Con respecto a los experimentos repetidos en DoEHola a todos,
Tengo lo que espero sea un problema simple para el grupo.
Recientemente configuré un DoE con tres factores, cada uno con valores numéricos discretos en 3 niveles.Especifiqué interacciones cruzadas con efectos de segundo orden con las 18 ejecuciones para ser ejecutadas en 3 bloques.NO especifiqué que se diseñara ninguna repetición, sin embargo, noté en la matriz de diseño que 4 de las ejecuciones están duplicadas.En otras palabras: el diseño de 18 carreras comprende 14 combinaciones únicas y 4 que son duplicados.
Primero: ¿es esto atípico?Había pensado que las 18 carreras deberían ser todas únicas.¿Hay algún tipo de potencia que JMP está tratando de lograr con esto?
-o-
Segundo: ¿podría haber algo que me estoy perdiendo en mi configuración inicial y en realidad NO estamos probando el espacio de diseño correctamente?
Lamentablemente, los primeros dos bloques se han iniciado e incluyen UNA de las repeticiones (es decir, tengo 11 ejecuciones únicas con 1 repetición, hasta ahora).
Si asumo que el diseño es apropiado... se deduce que podemos continuar de acuerdo con el plan original y la evaluación (¿correcto?).
Sin embargo, si la retroalimentación es tal que este NO ES el mejor enfoque: 1) ¿Qué nos faltaría si continuáramos con el diseño original?2) ¿Es posible reconfigurar el último bloque aleatorio para sustituir condiciones alternativas por las repeticiones?
¡Gracias de antemano por tu aporte al respecto!
cris
Ingeniería de Calidad y ProcesosRe: Acerca de la repetición de experimentos en DoEHola Marcos y Víctor,
Gracias a ambos por su aporte... definitivamente útil y los aprecio a ambos.Puedo comunicarme una vez que hayamos terminado el bloque final si tengo preguntas sobre la evaluación.
Re: Acerca de la repetición de experimentos en DoENingún problema @Mark_Bailey , Me confundí al leer tu respuesta porque temo haberme perdido algo.
Tuve el mismo problema de sincronización con la primera respuesta en esta publicación, ya que pensé en dar la primera respuesta al escribir, pero cuando se publicó mi respuesta, ya habías propuesto una respuesta.Re: Acerca de la repetición de experimentos en DoEMe disculpo por la confusión. Inicialmente, el fondo no era del todo transparente y las respuestas se desincronizaron a medida que surgía más información. No estaba sugiriendo un cambio a mitad de camino. Intentaba explicar cómo Custom Design podía llegar a una solución inesperada. Estaba tratando de presentar un enfoque alternativo desde el principio. Eso es todo.
Re: Acerca de la repetición de experimentos en DoEHola @Mark_Bailey ,
Dado que la pregunta era sobre la estimación de términos cuadráticos y el cambio de factores numéricos discretos a factores numéricos continuos, no veo cuál sería la ventaja de modificar el diseño "sobre la marcha", ya que estos cambios se pueden lograr sin modificar ninguna corrida (y sin el riesgo de dejar caer el bloque aleatorio en el aumento) ? La estimación de términos cuadráticos ya era posible desde el primer diseño, por lo que no veo el punto de cambiar las ejecuciones del último bloque aleatorio.
Sé que JMP es capaz de cumplir con los cambios durante los experimentos con la plataforma de "Diseño de aumento", no hay dudas "técnicas" al respecto (y puede ser un buen ejemplo para "jugar" con la plataforma de "Diseño de aumento" y familiarizarse con it), pero aquí no veo ninguna ventaja concreta y significativa de no ejecutar el último bloque aleatorio de experimentos ya planificado y cambiar estas ejecuciones por otras recién calculadas: la comparación de los dos enfoques muestra dos diseños muy similares, por lo que parece mejor (o al menos más fácil) seguir con la opción "simple" y pragmática de seguir el diseño original? ¿Puedes explicarme si me estoy perdiendo el punto?
Gracias de antemano,
Re: Acerca de la repetición de experimentos en DoEEn primer lugar, no puedes romperlo. Utilizará el análisis de regresión, que seguirá funcionando. El diseño es un intento de recopilar los datos óptimos para el modelo.
Intentaría recuperarme de esta manera. Elimine las ejecuciones que aún no se han ejecutado. Luego seleccione DOE > Diseño de aumento. Esta plataforma creará el mejor conjunto de carreras para terminar, dadas las carreras que ya tienes. Intentalo.
