gama y poderHola,
Al planificar un experimento y observar el diseño y la potencia de cada parámetro (en el paso de diseño inicial), existe la opción de cambiar el RMSE. Al cambiarlo, obviamente se cambia el poder. La pregunta es cómo podemos predecir o asumir este parámetro en el futuro (en un experimento de detección, por ejemplo).
GraciasDiseño de experimentosRe: Doe y poderNo hay debate sobre cuestionar siempre el sistema de medición. Puede comprenderlo a priori o durante un experimento con componentes anidados dentro de los tratamientos. Creo que existen métodos mejores que el "típico" R&R del medidor (ver Wheeler).
Pero mi punto tiene menos que ver con los errores de medición y más con cómo se estima el error experimental y qué representa durante un experimento.
Re: Doe y poder@statman planteas un muy buen punto aquí. Probablemente, en la mayoría de los casos querríamos que el ruido (RMSE) en el experimento reflejara la variación típica del proceso porque realmente queremos entender si los efectos del tratamiento son grandes en relación con lo que esperaríamos típicamente en la producción.Si ejecutamos, digamos, 3 réplicas durante un DOE de 15 o 20 ejecuciones (una cerca del principio, otra cerca de la mitad y otra cerca del final) y si, en promedio, obtenemos resultados "similares" con poca dispersión , entonces tenemos alguna indicación razonable de que el proceso de medición es estable.
Pero, ¿cuánto diferencial es un "poco"?Un Gauge R&R debería ayudarnos a considerar una manera de establecer una línea de base de la precisión de nuestro método de medición para Y, tal vez incluso antes de hacer un DOE (para la caracterización y el descubrimiento de procesos).Si podemos caracterizar la repetibilidad y reproducibilidad (precisión) del sistema de medición en Gauge R&R, al menos tenemos una línea de base para lo que determinamos como "precisión aceptable" en la medición de Y antes de ejecutar ese DOE. Por supuesto, podríamos hacer esto al mismo tiempo que un DOE. Todo realmente depende, en mi opinión, de cosas como la "robustez" del sistema de medición (que depende de cosas como: qué tan bien lo hemos caracterizado antes, qué tan complejo creemos que es el sistema). , cuánto entendemos sobre la interacción del sistema de medición con la parte de interés que puede o no estar dentro del alcance del estudio Gauge R&R... ¡Y ese es otro tema de debate!)
Re: Doe y poderQuizás, pero la pregunta es: ¿Son significativos los efectos del tratamiento (factores e interacciones) en comparación con la variación "típica" del proceso? Si las ejecuciones del punto central son las condiciones actuales, entonces las réplicas de estas (aleatorizadas en todo el orden de diseño) podrían proporcionar una buena estimación de la variación actual del proceso y si alguno de los tratamientos es significativo en comparación con esta variación. El objetivo no es determinar la importancia de los efectos del tratamiento en el espacio de diseño. Es para determinar si los efectos del tratamiento serán significativos y útiles en el futuro.
Re: Doe y poderGran discusión; como uno de mis queridos mentores en la industria, @charles_chen le gusta decir: "Evaluar R&R y DOE juntos".
Re: Doe y poderHola Phil,
Este es un buen punto y estoy de acuerdo sobre el ruido en el espacio factorial. Cuando realmente realizamos experimentos y medimos los resultados en entornos extremos, puede ser variable debido a las limitaciones de las propiedades de los equipos/máquinas/materias primas. En tal caso, lo que creo es considerar el valor promedio de ruido y señal para iniciar el diseño del DoE.
Re: Doe y poderSí, @PatrickGiuliano Creo que habrá muchos casos en los que el "ruido" no sea constante en todo el espacio factorial. Intuitivamente, si establece factores en los extremos de sus rangos, la variación experimental será mayor. Esto a menudo se plantea como un argumento en contra del uso de ejecuciones repetidas del punto central para la estimación del RMSE posterior al experimento; La variación en el centro del espacio factorial probablemente no sea una buena estimación de la variación en otras partes del espacio factorial.
Re: Doe y poder@Phil_Kay Todo esto tiene mucho sentido tal como lo explicaste. Gracias por responder y aclarar mi pensamiento en algunos aspectos.El RMSE refleja la varianza en Y como una función de las X.Por lo tanto, necesitamos al menos medir Y en niveles fijos a lo largo de las X para obtener una estimación "histórica" razonablemente precisa del RMSE, eso está bastante claro.
La otra cosa que mencionaste acerca de cómo la varianza podría no ser constante en diferentes niveles de X es una buena consideración.Si no realizamos pruebas (repetidas) en esos niveles, entonces no lo sabremos con certeza y, por lo tanto, estamos haciendo una suposición que a veces no se cumple. Es muy palpable que la varianza en Y podría diferir en diferentes niveles de X, por ejemplo, por una serie de razones, entre las que se incluyen problemas con el sistema de medición. Recuerdo casos en la industria en los que vimos "paralaje" en mediciones de metrología óptica, por ejemplo, cuando medir cerca del borde de una pieza cilíndrica causaba más variación en el campo visual que en el centro de la pieza debido a la reflectancia de la retroiluminación que causaba el borde. problemas de detección.
