Liebe Community,
Welches optimale Design wäre beim kundenspezifischen Design das geeignete für die Auswahl von kritischen Prozessparametern und für die Definition des Designraums für die Untersuchung von sieben kontinuierlichen Faktoren mit 2 Ebenen und jedem Faktor mit einem Mittelpunkt? Ich habe die Beschränkung auf 10 Behandlungen gleichzeitig.
@Manistat
Es gibt eine neue Funktion in JMP Version 17, die Sie meiner Meinung nach sehr hilfreich finden werden. Nachdem Sie Ihre Faktoren und Modellbegriffe in Custom DOE angegeben haben, gibt es eine neue Plattform namens "Design Explorer", mit der Sie Designs mit unterschiedlichen Spezifikationen (Optimalitätskriterien, Anzahl der Behandlungen, Anzahl der Mittelpunkte usw.) erstellen und vergleichen und dann vergleichen können ihre Diagnostik. Ich denke, dieses Tool wird bei den Fragen, die Sie stellen, sehr hilfreich sein.
Hallo @Manistat ,
Ich habe vielleicht einige Fragen, um Ihnen weiter zu helfen:
- Wenn ich Ihr Ziel verstehe, möchten Sie ein Screening von Prozessparametern durchführen, um diejenigen zu identifizieren, die für die Ergebnisse Ihres Prozesses von Bedeutung sind (also Screening der Haupteffekte)?
- Warum möchten Sie einen Mittelpunkt für jeden Faktorbereich, erwarten Sie eine gewisse Krümmung in der Antwort / den quadratischen Effekten?
- Was ist Ihre Beschränkung auf 10 Behandlungen "auf einmal"? Handelt es sich um eine Einschränkung ähnlich wie „10 Läufe pro Tag“ (Ausrüstung/experimentelle Einschränkung)?
- Wie hoch ist Ihr Gesamtbudget für Experimente (ein Vielfaches von 10, schätze ich)?
- Müssen Sie Einschränkungen im experimentellen Bereich berücksichtigen (unzulässige Kombinationen wie "Wenn X1 auf 1 gesetzt ist, kann X2 nicht auf -1 sein")?
- Müssen Sie Einschränkungen bei der Randomisierung von Behandlungen berücksichtigen: ein Faktor, der "schwer zu ändern" ist, und Sie ziehen es vor, ihn für eine bestimmte Anzahl von Läufen auf einen bestimmten Wert einzustellen, bevor Sie ihn neu einstellen?
Abhängig von Ihren Antworten sind möglicherweise mehrere Designs möglich (hier ohne zusätzliche Einschränkungen):
- Ein benutzerdefiniertes Design mit den 7 kontinuierlichen Faktoren und einem Blockierungsfaktor (10 Läufe pro Block), das ein Modell mit Haupteffekten und quadratischen Effekten spezifiziert (die standardmäßig als „Notwendig“ festgelegt sind, aber auch als „falls möglich“ festgelegt werden können um einige experimentelle Durchläufe aufzusparen), um Mittelpunkte für die Bereiche der einzelnen Faktoren zu haben. Dieses Design erfordert möglicherweise standardmäßig 20 Läufe (2 Blöcke mit 10 Läufen).
- Ein endgültiges Screening-Design mit 7 kontinuierlichen Faktoren, die Option „Blöcke mit mittleren Läufen hinzufügen, um quadratische Effekte zu schätzen“ mit 3 Blöcken und 4 zusätzlichen Läufen aktiviert. Diese Option erfordert möglicherweise standardmäßig 23 Läufe (1 Block mit 9 Läufen, 2 Blöcke mit jeweils 7 Läufen).
Sie können sich die beiden beigefügten Designs ansehen und die Designs mit der Plattform DoE -> Design Diagnostics -> Compare Designs vergleichen, um zu sehen, welches am besten geeignet wäre (bei Übereinstimmung mit Ihrem experimentellen Budget, keine zusätzliche Einschränkung/ unzulässige Kombinationen usw.)
Ich hoffe, diese erste Antwort hilft Ihnen,
Aktualisieren : Wenn sich Ihre Frage auf Optimalitätskriterien (D, A, I ...) bezieht, finden Sie diesen Link möglicherweise hilfreich: Optimalitätskriterien (jmp.com)
Historisch gesehen wird das D-Optimalitätskriterium für Screening-Designs verwendet (konzentriert sich auf präzise Schätzungen der Effekte), aber die A-Optimalität ist auch sehr interessant zu berücksichtigen (konzentriert sich auf die Minimierung der Summe der Varianzen der Parameterschätzungen, und Sie haben mehr Freiheit, bestimmte Effekte stärker zu betonen, zum Beispiel mehr Betonung auf Haupteffekte als auf quadratische Effekte).
Bei der I-Optimalität geht es darum, die durchschnittliche Vorhersagevarianz über den Entwurfsbereich zu minimieren, sodass sie besser für Antwortoberflächenmodelle geeignet ist (was möglicherweise nicht der Fall ist).
