Verstehen der Registerkarte „Change Generating Rules“ der Plattform für faktorielles ScreeningHallo zusammen,
Ich richte ein faktorielles Screening-Design ein und möchte das 2FI-Aliasing anpassen, damit es zu meinen erwarteten Interaktionen passt.
Ich möchte, dass [Dialyse durchführen]x[Zentrifugation % von max.] mit [Imidazol]x[Abgedeckte Oberfläche] verknüpft wird.
Mein Problem ist, dass ich mich während der Designgenerierung nicht mit der Logik der Registerkarte „Änderungsgenerierungsregel“ auseinandersetzen kann.
Ich lese das Hilfethema aber ich bin immer noch verloren.
Wie interpretiere ich diese seltsame Tabelle? Alles, was ich tue, fühlt sich zufällig an und in der Hälfte der Fälle erhalte ich einen Blockeffekt, der mit einem Haupteffekt verknüpft ist.
Prost Ben
VersuchsplanungBetreff: Verstehen der Registerkarte „Change Generating Rules“ der Plattform für faktorielles ScreeningWir diskutieren die Vor- und Nachteile alternativer Designs. Es würde leiden, wenn der letzte Faktor als kategorisch mit zwei festen Ebenen definiert würde. Dennoch bietet es mehr Möglichkeiten zur Schätzung von Effekten, wenn auch mit geringerer Präzision, als der Haupteffekt, nur der reguläre fraktionierte faktorielle Entwurf.
Betreff: Verstehen der Registerkarte „Change Generating Rules“ der Plattform für faktorielles ScreeningIch stimme Ihrer Problemumgehung zu @Mark_Bailey , aber ich sehe zwei mögliche Probleme/Schwierigkeiten:
- Wenn Sie Konzentrationszyklen als kategorialen Faktor angeben, verlieren Sie einen Teil der Eigenschaft von DSD, völlig nicht-aliasierte Haupteffekte zu haben (im Gegensatz zu dem, was Sie mit einem A-optimalen Screening-Design mit 16 Läufen erhalten können):
Daher ist Ihre Parameterschätzung für Haupteffekte weniger präzise als das, was Sie mit dem richtigen Faktortyp in einem benutzerdefinierten Design für zwei weitere Durchläufe erhalten könnten: Es kann zu einer geringfügigen Erhöhung der CI-Länge sowie einem etwas höheren Standardfehler für Schätzungen kommen . Und Sie können nicht wissen, was in einem Zyklus passiert, da die kategorialen Stufen für diesen Faktor nur 0 und 2 wären.
- Wenn der Faktor kontinuierlich verwendet wird, funktioniert DSD einwandfrei und verliert möglicherweise keine seiner schönen Eigenschaften. Wenn Sie jedoch den Prediction Profiler oder eine ähnliche Plattform verwenden, ist die Modellierung nicht 100 % genau, da für jeden ein Optimum vorgeschlagen werden kann Wert zwischen 0 und 2, ohne Einschränkungen, was in Experimenten nicht der Fall ist. Sie können den gefundenen optimalen Wert immer aufrunden, aber warum sollten Sie so viele Dinge tun, um dieses spezielle Design anzupassen, wenn Sie gute alternative Ansätze haben?
Ich bin im Allgemeinen für DSDs, es sind sehr schöne Designs mit interessanten Eigenschaften, aber ich denke nicht, dass „transformierende“ Faktoren oder der experimentelle Raum zur Anpassung an ein Design eine gute Idee sind (und ganz im Widerspruch zur JMP-Philosophie „Fit“ stehen). Passen Sie Ihr Problem nicht einem Design an.
Am besten,
Betreff: Die Registerkarte „Änderungsgenerierungsregeln“ der Plattform für faktorielles Screening verstehenSie können auch erwägen, Terme höherer Ordnung hinzuzufügen und deren Schätzbarkeit auf „wenn möglich“ zu ändern. Der Grundgedanke dabei ist, dass Sie ein Screening durchführen und ein wirtschaftliches Design wünschen. Auf diese Weise können Sie die Mindestanzahl der Durchläufe reduzieren. Die Mindestanzahl entspricht der Anzahl der Terme, deren Schätzbarkeit „notwendig“ ist. Sie möchten für jeden „wenn möglich“ Begriff, von dem Sie glauben, dass er aktiv sein könnte, drei bis vier Durchläufe hinzufügen. Wenn ich beispielsweise erwartet hätte, dass drei Interaktionsterme aktiv sind, aber nicht wüsste, welche, würde ich dreimal 3 bis 4 oder 9 bis 12 Durchläufe über dem Minimum hinzufügen.
