Buenos dias,
Cuando no cambio a la plataforma del plan óptimo:
- Hago un plan con 3 factores categóricos cada uno con 3 niveles + Solo agrego los 3 efectos principales => 18 intentos recomendados
- Hago un plan con 3 factores categóricos, 2 factores con 3 niveles y 1 factor con 4 niveles + Solo sumo los 3 efectos principales => 12 ensayos recomendados.
¿Por qué hay menos pruebas para el segundo plan cuando hay más niveles de factores para uno de los factores categóricos?
Gracias de antemano
Un pequeño error en la publicación: cuando yo suelo Plataforma DISEÑO PERSONALIZADO
Hola @Charlotte1 ,
¡Bienvenido a la Comunidad!
Una parte de la respuesta se puede encontrar aquí sobre cómo se calcula el número "predeterminado" de ejecuciones en la plataforma de diseño personalizado: Generación de Diseño (jmp.com) : " Este valor se basa en la heurística para crear un diseño equilibrado con al menos cuatro ejecuciones más que el Número mínimo de ejecuciones. "
Al reproducir sus ejemplos, aquí está la situación:
- En su caso 1, el número mínimo de ejecuciones es 7: tiene 1 intersección y 2 términos para cada factor categórico de 3 niveles (número de niveles-1, ya que la estimación del último nivel se puede calcular a partir de los otros: L1+L2 +L3 = 0). JMP podría recomendar 11 ejecuciones (7 ejecuciones mínimas para la estimación de los efectos principales + 4 ejecuciones adicionales), pero este número conduce a la creación de un diseño desequilibrado, en el que no todos los factores se estiman de la manera más precisa y uniforme posible. Por lo tanto, JMP está calculando la cantidad mínima de ejecuciones para satisfacer la condición de tener un diseño equilibrado con al menos cuatro ejecuciones más que la cantidad mínima de ejecuciones (y en este caso con solo una cantidad impar de niveles para sus factores, conduce a 18 ejecuciones ).
- En su caso 2, el número mínimo de ejecuciones es 8: tiene 1 intersección, 2 términos para cada factor categórico de 3 niveles y 3 términos para el factor categórico de 4 niveles. Al agregar 4 corridas más, se puede obtener un diseño balanceado con 12 corridas, así que esta es la sugerencia que hace JMP.
Sin embargo, tenga cuidado, esta configuración predeterminada puede no ser la óptima en sus casos de uso y hay otras características para evaluar. Por ejemplo, al observar el análisis de potencia (capacidad para detectar un efecto estadísticamente significativo, si lo hay), puede ver que los dos diseños claramente no son equivalentes:
Caso de uso 1 con 18 ejecuciones frente a caso de uso 2 con 12 ejecuciones:
Y se podría hacer la misma comparación y análisis para la varianza de predicción (varianza de predicción más alta con 12 ejecuciones que con 18 ejecuciones), y observar las diferencias de los alias en los diseños, etc.
También puede comparar rápidamente el número de ejecuciones de forma predeterminada para estimar los efectos principales en comparación con el número de ejecuciones si hiciera todas las combinaciones entre los niveles de los factores:
- En el caso de uso 1, tiene 3^3 = 27 combinaciones posibles.
- En el caso de uso 2, tiene 4x3x3 = 36 combinaciones posibles.
Entonces, de manera bastante intuitiva, incluso si ambos diseños pueden usar el número de ejecuciones "predeterminado", no cubren el mismo espacio experimental de todas las combinaciones: en el caso de uso 1, cubre el 66,7% de todas las combinaciones posibles, mientras que en caso de uso 2, cubre solo el 33,3% de todas las combinaciones posibles, por lo tanto, la mayor potencia para los factores, la menor varianza de predicción, ... en el caso de uso 1 en comparación con el caso de uso 2.
Espero que esta respuesta te ayude,