Re: Acerca de la repetición de experimentos en DoEHola @CBroomell1 ,
Si no cambió la estimabilidad de los efectos cuadráticos en su diseño original (establecido de forma predeterminada en "Si es posible" por JMP), cambiar el tipo de factor de numérico discreto a numérico continuo lo llevará al segundo enfoque que describí: si tiene suficiente grado de libertad, ya que tenía un nivel medio en cada uno de sus factores numéricos (el nivel medio fue "forzado" en el diseño debido al tipo de factor inicial numérico discreto), JMP puede estimar términos cuadráticos en el modelo.
Dado que tiene 14 ejecuciones únicas (y 4 ejecuciones repetidas), debería poder estimar 14 términos (intersección + 13 términos), por lo que se podrían estimar términos cuadráticos en su diseño.
Si tienes algún problema con la parte de análisis/modelado, no dudes en volver a preguntar a la Comunidad JMP.
Espero que esto responda a su pregunta,
Re: Acerca de la repetición de experimentos en DoE¡Gracias Víctor!
No cambiaré el DoE sobre la marcha.
En cuanto a los parámetros: en realidad son continuos pero con un punto central.No tenía claro cómo configurar la matriz inicial y establecer tres valores discretos para cada nivel.en realidad, sin embargo, tenemos flexibilidad para deambular entre ciertos límites (los factores están relacionados con la concentración de reactivos y el tiempo).
Entonces, una vez que hayamos terminado con nuestro bloque final (usando la matriz configurada con valores discretos), ¿podremos obtener alguna curvatura en el modelo o básicamente nos quedaremos con los valores originales hasta que exploremos más?
Mejor,
cris
Re: Acerca de la repetición de experimentos en DoEHola @CBroomell1 ,
Si puede proporcionar un contexto sobre los factores, eso ayudaría a darle un consejo sobre qué tipo se adaptaría mejor a los factores en su diseño. Si tiene factores numéricos pero no puede fijar ningún valor entre algunos intervalos (por ejemplo, la temperatura de un horno industrial puede considerarse como un factor numérico discreto, donde puede cambiar el nivel entre 180, 200 y 220 °C pero no entre estos valores como el "tamaño de paso" es 20 por ejemplo). Si no tiene restricciones y puede elegir cualquier valor numérico entre sus niveles, entonces puede tener un factor numérico continuo.
Tienes diferentes formas, desde la prueba de curvatura hasta la estimación completa de términos cuadráticos, para tener en cuenta la búsqueda y estimación de términos cuadráticos.
- La opción básica es agregar punto(s) central(es) para evaluar si hay alguna curvatura en su(s) respuesta(s). Este enfoque económico permite realizar una prueba de falta de ajuste para la curvatura y, si se detecta una falta de ajuste significativa, puede ajustar un efecto cuadrático (y solo uno) en el modelo gracias a los puntos centrales. Puede evaluar qué término cuadrático podría ser el más importante para agregar en el modelo con un análisis como Regresión por pasos.
- En el caso del factor numérico discreto, JMP ingresa de forma predeterminada los términos cuadráticos en el modelo y establece su estimabilidad en "Si es posible", lo que significa que si tiene suficiente grado de libertad en su modelo, se estimarán los términos cuadráticos. También puede hacer esto con el factor continuo numérico, introduciéndolos en el modelo y cambiando su estimabilidad de "Necesario" a "Si es posible" haciendo clic en el texto. Este método proporciona una forma flexible de estimar términos cuadráticos para diseños no saturados (con un número de corridas mayor que el mínimo requerido).
- También puede agregar directamente los términos cuadráticos del modelo y establecer su estimabilidad en "Necesario". De esta manera, JMP establecerá experimentos en su diseño para poder estimar estos efectos. Si no son significativos, puede descartarlos en su modelo (y si tampoco tienen sentido desde el punto de vista de la experiencia del dominio).
Con respecto a su pregunta, no modificaría "sobre la marcha" el DoE, pero buscaría posibles aumentos basados en los hallazgos de este primer DoE.
Espero que esta respuesta te ayude,
Re: Acerca de la repetición de experimentos en DoEHola @CBroomell1 ,
Y bienvenido a la comunidad!