Sie können das ursprüngliche Design auch nach Abschluss Ihrer Analyse erweitern, wenn sich herausstellt, dass einige Effekte beim ersten Mal übersehen wurden.
Betreff: Verstehen der Registerkarte „Change Generating Rules“ der Plattform für faktorielles ScreeningDer diskrete numerische Faktor verwendet nur zwei Ebenen, sodass er als kontinuierlicher oder kategorialer Faktor definiert werden kann. Diese Änderung würde es ermöglichen, dass ein definitives Screening-Design in Frage kommt.
DOE(
Definitive Screening Design,
{Add Response( Maximize, "Y", ., ., . ), Add Factor( Blocking, 0, "Block" ),
Add Factor( Continuous, 0, 100, "Imidazol conc.", 0 ),
Add Factor( Categorical, {"Yes", "No"}, "Perform dialysis in cartridge", 0 ),
Add Factor( Categorical, {"Homemade", "Readymixed"}, "Dialysis buffer", 0 ),
Add Factor( Continuous, 0, 100, "Covered surface in fridge", 0 ),
Add Factor( Continuous, 0, 100, "Centrifugation", 0 ),
Add Factor( Categorical, {"0", "2"}, "Concentration cycles", 0 ),
Show Blocking Options( 1, 4 ), Number of Extra Runs( 4 ),
Set Random Seed( 2118942861 ), Make Design, Simulate Responses( 0 ),
Save X Matrix( 0 )}
);Betreff: Verstehen der Registerkarte „Change Generating Rules“ der Plattform für faktorielles ScreeningHa, und ich dachte, das wäre nur ich (obwohl ich mich nicht für einen Experten halte!). Ähnlich wie Victor muss ich mit der Konfiguration „herumspielen“ und das Aliasing ständig überprüfen, um das zu bekommen, was ich will.
Neugierig, warum wollen Sie 4 Blöcke? Kubische Blockeffekte interessieren Sie sicherlich nicht. Was ist dein Zweck der Sperrung?
Betreff: Die Registerkarte „Änderungsgenerierungsregeln“ der Plattform für faktorielles Screening verstehenHallo @BenGengenbach ,
Ich musste die Registerkarte „Regeln generieren“ ändern, um die von Ihnen angegebenen Aliase zu erhalten. Es dauert zwar einige Zeit, bis ich mir die Logik dahinter vor Augen geführt habe, und ich bin (noch) nicht zu 100 % in der Lage, diese Logik zu erklären, aber als allgemeine Regel gilt, dass Sie die Kombinationen, die Sie aliasen möchten, zusammen überprüfen und vermeiden sollten, dass sie identisch sind Muster in verschiedenen Spalten (um Aliasing von Haupteffekten mit Block oder Haupteffekten mit Interaktionen zu vermeiden). Jedes Mal, wenn Sie eine Prüfung ändern, können Sie diese „anwenden“ und im Bereich „Aliasing von Effekten“ visualisieren, ob die Aliase korrekt sind, je nachdem, was Sie benötigen oder nicht.
Richtig, ein optimaler Entwurf wird versuchen, die Aliase gleichmäßiger zu „verdünnen“ als herkömmliche fraktionierte faktorielle Entwürfe, bei denen Aliase einfach vorhanden oder nicht vorhanden sind („binäre Aliase“).
Traditionell ist das Optimalitätskriterium für Screening-Designs die D-Optimalität, da sie eine gute Präzision bei der Schätzung der Koeffizienten ermöglicht: Optimalitätskriterien (jmp.com)
- D- Optimalität Der Schwerpunkt liegt auf der genauen Abschätzung der Auswirkungen.
- A-Optimalität führt zu einer Minimierung der durchschnittlichen Varianz der Parameterschätzungen des Modells.
- Ich-Optimalität Minimiert die durchschnittliche Vorhersagevarianz über den Designbereich und eignet sich daher besser für Reaktionsoberflächenmodelle/vorhersagende Designs.
