Estimada comunidad,
En diseño personalizado, ¿cuál diseño óptimo sería el adecuado para la selección de los parámetros críticos del proceso y para definir el espacio de diseño para el estudio de siete factores continuos con 2 niveles y cada factor con un punto central? Tengo la limitación de 10 tratamientos a la vez.
@manistat
Hay una nueva función en la versión 17 de JMP que creo que le resultará muy útil. Después de especificar sus factores y términos de modelo en DOE personalizado, hay una nueva plataforma llamada "Explorador de diseño" que le permite construir y comparar diseños con diferentes especificaciones (criterios de optimización, número de tratamientos, número de puntos centrales, etc.) y luego comparar sus diagnósticos. Creo que esta herramienta ayudará mucho con las preguntas que está haciendo.
Hola @manistat ,
Es posible que tenga algunas preguntas para ayudarlo más:
- Si entiendo su objetivo, ¿le gustaría realizar una evaluación de los parámetros del proceso para identificar los que son significativos en los resultados de su proceso (por lo tanto, la evaluación de los efectos principales)?
- ¿Por qué desea un punto medio para cada rango de factores? ¿Espera cierta curvatura en la respuesta/efectos cuadráticos?
- ¿Cuál es su límite de 10 tratamientos "a la vez"? ¿Es una restricción similar a "10 ejecuciones por día" (equipo/restricción experimental)?
- ¿Cuál es su presupuesto experimental en total (un múltiplo de 10, supongo)?
- ¿Tiene alguna restricción en el espacio experimental a considerar (combinaciones no permitidas como "Si X1 se establece en 1, entonces X2 no puede estar en -1")?
- ¿Tiene que considerar alguna restricción en la aleatorización de los tratamientos: un factor que es "difícil de cambiar" y prefiere establecerlo en un valor determinado para un número determinado de ejecuciones antes de volver a establecerlo?
Dependiendo de sus respuestas, pueden ser posibles varios diseños (aquí sin restricciones adicionales):
- Un diseño personalizado, con los 7 factores continuos y un factor de bloqueo (10 ejecuciones por bloque), especificando un modelo con efectos principales y efectos cuadráticos (que se configuran como "Necesarios" por defecto pero también se pueden configurar como "Si es posible" para guarde algunas corridas experimentales) para tener puntos medios para cada rango de factores. Este diseño puede requerir 20 ejecuciones de forma predeterminada (2 bloques de 10 ejecuciones).
- Un diseño de Cribado Definitivo, con 7 factores continuos, la opción “Agregar Bloques con corridas centrales para estimar Efectos Cuadráticos” marcada con 3 bloques y 4 corridas extra. Esta opción puede requerir 23 ejecuciones de forma predeterminada (1 bloque con 9 ejecuciones, 2 bloques con 7 ejecuciones cada uno).
Puede echar un vistazo a los dos diseños adjuntos y comparar los diseños con la plataforma DoE -> Diagnóstico de diseño -> Comparar diseños para ver cuál sería el más apropiado (en caso de estar de acuerdo con su presupuesto experimental, sin restricciones adicionales/ combinaciones no permitidas, etc...)
Espero que esta primera respuesta te ayude,
Actualizar : Si su pregunta está relacionada con los criterios de optimización (D, A, I...), puede encontrar útil este enlace: Criterios de Optimalidad (jmp.com)
Históricamente, el criterio de optimización D se usa para los diseños de selección (se enfoca en estimaciones precisas de los efectos), pero también es muy interesante considerar la optimización A (se enfoca en minimizar la suma de las varianzas de las estimaciones de parámetros, y tiene más libertad para poner más énfasis en ciertos efectos, por ejemplo, más énfasis en los efectos principales que en los efectos cuadráticos).
La I-optimalidad se trata de minimizar la varianza de predicción promedio sobre el espacio de diseño, por lo que es más adecuado para modelos de superficie de respuesta (que podría no ser su caso).
