción "Especificar restricciones lineales".

Lo que puedes hacer en tu caso es

1. para generar su DoE completamente con la restricción que agregó, y luego verá un nuevo script en su tabla de datos llamado "Combinaciones no permitidas" (ver captura de pantalla Disallowed_Combinations-datatable-script.jpg).
2. Si hace clic derecho sobre él, luego hace clic en "Editar", puede copiar el código JSL de las combinaciones no permitidas (consulte Disallowed_Combinations-datatable-script-Edit.jpg) y...
3. Úselo (péguelo) en la creación del diseño personalizado, en la opción "Usar script de combinaciones no permitidas" (ver captura de pantalla "Use-disallowed-combinations-script.jpg).

Puede haber una forma más inteligente y automática de hacer esto (¿a través de secuencias de comandos JSL tal vez?), pero este enfoque funciona (y no es necesario recrear manualmente las combinaciones no permitidas).

 

Espero que te ayude !

Re: Agregar una restricción compleja a un diseño personalizado con 4 factores

También, @Victor_G ¿Sabes cómo puedo especificar en el modelo que los valores de mis factores no pueden tener números decimales (es decir, 0,5)? Dos de mis factores son variables que configuro en un instrumento. Pero el instrumento no permite utilizar unidades decimales porque tiene que ser un número entero. El instrumento permite al usuario cambiar el valor de estos factores en incrementos de 1 unidad (es decir, 21, 22, 23...).

¿Puedo agregar esto también de alguna manera a mis restricciones?

gracias de antemano @Victor_G !
Mejor,

Re: Agregar una restricción compleja a un diseño personalizado con 4 factores

Hola @Victor_G ¡de nuevo! Tengo una pregunta rápida; ¿Sabes por qué no puedo guardar las restricciones de mi modelo como podemos hacer con los factores y las respuestas?
¡gracias!
Mejor,

 

Re: Agregar una restricción compleja a un diseño personalizado con 4 factores

Muchas gracias por tus amables comentarios y sugerencias. @ADouyon !
¡Me alegra que mis respuestas hayan sido útiles y lo suficientemente claras!

Re: Agregar una restricción compleja a un diseño personalizado con 4 factores

¡Gracias una vez más, Víctor!

Re: Agregar una restricción compleja a un diseño personalizado con 4 factores

Gracias increíblemente, @Victor_G ! ¡Muy apreciado! Tus comentarios son sumamente útiles y claros, ¡gracias!

Re: Agregar una restricción compleja a un diseño personalizado con 4 factores

Un comentario adicional para mencionar un gran recurso sobre la naturaleza secuencial de los experimentos, de Prism Training & Consultancy: Artículo: La naturaleza secuencial del diseño clásico de experimentos | Prisma (prismtc.co.uk)

Este artículo explica muy bien el proceso detrás del DoE, desde la creación y evaluación del alcance experimental de los factores hasta la selección y luego la optimización. Esto es parte de una serie de artículos que pueden ser de su interés.

Feliz lectura !

Re: Agregar una restricción compleja a un diseño personalizado con 4 factores

Hola @ADouyon !

 

Me alegro que las respuestas hayan sido útiles. No sé qué tan común puede ser esta práctica, pero personalmente prefiero dedicar más tiempo a comparar diferentes diseños y tamaños de muestra que ir al laboratorio y hacer los experimentos rápidamente, para finalmente ver que es posible que haya olvidado una restricción, o que Mi diseño no se adapta lo suficientemente bien a mis necesidades.

--> Para ilustrar esto, me gusta mucho esta cita de Ronald Fisher : " Consultar al estadístico una vez finalizado un experimento es a menudo simplemente pedirle que realice un examen post mortem. Quizás pueda decir de qué murió el experimento".

Diferentes diseños pueden llevar a diferentes interpretaciones de los resultados, dependiendo de qué términos se encuentren en los diferentes modelos. Por ejemplo, los diseños de detección con efectos principales solo pueden ayudar a filtrar factores relevantes para el seguimiento de un estudio, pero pueden carecer claramente de precisión y predicción de las respuestas en presencia de interacciones de dos factores y/o efectos cuadráticos (posible falta de ajuste). ).

