Usando la herramienta de evaluación de diseño en JMP, comparé un diseño de Box-Behnken con un diseño personalizado (con 28 ejecuciones) para evaluar 5 factores con 3 niveles cada uno (ver a continuación):
Dada la comparación, se eligió el diseño personalizado para las corridas experimentales. En la evaluación, encontré que los términos cuadráticos eran estadísticamente significativos (p<0.05) para una o más respuestas, a pesar de que el poder de estos términos es bajo, como se ve en la tabla de evaluación del diseño. En algunos casos, no encuentro que estos sean significativos en la práctica con mi conocimiento del proceso. ¿Sería la recomendación eliminar estos términos del modelo? ¿Qué otras métricas se deben tener en cuenta?
La importancia de estos términos significa que contribuyen a la precisión de su modelo y sus predicciones. Eliminar los términos significa que sus efectos fijos se contarán como efectos aleatorios e inflarán los intervalos de confianza de las predicciones. No veo una razón para eliminar estos términos. ¿Cuál es el beneficio que espera de eliminar estos términos?
¿Cuál es la base de su declaración, " No encuentro que estos sean significativos en la práctica con mi conocimiento del proceso. "? ¿Qué quieres decir?
Primero, bienvenido a la comunidad. Tenga en cuenta que las herramientas de evaluación del diseño se basan en ciertas suposiciones (muchas de las cuales se desconocen antes de ejecutar el experimento). Hay una serie de factores que afectan la selección del diseño. Todo esto depende de sus predicciones. Ver:
https://www.jmp.com/support/help/en/17.0/?os=mac&source=application#page/jmp/overview-of-the-evaluate-design-platform.shtml#
Para su situación, eligió un diseño y lo ejecutó, ¿correcto? ¿Cómo hiciste para hacer el análisis? Si interpreto su análisis correctamente, ¿parece que no creó ninguna variación prácticamente significativa en el experimento? ¿Por qué no? Hay 3 razones para esto:
1. Los niveles no eran lo suficientemente audaces
2. Los sistemas de medición no eran adecuados
3. Los factores no importan
(Por cierto, esto es diferente del caso en el que creó una variación prácticamente significativa, pero no se puede asignar a los factores que manipuló).
¿Qué DF se utilizaron para estimar los errores aleatorios (MSE)? ¿Hubo alguna réplica? Cuando dices que los términos cuadráticos son estadísticamente significativos, ¿en base a qué comparación? ¿Es posible compartir su tabla de datos?
En general, si elimina elementos significativos del modelo, su varianza se agrupa en el término de error. Esto inflará el término de error y hará que otros factores sean menos significativos.
No estoy seguro de lo que quieres decir con " ¿Qué otras métricas se deben tener en cuenta?". ¿Cuál es el objetivo del experimento? ¿Estás tratando de entender la estructura causal o "elegir un ganador"? ¿Está construyendo o refinando un modelo? Hay una serie de estadísticas que pueden ser útiles para ayudar a construir su modelo.
