Raumfüllung versus optimales DOEFür Mischungen werden häufig raumfüllende DOEs verwendet; Schätze, diese sind nicht optimal? Was ist dann der Nutzen?
Warum nicht auch für Nicht-Mischungen die Raumfüllung anstelle von Optimal DOE verwenden? Ich bereite einen DOE-Kurs vor und erwarte diese Fragen und habe bisher noch nicht die richtigen Antworten.
VersuchsplanungBetreff: Raumfüllung versus optimales DOEHallo @frankderuyck ,
Raumfüllende Designs und optimale Designs (egal ob für Mischungs- oder andere Faktorentypen, sie können in beiden Fällen verwendet werden) sind zwei völlig unterschiedliche DOE-Denken: modellbasiert vs. modellagnostisch.
- Modellbasiert : Bei dieser Art von Versuchsplänen wird a priori ein bestimmtes Modell postuliert (mit Haupteffekten, Wechselwirkungstermen usw.) und dann Punkte generiert, um die Schätzung der Modellkoeffizienten zu optimieren. Dieser Ansatz geht von einer bestimmten Modellform aus und ist nützlich, wenn das zugrunde liegende Modell bekannt ist oder Vorkenntnisse über das untersuchte System vorliegen.Es erfordert möglicherweise weniger Punkte und ist besonders empfehlenswert, wenn Sie leicht auf erklärbare/interpretierbare Ergebnisse zugreifen möchten.
Beispiel : Meine Antwort Y wird stark von den statistisch signifikanten Haupteffekten der Faktoren A und B sowie von der statistisch signifikanten 2-Faktor-Interaktion zwischen A und B beeinflusst.
- Modellunabhängig : Diese Art von Bei der Versuchsplanung geht es darum, Punkte gleichmäßig/homogen (und zufällig) im Versuchsraum zu verteilen und dann verschiedene Modelle an diese Punkte anzupassen, um das beste Vorhersagemodell zu erhalten. Dieser Ansatz erfordert möglicherweise eine hohe Anzahl von Punkten, abhängig von der Komplexität des getesteten Modells (Regression, SVM, neuronale Netze, baumbasierte Modelle usw.), setzt kein bestimmtes Modell voraus und ist nützlich, wenn das zugrunde liegende Modell dies ist unbekannt oder komplex. Dieser Ansatz ist jedoch möglicherweise rauschempfindlich und die Verwendung von ML-Modellen kann zu Überanpassungssituationen führen ...
Beide Ansätze haben ihre Vor- und Nachteile. Modellunabhängige Designs können flexibler und robuster gegenüber Fehlspezifikationen des Modells sein (da sie keine solchen erfordern), erfordern jedoch möglicherweise mehr Daten, um eine mit modellbasierten Designs vergleichbare Genauigkeit zu erreichen. Modellbasierte Designs können effizienter sein und weniger Daten erfordern, sie sind jedoch anfälliger für Modellfehlspezifikationen und möglicherweise weniger robust gegenüber komplexen oder unbekannten zugrunde liegenden Modellen.
Die Bewertung kann zwischen diesen beiden DoE-Denkweisen auch unterschiedlich sein, wobei der Schwerpunkt stärker auf der statistischen Signifikanz bei optimalen Designs (mit Ausnahme von Antwortflächenmodellen und Mischungsdesigns) im Vergleich zur Vorhersagegenauigkeit (RMSE und anderen prädiktiven Leistungsmetriken) bei modellunabhängigen Designs (Sie) liegt Sie versuchen, die besten Vorhersagen in Ihrem experimentellen Bereich zu erzielen, und nicht, einen signifikanten Faktor oder Begriffe in einem Modell zu finden.
Nachfolgend finden Sie eine Folie aus der Präsentation, die ich zu diesem speziellen Thema halte. Ich hoffe, sie hilft Ihnen dabei, es für Studierende einfach/zugänglich zu machen:
Ich hoffe, diese Antwort hilft dir 
Betreff: Raumfüllung versus optimales DOEAusgezeichnete Antwort, Victor, danke!
Ich erwarte auch eine weitere Frage: Wann wird Definitive Screening anstelle von Optimal/Custom DOE verwendet? Darauf kann ich keine eindeutige Antwort geben. Um ehrlich zu sein, verwende ich immer „Benutzerdefiniert“.
Betreff: Raumfüllung versus optimales DOEUm auf die erste Frage zurückzukommen: Ich verstehe, dass die Raumfüllung für Mischungen sehr nützlich ist, da die zugrunde liegenden Modelle aufgrund nichtlinearer Mischeffekte sehr komplex sein können, oder?
Betreff: Raumfüllung versus optimales DOENur um Victors hervorragende Erklärungen zu ergänzen (auch wenn es sich möglicherweise nicht um eine spezifische Antwort auf das OP handelt): Die Methoden müssen sich nicht gegenseitig ausschließen.Es ist möglich, mit einigen Kenntnissen des Modells zu beginnen und Unbekannte gleichzeitig und/oder nacheinander zu untersuchen.Es ist nicht ungewöhnlich, mit hypothetischen Modellen zu beginnen, die auf Fachwissen basieren, Daten zu erhalten, die diese Hypothesen stützen oder ablehnen, und iterativ zu untersuchen, ob die Daten alternativ (wenn Hypothesen die Daten nicht gut erklären/vorhersagen) oder erweitert werden (falls dies der Fall ist).Ich nehme an, wir alle suchen zuerst nach effektiven Methoden und dann nach effizienten Methoden (z. B. Optimalität).Viel hängt davon ab, was wir wissen (oder zu wissen glauben) und wie wir dann Daten erhalten, um dieses Wissen zu testen.Ich halte es für eine gute Idee, das Modell „herauszufordern“ und festzustellen, wo es versagt, und nicht nur, wo es funktioniert.