Es posible que carezcamos de información para guiarlo de manera más precisa con su enfoque de DoE, pero la pregunta sobre las ejecuciones replicadas puede responderse.Con respecto a su diseño, no hay nada de qué preocuparse por lo que está describiendo, esto es común:
- Con 3 factores numéricos discretos con 3 niveles, dependiendo del modelo que suponga, aquí está el número máximo de términos que puede querer estimar: 1 intersección, 3 efectos principales (X1, X2, X3), 3 interacciones de dos factores (X1X2 , X1X3, X2X3) y 3 efectos cuadráticos (X1*X1, X2*X2, X3*X3) si desea estimar la curvatura para estos factores (+ 1 efecto principal si especifica un factor de bloqueo fijo, +0 si está especificando bloque aleatorio). Eso significa que necesita al menos 10 (u 11 en caso de factor de bloqueo) ejecuciones para estimar estos efectos. El problema al utilizar el número mínimo de ejecuciones es que no le quedan grados de libertad para estimar el error puro y realizar una falta de ajuste prueba, para evaluar si el modelo se ajusta bien a los datos. Entonces, por defecto, JMP recomendará en tal situación más ejecuciones, para poder probar el modelo y tener más confianza en las estimaciones (y poder equilibrar las ejecuciones entre los bloques), y creará ejecuciones replicadas. agregando reproducir exactamente carreras agrega precisión para algunas estimaciones y mejora el poder de la prueba de falta de ajuste.
- Estas ejecuciones de réplica deben realizarse y medirse de forma independiente (lo que significa que debe realizar los experimentos como los demás, en las mismas condiciones) siguiendo la aleatorización realizada por JMP, y no midiendo solo un experimento varias veces para completar la respuesta de la réplica. carreras. Las repeticiones (es decir, repeticiones de solo las mediciones) ayudan a disminuir la varianza de las mediciones, pero es posible que no ayuden con respecto a la estimación de parámetros y la prueba de falta de ajuste.
Para ganar más confianza y conocimiento sobre DoE, puedo recomendar encarecidamente el Diseño del kit de introducción al experimento , y para probar el módulo sobre DoE de la PUNTAS cursos
Si desea describir su situación (sin compartir datos confidenciales) y recibir comentarios sobre su DoE con más detalles, no dude en compartir una tabla de datos anónima o datos ficticios para mostrar su caso.
Espero que esto te ayudará,
Re: Acerca de la repetición de experimentos en DoEGracias, Marcos, por tu aporte.
Tal vez configuré el diseño incorrectamente.No estoy casado con los niveles discretos para mis factores... estamos tratando de encontrar condiciones óptimas y podemos acomodar factores continuos.Entonces, sí, nos gustaría estimar la curvatura y luego confirmar los resultados con ejecuciones adicionales según sea necesario.
Con eso en mente: ¿recomendaría alterar el último bloque de 6 ejecuciones para reemplazar las ejecuciones replicadas con otras (no puedo cambiar los primeros 2 bloques y solo incluyen 1 replica)?¿Puedo modificar el diseño en JMP en este punto para acomodar cualquiera de los anteriores?
Gracias por los dos diseños, les echaré un vistazo.
Saludos.
cris
Re: Acerca de la repetición de experimentos en DoEDiseño personalizado proporciona muchas funciones para adaptar el resultado a su situación. Pueden tener efectos profundos en el diseño resultante. Estás pensando en combinaciones (3x3x3x2), pero JMP no está haciendo eso. ¿Por qué no? Porque ese resultado combinatorio ('diseño factorial completo') podría no ser óptimo. Agregó bloques aleatorios de tamaño 6, por lo que no puede tener equilibrio en el diseño. Usó factores numéricos discretos para forzar tres niveles en el plan para cada factor. Esa elección limita el diseño. Debe agregar términos cuadráticos al modelo para mantener tres niveles en el diseño, pero cambia su estimabilidad a 'si es posible'. Eso obliga al uso de un método Bayesiano D-óptimo. Entonces le está pidiendo a JMP que optimice un diseño para estimar un conjunto de modelos. Como resultado de todas estas especificaciones, obtiene cierta replicación porque es más óptimo que el diseño sin replicación.
¿Tiene la intención de estimar los términos de la curvatura? ¿Quiere probar la curvatura y luego aumentar el diseño si es significativo?
Creé dos diseños basados en su descripción, según tengo entendido. El segundo usa factores continuos, pero por lo demás, es lo mismo. Adjunté ambas tablas de datos para su exploración.