Ich würde Ihnen wärmstens empfehlen, sich die Präsentation von Bradley Jones über moderne Screening-Designs anzusehen, in der er die Vorteile des A-optimalen Screening-Designs gegenüber dem D-optimalen Screening-Design hervorhebt: Screening-Designs des 21. Jahrhunderts (2020-US-45MP-538) – JMP-Benutzergemeinschaft
Sie können beispielsweise durch die Angabe unterschiedlicher Gewichtungen unterschiedliche Schwerpunkte auf die Haupteffekte legen, die Sie abschirmen möchten, was A-optimale Abschirmungsdesigns sehr flexibel macht. Da ich die Gewichte des A-optimalen Designs nicht geändert habe, ist das Design in der Tat einem D-optimalen Design sehr ähnlich, mit Ausnahme der in den Designs erstellten Korrelationen/Aliase:
Und durchschnittliche Korrelationen zwischen Designs:
Es tut mir leid, dass ich die „Generierungsregeln“ nicht näher erläutern konnte. Ich hoffe, dass diese Antwort Ihnen noch ein wenig weiterhilft.
Betreff: Verstehen der Registerkarte „Change Generating Rules“ der Plattform für faktorielles ScreeningHallo Victor,
Wow, das ist großartig, vielen Dank!
Was die Design-Einrichtung betrifft: Haben Sie den Design-Generator abzüglich meines gewünschten Aliasings eingegeben oder haben Sie ihn nachträglich über den Reiter „Generierungsregeln“ geändert?
Im letzteren Fall wäre es großartig, wenn Sie erklären könnten, wie es zu interpretieren ist, da sogar @Mark_Bailey Beachten Sie, dass die Tabelle ziemlich schwierig zu verstehen ist.
Dennoch denke ich, dass ich mich für das von Ihnen beiden vorgeschlagene optimale Design entscheiden werde.
Der Grund dafür ist einfach, dass das Aliasing weniger hart ist und gleichmäßiger auf mehrere 2FI verteilt ist, richtig?
Links ist die Fakultät, rechts ist das A-Optimum:
Und haben Sie standardmäßig die A-Optimalität gewählt, weil ich Screening gesagt habe?
Interessanterweise ist FDS bei der Generierung optimaler Designs mit denselben Faktoren, Aliasing und Seeds, aber unterschiedlichen Optimalitätskriterien absolut identisch.
Ist das zu erwarten?
Grüße Ben
Betreff: Die Registerkarte „Änderungsgenerierungsregeln“ der Plattform für faktorielles Screening verstehenHallo Mark,
" „Es ist schwierig, die Auswirkungen einer Änderung der Regeln abzuschätzen.“ Das ist genial 
Witze Abgesehen davon möchten wir ein schnelles Screening durchführen und ja, die Anzahl der Durchläufe ist begrenzt. Die Haupteffekte sind nett, aber es gibt einige Wechselwirkungen, die ich gerne richtig quantifizieren würde, und wir können uns nicht den Luxus leisten, zu einem Resolution-V-Plan überzugehen.
Die Problemumgehung für mein Problem könnte darin bestehen, das Aliasing im aktuellen Modell zu überprüfen und dann während der Designgenerierung einfach die Reihenfolge der Faktoren zu vertauschen.
Zumindest funktionierte das mit der DesignExpert-Software, allerdings dachte ich, dass die Generierungsregeln in JMP etwas zugänglicher wären.
Betreff: Verstehen der Registerkarte „Change Generating Rules“ der Plattform für faktorielles ScreeningHallo @BenGengenbach ,
Ich habe versucht, ein Screening-Design mit dem von Ihnen angegebenen Alias zu erstellen.
Wenn wir Ihre Faktoren (außer Block) mit X1,
Das Vorhandensein des Blocks ist jedoch ziemlich schwer zu berücksichtigen, da wir darauf achten müssen, dass er nicht mit Haupteffekten oder anderen Effekten verwechselt wird, was eine ziemlich knifflige Aufgabe ist, da die Aliase hier festgelegt sind.
