Re: Falta de ajuste en el diseño compuesto centrado en la caraHola @dNADA ,
¡Bienvenido a la Comunidad!
¿Ha revisado primero las explicaciones dadas en la Ayuda de JMP sobre la prueba de falta de ajuste? : Falta de ajuste (jmp.com)
Aquí están mis respuestas a sus preguntas, basadas en información limitada disponible:
- No estoy del todo seguro de seguir los diferentes pasos de diseño: primero ha creado un diseño factorial fraccionado y, a partir de este diseño, auméntelo a un CCD para los tres factores significativos detectados, ¿es correcto (o creó un nuevo CCD sin aumentar ) ?
No entiendo cómo los puntos centrales pueden "causar sesgos" en el modelado. Dado que sus puntos centrales son réplicas, ¿ha verificado la variabilidad de la respuesta medida en estos puntos? ¿Es la variabilidad lo suficientemente baja en comparación con su experiencia en el campo y cualquier estudio de repetibilidad/reproducibilidad?
Si ha realizado un aumento de diseño, durante el aumento, ¿ha agrupado nuevas ejecuciones en bloques separados para tener en cuenta el cambio de medición entre los dos pasos?
La prueba de falta de ajuste es una indicación de que el modelo que especificó puede tener demasiados términos, o no los suficientes en comparación con los datos que tiene: compara el error puro estimado a partir de sus ejecuciones replicadas (puntos centrales) con el resto del error (error total - error puro).
- No, no debe eliminar ningún punto si no ha justificado que "puede" hacerlo, en función de las propiedades estadísticas (valores atípicos, ...) Y experiencia en el dominio (valores erróneos, error tipográfico en el registro de la medición, error/problema en el sistema de medición, ...).
En su ejemplo, aún puede comparar los resultados de dos modelos, uno normal con todos los puntos y el otro "ocultando y excluyendo" las ejecuciones de los puntos centrales, y ver si los resultados son muy diferentes o no. Pero puede verificar antes algunas otras opciones, como la variabilidad de la medición de sus respuestas en comparación con la variabilidad en su modelo (RMSE), la importancia de los términos en el modelo, ...
- Puede ser difícil ayudarlo con solo las dos capturas de pantalla que proporcionó, ya que no estoy completamente seguro de cómo construyó su DoE y cómo hizo el modelado. Pero puede ver qué términos se ingresan en el modelo en los paneles "Resumen de efectos", "Estimaciones de parámetros" o "Pruebas de efectos" (disponibles en el triángulo rojo al lado de cada respuesta, y luego en "Informes de regresión" o directamente en el menú de triángulo rojo para "Resumen de efectos"). Si ha realizado un diseño RSM como CCD, debería poder crear un modelo con todos los efectos principales, interacciones de 2 factores y efectos cuadráticos.
¿Ya tienes este tipo de términos en tu modelo? ¿Cuáles son significativos? Sería útil tener la tabla JMP para ver si el modelo se puede refinar antes de pensar en términos de orden superior o algo diferente.
A partir de sus gráficos residuales (y real vs. predicho), parece que hay cierta curvatura que su modelo actual no puede manejar adecuadamente, por lo que puede verificar si tiene interacciones y efectos cuadráticos en el modelo. Si ya los tiene, es posible que se requieran términos de orden más altos.
No podrá tener en cuenta correctamente los efectos superiores a los cuadráticos en su modelo si tiene un diseño CCD, ya que tiene 3 niveles por factores (mín., medio y máximo), por lo que solo puede ajustar los efectos cuadráticos al máximo. Necesitaría 4 niveles por factores para ajustar términos de tercer orden, 5 niveles para ajustar términos de cuarto orden, etc... por lo que requeriría un aumento de diseño si necesita estos términos en el modelado.
- Puede obtener más información sobre diferentes métodos de estimación de GenReg aquí: Opciones de método de estimación (jmp.com)
- Si no puede crear un modelo "bueno" basado en su diseño y datos (y tal vez necesite algunos términos de orden superior), desde su tabla DoE puede hacer clic en "DoE", "Aumentar diseño" y especificar sus factores y respuestas: Diseños de aumento (jmp.com)
Desde allí, puede "Aumentar" su diseño (y agrupar nuevas ejecuciones en un nuevo bloque) y especificar qué otros términos le gustaría tener en su modelo en el panel "Modelo".
Espero que esta primera respuesta sea informativa para usted,
Re: Falta de ajuste en el diseño compuesto centrado en la caraHola,
Todos los consejos de @Victor_G es sonido. También creo que es difícil dar una respuesta completa sin entender más sobre lo que has hecho. Las capturas de pantalla son buenas, pero adjuntar algunos datos ilustrativos como una tabla .jmp es mucho más útil.
Creo que sé a lo que te refieres cuando preguntas si los puntos centrales están sesgando la estadística de falta de ajuste. Los 18 CP tendrán una fuerte influencia en el cálculo del error puro, que se utiliza en la prueba de falta de ajuste. Si la varianza del error en el centro del diseño no es representativa de la varianza del error en todo el diseño (es posible que pueda pensar en las razones por las que este sería el caso), entonces los puntos centrales sesgarán la falta de ajuste. prueba, al menos hasta cierto punto. Esta es una de las razones por las que algunas personas prefieren no usar puntos centrales. Sin embargo, también es muy posible que las repeticiones del punto central sean representativas del error en todo el espacio de factores.
