580724_es-ES

liliconcom

Ayuda con combinaciones no permitidas para factores categóricos (JMP 15)

Hola,

Tengo los siguientes factores y niveles para los que estoy tratando de crear un diseño D-Optimal:

Factor A - Categórico de dos niveles (Sacudida, Tríada)

Factor B - Categórica de dos niveles (Blunt, Ventosa)

Factor C - Continuo (10,25)

Factor D - Categórico de dos niveles (De pie, Sentado)

Factor E - Tres niveles categóricos (estacionario, evasivo, en ejecución)

Factor F - Categórico de dos niveles (Principiante, Experto)

 

Estoy intentando crear un ejemplo para que los estudiantes lo usen para enseñarles cómo generar diseños óptimos con combinaciones no permitidas. La combinación no permitida que estoy tratando de hacer es Factor D (Sentado) y Factor F (Experto). También estoy tratando de construir un diseño con efectos principales E interacciones de dos factores. Sin embargo, sigo recibiendo el mensaje de error (el diseñador óptimo no pudo converger). He intentado todo lo que he podido para generar un diseño que converge con combinaciones no permitidas entre factores categóricos sin éxito. He intentado agregar factores, agregar más niveles a estos factores. Sin embargo, puedo hacer que el diseñador converja al agregar una combinación no permitida entre un factor categórico y un factor continuo. El segundo que agrego en una combinación no permitida entre factores categóricos, el algoritmo no convergerá. ¡Cualquier ayuda es apreciada!

GAMAventanasRe: Ayuda con combinaciones no permitidas para factores categóricos (JMP 15)

Hola @FaceStatistics6 ,

 

Reproduzco la misma configuración y enfrento un mensaje de error similar.

 

El problema puede estar en su combinación de combinación no permitida y términos en su modelo: si bloquea la combinación de "Sentado" del Factor D (categoría de 2 niveles) con "Experto" del Factor F (categoría de 2 niveles), eso significa no puede estimar el término de interacción de estos dos factores ya que una restricción le impide probar todas las combinaciones posibles de niveles para estos dos factores.

 

Tu también puedes :

• Elimine el término de interacción de 2 factores "Factor D*Factor F" y use este script para generar la tabla DoE (o use la tabla de datos adjunta "Custom Design_Remove2FI"):

DOE(
 Custom Design,
 {Add Response( Maximize, "Y", ., ., . ),
 Add Factor( Categorical, {"Jolt", "Triad"}, "Factor A", 0 ),
 Add Factor( Categorical, {"Blunt", "Suction Cup"}, "Factor B", 0 ),
 Add Factor( Categorical, {"Standing", "Seated"}, "Factor D", 0 ),
 Add Factor( Categorical, {"Novice", "Expert"}, "Factor F", 0 ),
 Add Factor( Continuous, 10, 25, "Factor C", 0 ),
 Add Factor( Categorical, {"Stationary", "Evading", "Running"}, "Factor E", 0 ),
 Set Random Seed( 80459262 ), Number of Starts( 2161 ), Add Term( {1, 0} ),
 Add Term( {1, 1} ), Add Term( {2, 1} ), Add Term( {3, 1} ), Add Term( {4, 1} ),
 Add Term( {5, 1} ), Add Term( {6, 1} ), Add Term( {1, 1}, {2, 1} ),
 Add Term( {1, 1}, {3, 1} ), Add Term( {1, 1}, {4, 1} ),
 Add Term( {1, 1}, {5, 1} ), Add Term( {1, 1}, {6, 1} ),
 Add Term( {2, 1}, {3, 1} ), Add Term( {2, 1}, {4, 1} ),
 Add Term( {2, 1}, {5, 1} ), Add Term( {2, 1}, {6, 1} ),
 Add Term( {3, 1}, {5, 1} ), Add Term( {3, 1}, {6, 1} ),
 Add Term( {4, 1}, {5, 1} ), Add Term( {4, 1}, {6, 1} ),
 Add Term( {5, 1}, {6, 1} ), Set Sample Size( 36 ),
 Disallowed Combinations( Factor D == "Seated" & Factor F == "Expert" ),
 Simulate Responses( 0 ), Save X Matrix( 0 ), Make Design}
);