Beim Versuch, diesen Generator in den Generierungsregeln einzurichten, habe ich folgende Konfiguration:
Hier ist ein Beispiel für ein Design mit dem von Ihnen definierten Alias (Tabelle im Anhang):
DOE(
Screening Design,
{Add Response( Maximize, "Y", ., ., . ), Add Factor,
Add Factor( Continuous, 0, 100, "Imidazol conc.", 0 ),
Add Factor( Categorical, {"Yes", "No"}, "Perform dialysis in cartridge", 0 ),
Add Factor( Categorical, {"Homemade", "Readymixed"}, "Dialysis buffer", 0 ),
Add Factor( Continuous, 0, 100, "Covered surface in fridge", 0 ),
Add Factor( Continuous, 0, 100, "Centrifugation", 0 ),
Add Factor( Discrete Numeric, {0, 2}, "Concentration cycles", 0 ),
Set Random Seed( 1921021643 ), Make Design( 6 ),
Set Generators( [1 1 0 1, 1 1 0 1, 0 1 1 0, 1 0 1 0, 1 1 2 2, 0 0 0 0] ),
Simulate Responses( 0 ), Save X Matrix( 0 )}
)
Aber wie vorgeschlagen von @Mark_Bailey Ich würde auch ein benutzerdefiniertes Design empfehlen, da Sie über verschiedene Arten von Faktoren verfügen (kategorische Faktoren auf zwei Ebenen und kontinuierliche Faktoren werden für DSD akzeptiert, nicht jedoch der diskrete numerische Faktor). Wenn Sie dies wünschen, ist es sehr einfach, einen Blockierungsfaktor einzuführen Es gibt Einschränkungen hinsichtlich der Anzahl der Durchläufe pro Tag oder anderer blockierender Variablen, und Sie können völlige Alias-Effekte in Ihrem Design vermeiden.
Ein Beispiel für ein mögliches individuelles Screening-Design mit Ihren Faktoren könnte sein:
DOE(
Custom Design,
{Add Response( Maximize, "Y", ., ., . ),
Add Factor( Continuous, 0, 100, "Imidazol conc.", 0 ),
Add Factor( Categorical, {"Yes", "No"}, "Perform dialysis in cartridge", 0 ),
Add Factor( Categorical, {"Homemade", "Readymixed"}, "Dialysis buffer", 0 ),
Add Factor( Continuous, 0, 100, "Covered surface in fridge", 0 ),
Add Factor( Continuous, 0, 100, "Centrifugation", 0 ),
Add Factor( Discrete Numeric, {0, 2}, "Concentration cycles", 0 ),
Add Factor( Blocking, 4, "Block" ), Set Random Seed( 2118942861 ),
Number of Starts( 1 ), 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( {7, 1} ), Add Alias Term( {1, 1}, {2, 1} ),
Add Alias Term( {1, 1}, {3, 1} ), Add Alias Term( {1, 1}, {4, 1} ),
Add Alias Term( {1, 1}, {5, 1} ), Add Alias Term( {1, 1}, {6, 1} ),
Add Alias Term( {2, 1}, {3, 1} ), Add Alias Term( {2, 1}, {4, 1} ),
Add Alias Term( {2, 1}, {5, 1} ), Add Alias Term( {2, 1}, {6, 1} ),
Add Alias Term( {3, 1}, {4, 1} ), Add Alias Term( {3, 1}, {5, 1} ),
Add Alias Term( {3, 1}, {6, 1} ), Add Alias Term( {4, 1}, {5, 1} ),
Add Alias Term( {4, 1}, {6, 1} ), Add Alias Term( {5, 1}, {6, 1} ),
Set Sample Size( 16 ), Optimality Criterion( "Make A-Optimal Design" ),
"A-Optimality Parameter Weights"n( [1 1 1 1 1 1 1 1 1 1] ),
Simulate Responses( 0 ), Save X Matrix( 0 ), Make Design}
)
Ich hoffe, diese Antwort wird Ihnen helfen,
Betreff: Verstehen der Registerkarte „Change Generating Rules“ der Plattform für faktorielles ScreeningDie Arbeit mit den Generierungsregeln ist für die meisten Menschen, selbst für Experten, schwierig. Es ist schwierig, die Auswirkungen einer Änderung der Regeln abzuschätzen.
Haben Sie darüber nachgedacht, ein benutzerdefiniertes Design oder ein definitives Screening-Design anstelle einer gebrochenen Fakultät zu verwenden? Was ist Ihr Grund für die Verwendung eines FF? Gibt es Einschränkungen, beispielsweise hinsichtlich der Anzahl der Läufe? Haben Sie ein Modell im Sinn?