¿Son los triplicados realmente corridas independientes? Es decir, ¿reinició completamente los factores entre el primero y el segundo de cada triplicado y entre el segundo y el tercero de cada triplicado? ¿O cada triplicado es solo 3 medidas repetidas de la misma muestra de preparación? Si no son ejecuciones verdaderamente independientes, eso también afectaría la validez del modelo y la prueba de falta de ajuste, a menos que agregue un término de efecto aleatorio para "preparación".
También debe considerar que su prueba de falta de ajuste podría ser completamente válida y lo que eso significa. La falta de ajuste no le dice si su modelo es incorrecto o correcto ("todos los modelos son incorrectos"). Por favor, no utilice simplemente la falta de importancia del ajuste como un ejercicio de casilla de verificación. Considere lo que realmente significa. Considere el tamaño de los términos de error y pregúntese si encaja con su experiencia del sistema. Si la falta de ajuste es "significativa", ¿es realmente importante? Puede que no lo sea.
Si cree que la falta de ajuste es válida e importante, es posible que desee agregar términos de orden superior a su modelo. No puedo ver su diseño, por lo que no sé qué modelos se podrán estimar. Pero es posible que desee probar términos cúbicos (X1*X1*X1) y/o cúbicos parciales (X1*X1*X2) en su modelo.
Espero que esto ayude.
phil
Re: Falta de ajuste en el diseño compuesto centrado en la caraTanto Victor como Phil han brindado excelentes consejos y algunas excelentes preguntas. Intente esto, cree un subconjunto de la tabla de datos solo para los puntos centrales. Ordenarlos en orden de ejecución. Gráficalos, puedes usar un gráfico X, MR o un generador de gráficos. ¿Hay patrones o puntos de datos inusuales? ¿Es la variación observada en los puntos centrales representativa de la variación "típica" en el proceso? Es probable que necesite ayuda de una pyme para analizar los datos.
Re: Falta de ajuste en el diseño compuesto centrado en la caraAdemás del otro gran formulario de comentarios @Victor_G , @statman , y @Phil_Kay , el gráfico de residuos del espárrago parece, quizás, que se está oscureciendo algo que no se ha explicado; durante las primeras 30 o más ejecuciones, los residuales están sesgados hacia abajo, las siguientes 20 o más están sesgadas hacia arriba. ¿Se realizaron todas las carreras en un día? ¿A lo largo de varios días? ¿Diferentes analistas, etc.?
Re: Falta de ajuste en el diseño compuesto centrado en la caraAmbas imágenes muestran gráficos que muestran patrones por falta de ajuste. ¿Observa cuán cercanas se comparan las réplicas con las desviaciones de la línea de identidad en el gráfico Real por Predicho o las desviaciones de Y = 0 en el gráfico residual? ¿Cómo se realizó la replicación? ¿Las corridas fueron completamente aleatorias? (¿Cada ejecución se seleccionó en orden aleatorio y todos los factores se reiniciaron antes de la siguiente ejecución?)
Falta de ajuste en el diseño compuesto centrado en la caraSaludos.
Soy un estudiante de doctorado sin experiencia en ingeniería y he estado usando JMP 17 Pro durante el último mes. Esta es la primera vez que uso el software JMP y realicé un autoestudio a través del sitio web de JMP, YouTube y Chemistry World para poder llegar a RSM, pero tengo dificultades para solucionar el problema de falta de ajuste. Comencé mi proceso de optimización con un diseño factorial fraccional (2^6-2) para seleccionar los factores importantes mediante un análisis de 2 niveles. A partir de ahí, hice un diseño compuesto centrado en la cara para tres factores significativos usando una trayectoria ligeramente más amplia con seis puntos centrales adicionales, por triplicado con orden de ejecución aleatorio usando RSM en diseño clásico. El resultado fue 60 experimentos, incluidos 18 puntos centrales para señales de medición de múltiples compuestos. Solo tuve dos compuestos con falta de ajuste insignificante, el resto P<0,001. Mi pregunta es:
1. ¿Cómo puedo verificar si la gran cantidad de puntos centrales causa sesgo en el modelado de otros compuestos?
2. ¿Está bien eliminar los puntos centrales y conservar todas las demás respuestas para modelar?
3.Cómo verificar si el modelo en el JMP se ajusta al polinomio cuadrático o cualquier polinomio de orden superior para ajustarlo antes de modificar el instrumento.
4. leo @Phil_Kay sugirió el uso de Best Subset y SVEM Lasso en Gen Reg para un problema similar en otra publicación. ¿Dónde puedo encontrar más detalles sobre el análisis de datos utilizando esos dos enfoques para ajustar el RSM y lograr la falta de ajuste deseada en el DOE?
5. Si ese no es el caso, ¿cómo ampliar el experimento para lograr la falta de ajuste deseada?
Por favor ayudame.
Gracias
Residuals PlotResiduals PlotParcela de residuos
Actual versus Predicted PlotActual versus Predicted Plot Trama real versus prevista
Diseño de experimentos
