Comprensión de la pestaña "Reglas de generación de cambios" de la plataforma de cribado factorialHola a todos,
Estoy configurando un diseño de detección factorial y quiero ajustar el alias de 2FI para que se ajuste a mis interacciones previstas.
Lo que me gustaría es tener [Realizar diálisis]x[Centrifugación % del máximo] asociado con [Imidazol]x[Superficie cubierta]
Mi problema es que no puedo entender la lógica de la pestaña "Regla de generación de cambios" durante la generación del diseño.
yo leo el Tópico de ayuda pero todavía estoy perdido.
¿Cómo interpreto esa tabla extraña? Todo lo que hago se siente aleatorio y la mitad de las veces termino con un efecto de bloque con un alias de un efecto principal.
saludos ben
Diseño de experimentosRe: Comprender la pestaña "Reglas de generación de cambios" de la plataforma de selección factorialEstamos discutiendo los pros y los contras de diseños alternativos. Se vería afectado si el último factor se definiera como categórico con dos niveles fijos. Aún así, ofrece más posibilidades para estimar efectos, aunque con precisión reducida, que el diseño factorial fraccional regular de efectos principales.
Re: Comprender la pestaña "Reglas de generación de cambios" de la plataforma de selección factorialEstoy de acuerdo con tu solución @Mark_Bailey , pero veo 2 posibles problemas/dificultades:
- Si especifica los ciclos de concentración como un factor categórico, pierde parte de la propiedad de DSD de tener efectos principales sin alias (a diferencia de lo que puede obtener con el diseño de detección óptimo A con 16 ejecuciones):
Por lo tanto, la estimación de los parámetros para los efectos principales es menos precisa que la que podría obtener con el tipo de factor correcto en un diseño personalizado, para 2 ejecuciones más: puede enfrentar un pequeño aumento en la longitud del CI, así como un error estándar ligeramente mayor para las estimaciones. . Y no podrás saber qué sucede durante 1 ciclo, ya que los niveles categóricos para este factor solo serían 0 y 2.
- Si se usa el factor como continuo, entonces DSD funciona bien y es posible que no pierda ninguna de sus buenas propiedades, pero si se usa Prediction Profiler o cualquier plataforma similar, el modelado no será 100% preciso, ya que puede proponer un óptimo para cualquier valor entre 0 y 2, sin restricciones, lo que no es el caso en los experimentos. Siempre puedes redondear el valor óptimo encontrado, pero ¿por qué hacer tantas cosas para adaptarse a este diseño especial cuando tienes buenos enfoques alternativos?
Generalmente estoy a favor de los DSD, son diseños muy bonitos con propiedades interesantes, pero no creo que los factores "transformantes" o el espacio experimental para adaptar un diseño sea una buena idea (y bastante contraria a la filosofía de JMP "Fit un diseño a su problema, no ajuste su problema a un diseño").
Mejor,
Re: Comprender la pestaña "Reglas de generación de cambios" de la plataforma de selección factorialTambién podría considerar agregar términos de orden superior y cambiar su estimabilidad a "si es posible". La idea aquí es que estás proyectando y quieres un diseño económico. Puede reducir el número mínimo de ejecuciones de esta manera. El número mínimo es igual al número de términos cuya estimabilidad es "necesaria". Desea volver a agregar de 3 a 4 ejecuciones por cada término "si es posible" que crea que podría estar activo. Por ejemplo, si esperaba que tres términos de interacción estuvieran activos pero no sabía cuáles, agregaría tres veces, de 3 a 4 o de 9 a 12 ejecuciones por encima del mínimo.
Además, puede ampliar el diseño original después de completar el análisis si indica que se omitieron algunos efectos la primera vez.
Re: Comprender la pestaña "Reglas de generación de cambios" de la plataforma de selección factorialEl factor numérico discreto utiliza sólo dos niveles por lo que podría definirse como un factor continuo o categórico. Ese cambio permitiría que un diseño de detección definitivo sea candidato.
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 )}
);Re: Comprender la pestaña "Reglas de generación de cambios" de la plataforma de selección factorialJa, y pensé que era solo yo (¡aunque no me considero un experto!). Al igual que Víctor, tengo que "jugar" con la configuración y seguir comprobando el alias para obtener lo que quiero.
Curioso, ¿para qué quieres 4 bloques? Ciertamente no le interesan los efectos de los bloques cúbicos. Qué es su propósito de bloquear?
Re: Comprender la pestaña "Reglas de generación de cambios" de la plataforma de selección factorialHola @BenGengenbach ,
Tuve que modificar la pestaña "reglas de generación" para tener los alias que especificaste. Esto me lleva algo de tiempo visualizar la lógica detrás, y (todavía) no soy 100% capaz de explicar esta lógica, pero como regla general, debes verificar juntas las combinaciones que deseas usar como alias y evitar tener las mismas. patrón en diferentes columnas (para evitar el alias de efectos principales con bloque, o efectos principales con interacciones). Cada vez que cambies un check podrás “aplicar” y visualizar en el panel “Aliasing of Effects” si los alias son correctos dependiendo de lo que necesites o no.