 

Tienes varias opciones para generar diferentes diseños y compararlos:

• Cambie (agregue/elimine) los términos en el modelo (interacciones de 2 factores, efectos cuadráticos, ...) o su estimabilidad (puede cambiar la estimabilidad de "Necesario" a "Si es posible" para 2FI y efectos cuadráticos).
• Variar los tamaños de muestra (número de experimentos) en el diseño agregando ejecuciones replicadas: ¿son las ejecuciones adicionales lo suficientemente relevantes y útiles como para ganar en la precisión de las estimaciones o en la predicción de la varianza relativa en el espacio experimental?
• Cambie el criterio de optimización (dependiendo de su objetivo: optimización D para la detección, optimización I para una buena precisión de predicción de respuesta, optimización de alias para mejorar el alias entre términos en el modelo...)
• Cambia el tipo de diseño (¡si es posible!)...

 

Por el momento, para comparar diferentes DoE hay que crearlos en JMP y luego ir a "DoE", "Design Diagnostics" y luego a "Compare Designs". Pero ... Alerta de spoiler ! : En JMP 17, será mucho más fácil comparar varios diseños (ver capturas de pantalla), ya que se incluirá una plataforma "Design Explorer" en la creación del DoE, por lo que no es necesario crearlos manualmente uno por uno: puede crear varios diseños en segundos y filtrelos según sus objetivos y criterios de decisión.

 

Y finalmente, aproveche los "diseños iterativos" y no espere ni intente resolver todas sus preguntas con un (gran) diseño. Puede ser más poderoso y eficiente comenzar poco a poco con un diseño de detección, por ejemplo, y luego usar el aumento para buscar más detalles, como interacciones y posibles efectos no lineales. Finalmente, si su objetivo es optimizar algo, puede volver a aumentar su diseño para que se ajuste a un modelo de superficie de respuesta completo. En cada paso, usted reúne más conocimientos sobre su sistema y se asegura de que el próximo diseño aumentado aporte aún más conocimientos, sin desperdiciar experimentos/ejecuciones, tiempo ni recursos.

La plataforma de "diseño aumentado" es realmente una herramienta poderosa (y a menudo subestimada) para recopilar más datos, obtener más comprensión y construir modelos más precisos sin perder información previa.

 

Espero que esta respuesta te ayude,

 

Re: Agregar una restricción compleja a un diseño personalizado con 4 factores

Muchas gracias, @Victor_G !! Se lo agradezco mucho. ¡¡Tus respuestas son súper útiles!!

Tomé un par de cursos sobre JMP DOE y leí que no deberíamos invertir >25% de nuestros esfuerzos en el primer experimento. Para nosotros el tiempo es el recurso más limitado que tenemos. Me preguntaba, ¿es común generar más de un diseño con diferentes tamaños de muestra para comparar, como mencionaste? ¿Los diseños no deberían dar el mismo resultado al final? ¿Te importaría ampliar un poco más eso?

¡¡¡Gracias!!!
Mejor,

Re: Agregar una restricción compleja a un diseño personalizado con 4 factores

Hola @ADouyon ,

 

Me alegro que esta primera respuesta te haya ayudado.

En cuanto a sus otras preguntas:

 

1. En la segunda captura de pantalla, parece que las dos restricciones están bien especificadas. También olvidé hacerlo yo mismo en mi primera respuesta, pero puedes cambiar el formato de tu factor B en la restricción del filtro haciendo clic en el triángulo rojo, luego "Tipo de modelado" = Categórico/Ordinal: así es más fácil crear restricciones y evite usar cosas como 0<= B < 1,99 cuando simplemente queremos que B se fije en 1 (ver restricciones de captura de pantalla 2). Al observar su matriz de diseño y la mía, parece que se han respetado las restricciones, por lo que debería funcionar bien.
   