Re: Doe y poderDe acuerdo, gracias por tus útiles aportes. @Mark_Bailey
Re: Doe y poderGracias, totalmente de acuerdo con usted: el enfoque del DOE en sí es mucho más analítico y profesional que cualquier otro (generalmente impulsado por la intuición).
Re: Doe y poderAquí hay otro enfoque. Los valores iniciales de RMSE y los coeficientes pueden parecer poco realistas. ¿Con qué frecuencia los valores anticipados serían 1? Muy improbable en la práctica. Por otro lado, juntos, estos valores también representan el caso en el que se espera que el efecto (el doble del coeficiente) aportado por cada término sea el doble del RMSE. Es decir, es una medida relativa de la varianza de la respuesta. Este enfoque puede resultar útil cuando es difícil determinar valores absolutos para el RMSE y los coeficientes.
Re: Doe y poder@PatrickGiuliano - Podría utilizar estimaciones de la varianza en los predictores (factores), pero también necesitaría saber cómo esos factores afectan la respuesta para calcular cómo se propaga la varianza en la respuesta. Eso significa que necesitarías un modelo de la respuesta versus los factores, que solo tienes después has realizado el experimento. (Y también necesitaría agregar una estimación de la variación de la medición de la respuesta).
En pocas palabras, sólo necesita la desviación estándar de la respuesta para ejecuciones repetidas con ajustes de factor constante. Será útil observar el IC de esta estimación, como usted dice, porque, a menos que tenga una muestra grande para estimar la desviación estándar, tendrá una gran incertidumbre. Y esto tendrá un gran impacto en la estimación de potencia. También debe preocuparse por si esta estimación refleja la variación de todo el espacio de factores o solo de las configuraciones en las que ha realizado ejecuciones repetidas.
Volviendo a mi punto de que la estimación absoluta de potencia muy a menudo no es útil en experimentos industriales.
Re: Doe y poderEncantado de ayudarle, @YanivD . Mi preocupación sobre el análisis de poder es que podría impedir que la gente utilice el DOE. A menudo la gente escucha que la potencia tiene que ser >0,8. Entonces, si miran el análisis de potencia en su software DOE y ven algo menos de 0,8, simplemente piensan que es mejor no molestarse con un experimento diseñado. Pero es necesario comprender que el número absoluto sólo es significativo si se utilizan buenas estimaciones del ruido y la señal que se necesita detectar. Muchas veces no tenemos buenas estimaciones de uno o ambos. Entonces la estimación de potencia no es significativa. Pero eso no significa que haya algún problema con el experimento diseñado.
Re: Doe y poder@ih , @Phil_Kay Yo pensaría que la estimación total del RMSE para la respuesta podría ser simplemente la suma de las varianzas al cuadrado atribuidas a cada uno de los predictores.¿Parece una estimación puntual razonable para el RMSE?¿O necesariamente tendría que realizar un experimento multifactorial preliminar (o recopilar datos de forma observacional) y calcular el RMSE de la respuesta sobre la base de un modelo ajustado a la respuesta frente a los predictores?
¿Tendría sentido considerar potencialmente el uso de la estimación del RMSE en el peor de los casos (la más alta posible) (frente a la más baja posible)?Yo pensaría que, por ejemplo, considerar un límite de confianza superior del 95% en la estimación sigma promedio podría ser más conservador (daría como resultado estimaciones más bajas de Potencia bajo el supuesto de que la sigma promedio total (RMSE) es, de hecho, mayor en la población. que lo observado en la muestra).
Re: Doe y poderGracias, lo probaré.Re: Doe y poderGracias Phil, agradezco tu apoyo también aquí, como siempre :folded_hands: :cara_sonriente_con_ojos_sonrientes:Re: Doe y poderEstoy completamente de acuerdo con @ih . También diría que a veces la respuesta es que simplemente no se puede. La potencia (y otros diagnósticos de diseño) a menudo sólo son realmente útiles como relativo Medidas para comparar un diseño con otro. Muchas veces no tenemos suficiente información para realizar estimaciones fiables de absoluto fuerza. Aquí hay una respuesta a una pregunta anterior como esta. que te pueda resultar útil.
Re: Doe y poderEn este caso resulta útil comprender el sistema que se está estudiando.¿Qué tan buen trabajo crees que podrás hacer al modelar el sistema?Si tiene datos históricos, mida la variación en sus respuestas cuando el sistema está en estado estable.Si realmente no tiene idea, es posible que primero deba tomar algunas medidas y usar la desviación estándar de esas respuestas como una estimación aproximada del RMSE más bajo posible de su modelo final.