Correcto, un diseño óptimo intentará "diluir" los alias de una manera más uniforme que los diseños factoriales fraccionados tradicionales, donde los alias simplemente están presentes o ausentes ("alias binarios").
Tradicionalmente, el criterio de optimización para los diseños de cribado es el D-optimalidad, ya que permite tener una buena precisión en la estimación de los coeficientes: Criterios de optimización (jmp.com)
- D- optimidad se centra en estimaciones precisas de los efectos.
- A-optimidad da como resultado minimizar la varianza promedio de las estimaciones de los parámetros del modelo.
- I-optimidad Minimiza la variación de predicción promedio en la región de diseño, por lo que es más adecuado para modelos de superficie de respuesta/diseños predictivos.
Recomiendo encarecidamente ver la presentación de Bradley Jones sobre diseños de cribado modernos, donde enfatiza las ventajas del diseño de cribado óptimo A frente al diseño de cribado óptimo 
Diseños de cribado del siglo XXI (2020-US-45MP-538) - Comunidad de usuarios de JMP
Por ejemplo, puede poner diferente énfasis en los efectos principales que desea filtrar especificando diferentes pesos, lo que hace que los diseños de tramado A-óptimo sean muy flexibles. Como no cambié los pesos del diseño A-óptimo, el diseño está muy cerca de un diseño D-óptimo, excepto por las correlaciones/alias creados en los diseños:
Y correlaciones promedio entre diseños:
Perdón por no poder aclarar mucho las "Reglas Generadoras", espero que esta respuesta aún te ayude un poco más,
Re: Comprender la pestaña "Reglas de generación de cambios" de la plataforma de selección factorialHola Víctor,
¡Guau, eso es genial, muchas gracias!
Con respecto a la configuración del diseño: ¿Ingresó al generador de diseño deducido de mi alias deseado o lo modificó posteriormente a través de la pestaña "reglas de generación"?
En el caso de esto último, sería genial si pudieras explicar cómo interpretarlo, ya que incluso @Mark_Bailey Observé que esta tabla es bastante complicada de entender.
Sin embargo, creo que optaré por el diseño óptimo sugerido por ambos.
La razón detrás de esto es simplemente que el alias es menos severo y se distribuye más uniformemente entre múltiples 2FI, ¿correcto?
La izquierda es el factorial y la derecha es el A-óptimo:
¿Y elegiste la optimización A por defecto porque dije detección?
Curiosamente, cuando se generan diseños óptimos con los mismos factores, alias y semillas, pero diferentes criterios de optimización, FDS es absolutamente idéntico.
¿Es esto de esperar?
saludos
Re: Comprender la pestaña "Reglas de generación de cambios" de la plataforma de selección factorialHola, Mark,
" Es difícil evaluar el efecto de un cambio en las reglas". Eso es genial 
chistes Aparte, queremos hacer una evaluación rápida y sí, estamos limitados en el número de ejecuciones. Los efectos principales son buenos, pero hay algunas interacciones que me gustaría cuantificar adecuadamente y no podemos darnos el lujo de recurrir a un plan de resolución V.
La solución a mi problema podría ser verificar el alias en el modelo actual y luego simplemente cambiar el orden de los factores durante la generación del diseño.
Al menos eso funcionó con el software DesignExpert, sin embargo, pensé que las reglas de generación en JMP serían un poco más accesibles.
Re: Comprender la pestaña "Reglas de generación de cambios" de la plataforma de selección factorialHola @BenGengenbach ,
Intenté generar un diseño de detección con el alias que especificaste.
Si "codificamos" sus factores (excepto el bloque) con X1, X2, ..., eso significa que tiene este generador para el diseño factorial fraccionario: I = 1245.
Sin embargo, la presencia del bloque es bastante difícil de tomar en consideración, ya que debemos tener cuidado de que no se confunda con los efectos principales o cualquier otro efecto, lo cual es una tarea bastante complicada ya que los alias están fijos aquí.
Al intentar configurar este generador en las reglas de generación, aquí está la configuración que tengo:
Aquí hay un ejemplo de un diseño con el alias que usted definió (tabla adjunta):
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 )}
)
Pero como sugiere @Mark_Bailey , También recomendaría un Diseño Personalizado, ya que tienes diferentes tipos de factores (se aceptan factores categóricos en 2 niveles y continuos para DSD, pero no el factor numérico discreto), será muy fácil introducir un factor de bloqueo si tiene restricciones sobre el número de ejecuciones por día o cualquier otra variable de bloqueo, y puede evitar tener efectos completamente alias en su diseño.
Un ejemplo de un posible diseño de cribado personalizado con sus factores podría ser:
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}
)
Espero que esta respuesta te ayude,
Re: Comprender la pestaña "Reglas de generación de cambios" de la plataforma de selección factorialTrabajar con las reglas generadoras es difícil para la mayoría de las personas, incluso para los expertos. Es difícil evaluar el efecto de un cambio en las reglas.
¿Ha considerado utilizar un Diseño Personalizado o Diseño de Cribado Definitivo en lugar de un factorial fraccionario? ¿Cuál es su razón para utilizar un FF? ¿Tiene limitaciones como el número de ejecuciones? ¿Tienes algún modelo en mente?