2. Sí, debes conservarlo, ya que JMP lo agrega y especifica su estimabilidad como "Si es posible" de forma predeterminada, por lo que no requerirá más ejecuciones, pero las ejecuciones estarán mejor organizadas en el espacio experimental, de modo que en caso de que tengas suficientes grado de libertad en su modelo, JMP intentará estimar el término cuadrático de su factor numérico discreto. Y en comparación con un factor categórico, tener un factor numérico discreto significa que JMP sabe que existe una relación entre los niveles (están ordenados), en comparación con un factor categórico puro (no hay relaciones entre niveles, los niveles son nominales). Había un vídeo que explicaba la diferencia entre numérico discreto y categórico: Estimado Dr. DOE, ¿el número discreto no es simplemente categórico? - Comunidad de usuarios de JMP .

 

Si puede permitirse más ejecuciones, sugeriría agregar algunas ejecuciones replicadas para aumentar el poder de sus efectos principales (aumentando la capacidad de detectar un efecto principal significativo si realmente está presente). Es posible que tenga una restricción presupuestaria experimental severa, pero comparar varios diseños con varios tamaños de muestra puede ayudarlo a elegir la situación más óptima para sus necesidades.

 

Espero que este seguimiento te ayude a ti también.

Re: Agregar una restricción compleja a un diseño personalizado con 4 factores

Hola @Victor_G ,

¡Muchas gracias por tu rápida respuesta! ¡Esto fue muy útil!
Tengo un par de preguntas de seguimiento:

1- Cuando el Factor B (el factor numérico discreto que es el número de reacciones biológicas) es 2 o superior (3), entonces el Factor D no puede ser cero.¿Cómo puedo agregar esta segunda restricción en el modelo?
Lo intenté pero no estoy seguro de haberlo hecho bien (se adjuntan capturas de pantalla).

2- El modelo agregó automáticamente el término cuadrático B*B con estimabilidad = si es posible. ¿Crees que debería mantener este término? (Estoy intentando que este primer diseño no sea demasiado grande)

¡¡Gracias!!

Re: Agregar una restricción compleja a un diseño personalizado con 4 factores

Hola @ADouyon ,

 

¡Bienvenido a la Comunidad!

Analizando su problema y sus opciones, esto es lo que se recomienda:

• Primero, defina su factor B como un numérico discreto, porque el número de reacciones es un número entero (no puede tener 1,7 reacciones, por ejemplo, solo 1, 2 o 3 en su caso de estudio),
• El factor D debe tener un nivel inferior fijado en 0 si desea tener un tiempo de espera de 0 cuando solo hay una reacción.
• Dado que el factor D (tiempo) es en su diseño un factor continuo (puede tener cualquier tiempo de reacción que desee en el rango especificado), recomendaría agregar el término cuadrático D*D en el modelo, ya que para reacciones (químicas), el tiempo no suele tener una relación lineal con el rendimiento/producción.
• Dependiendo de si la respuesta se puede medir "en línea" sin ninguna degradación, ¿quizás tendría sentido registrar la respuesta en varios intervalos de tiempo, para tener una modelización de la respuesta frente al tiempo (con los factores de entrada)?
• Por último, pero no menos importante, no estoy familiarizado con su tema, pero elegir diferentes configuraciones para los factores también puede resolver su problema (cambiar el tiempo de espera por el tiempo de reacción, por ejemplo).

 

Según sus entradas, puede ingresar a "Usar filtro de combinaciones no permitidas" y seleccionar el rango que desea excluir de su diseño (aquí, 1 =< B < 2 Y D > 0, consulte las restricciones de captura de pantalla, por ejemplo). Luego, JMP debería ofrecerle un diseño que aborde esta restricción específica (consulte la captura de pantalla Matrix y Experimental Space).

 

Puede haber formas mejores (y más inteligentes) de hacerlo, o una configuración de diseños/factores más apropiada para pensar en este tema, pero esto debería responder a sus necesidades y preguntas.

 

Espero que te ayude,