 

• O configure la estimabilidad de la interacción de 2 factores "Factor D*Factor F" como "Si es posible" y use este script para generar la tabla DoE (o use la tabla de datos adjunta "Diseño personalizado_Si es posible"):

DOE(
 Custom Design,
 {Add Response( Maximize, "Y", ., ., . ),
 Add Factor( Categorical, {"Jolt", "Triad"}, "Factor A", 0 ),
 Add Factor( Categorical, {"Blunt", "Suction Cup"}, "Factor B", 0 ),
 Add Factor( Categorical, {"Standing", "Seated"}, "Factor D", 0 ),
 Add Factor( Categorical, {"Novice", "Expert"}, "Factor F", 0 ),
 Add Factor( Continuous, 10, 25, "Factor C", 0 ),
 Add Factor( Categorical, {"Stationary", "Evading", "Running"}, "Factor E", 0 ),
 Set Random Seed( 349202301 ), Number of Starts( 2106 ), Add Term( {1, 0} ),
 Add Term( {1, 1} ), Add Term( {2, 1} ), Add Term( {3, 1} ), Add Term( {4, 1} ),
 Add Term( {5, 1} ), Add Term( {6, 1} ), Add Term( {1, 1}, {2, 1} ),
 Add Term( {1, 1}, {3, 1} ), Add Term( {1, 1}, {4, 1} ),
 Add Term( {1, 1}, {5, 1} ), Add Term( {1, 1}, {6, 1} ),
 Add Term( {2, 1}, {3, 1} ), Add Term( {2, 1}, {4, 1} ),
 Add Term( {2, 1}, {5, 1} ), Add Term( {2, 1}, {6, 1} ),
 Add Term( {3, 1}, {5, 1} ), Add Term( {3, 1}, {6, 1} ),
 Add Term( {4, 1}, {5, 1} ), Add Term( {4, 1}, {6, 1} ),
 Add Term( {5, 1}, {6, 1} ), Add Potential Term( {3, 1}, {4, 1} ),
 Set Sample Size( 36 ), Disallowed Combinations(
  Factor D == "Seated" & Factor F == "Expert"
 ), Simulate Responses( 0 ), Save X Matrix( 0 ), Make Design}
);

 

Espero que esta respuesta te ayude,

Re: Ayuda con combinaciones no permitidas para factores categóricos (JMP 15)

Sin embargo, digamos que NECESITO estimar los efectos del factor D y el factor F para las combinaciones que pueden existir. Ex. Factor D De pie - Factor F Novato y Factor D Sentado - Factor F Novato. Si es posible, estoy creando un diseño que no me permitirá incluir esta interacción en el análisis.

 

Re: Ayuda con combinaciones no permitidas para factores categóricos (JMP 15)

Si necesita estimar este efecto de interacción, necesita pruebe todas las combinaciones posibles de niveles para estos dos factores: De pie+Principiante, De pie+Experto, Sentado+Principiante, Sentado+Experto.

Si falta un experimento (en su caso Sentado+Experto), no puede estimar el término de interacción en su modelo.
Me uní a una tabla de datos de juguetes para demostrar esto, si la fila 4 está oculta y excluida, entonces en la secuencia de comandos del gráfico, no verá la línea entre los dos niveles para el factor D cuando el Factor F está configurado en el nivel "Experto". Entonces, ¿cómo ¿Puedes saber que hay una interacción?

Y en el script del modelo, el efecto de interacción no es estimable (hay una singularidad en su modelo con la intercepción), por lo que, una vez más, no tendrá acceso a este término de efecto de interacción.

 

Espero que esta demostración sea lo suficientemente clara,