Betreff: Raumfüllung versus optimales DOEDas Problem bei Mischungen ist die Abhängigkeit von der Pegeleinstellung über mehrere Faktoren hinweg (dh die Faktoren können nicht unabhängig voneinander variiert werden).Da es Einschränkungen gibt, müssen diese berücksichtigt werden.Raumfüllende Entwürfe liefern Daten zum Erstellen von Oberflächen (z. B. Konturdiagramme), um die Leistung im gewählten Entwurfsraum zu bewerten.
Betreff: Raumfüllung versus optimales DOEStimme dir voll und ganz zu @statman Abhängig vom Ziel und den Informationen über ein Produkt/einen Prozess können die beiden Entwurfsmethoden nacheinander verwendet werden: Screening-Faktoren zuerst mit einem modellbasierten optimalen Ansatz und dann einen modellunabhängigen Ansatz verwenden, um gegebenenfalls ein Vorhersagemodell zu optimieren nichtlineare Reaktion.
Hier ist eine Folie von Synthace über die verschiedenen Designs und ihre mögliche Komplementarität:
Betreff: Raumfüllung versus optimales DOEIch verwende nie immer...LOL Es gibt Situationen, in denen Sie versuchen, den Schüler von der Leistungsfähigkeit der experimentellen Designmethodik (im Vergleich zu beispielsweise OFAT) zu überzeugen, ohne es zu verwirrend zu machen.Die benutzerdefinierte Designoption ist zwar äußerst flexibel, kann jedoch die Verwendung erschweren.Es gibt viele Optionen, die verstanden werden müssen.
In allen Fällen wird die „beste“ Methodik wahrscheinlich nicht von vornherein bekannt sein.Führen Sie Ihre Due-Diligence-Prüfung durch, erstellen Sie mehrere Pläne und bewerten Sie die potenziellen Erkenntnisse, die aus jedem Plan gewonnen werden können, im Vergleich zu den dafür erforderlichen Ressourcen.Wählen Sie mit der zugrunde liegenden Idee, die Sie wiederholen möchten.
Betreff: Raumfüllung versus optimales DOEHallo @frankderuyck ,
Definitive Screening-Designs sind sehr interessante Screening-Designs, die unter bestimmten Bedingungen sehr nützlich sein können. Es gibt einen ausgezeichneten Blogbeitrag von @bradleyjones Das gibt weitere Einblicke und Erklärungen darüber, wann und wo DSDs verwendet werden sollten:
https://community.jmp.com/t5/JMP-Blog/Proper-and-improper-use-of-Definitive-Screening-Designs-DSDs/bc-p/541512#M4392
Betreff: Raumfüllung versus optimales DOEHallo Victor, ist es richtig zu sagen, dass ein Definitive Screening-Design ein Sonderfall eines optimalen DOE ist, bei dem t wo Grundvoraussetzungen müssen erfüllt sein: (1) alle Haupteffekte sind orthogonal und nicht mit anderen Modelleffekten verwechselt (rein) und (2) kein Aliasing zwischen quadratischen und Interaktionseffekten. Richtig?
Betreff: Raumfüllung versus optimales DOEHallo @frankderuyck ,
Definitives Screening-Design ist ein „lehrbuchmäßiges“ (klassisches) Design, das für einen Screening-Fall mit einer hohen Anzahl beteiligter Faktoren und der Möglichkeit zum Testen von Interaktion und quadratischen Effekten verwendet wird und dabei den Grundprinzipien von DoE folgt: Effektsparsität, Effekthierarchie und Effektvererbung. Ich würde dieses Design nicht als „optimales“ Design einstufen, da die Struktur „fest“ ist (ebenso wie die von diesem Design überprüften Begriffe).
Was Ihre Konditionen betrifft,
- Haupteffekte sind völlig orthogonal zueinander, zu 2-Faktor-Wechselwirkungen und zu quadratischen Effekten.
- Nein, es gibt Aliase zwischen quadratischen und Interaktionseffekten:
Hier ist ein Auszug aus der Präsentation von Tom Donelly über die wünschenswerten Eigenschaften von DSDs, die ich zuvor angehängt habe:
Ich hoffe, diese Antwort wird Ihnen helfen.
Sie können auch nach Präsentationen über DSD von Bradley Jones in der JMP-Community suchen. Er zeigt deutlich, wann und wo DSDs verwendet werden sollten und welche Bedingungen erfüllt sein müssen (nur kontinuierliche und wenige 2-stufige kategoriale Faktoren, hohe Anzahl von Faktoren, keine Einschränkung). der Experimentierraum, leicht zu ändernde Faktoren, ...).
Betreff: Raumfüllung versus optimales DOEDanke Victor, das ist klar. Interessante Diskussion zum Thema Community mit Bradley Jones!
