Riempimento dello spazio contro DOE ottimalePer le miscele spesso vengono utilizzati i DOE che riempiono lo spazio; indovinare questi non sono ottimali? Allora qual è il vantaggio?
Perché non utilizzare il riempimento degli spazi anche per le non miscele invece di Optimal DOE? Sto preparando un corso DOE e mi aspetto queste domande e finora non ho le risposte giuste.
Progettazione di esperimentiRi: riempimento dello spazio contro DOE ottimaleCIAO @frankderuyck ,
I design che riempiono lo spazio e i design ottimali (indipendentemente dal fatto che si tratti di una miscela o di altri tipi di fattori, possono essere utilizzati in entrambi i casi) sono due mentalità DOE completamente diverse: basata sul modello e indipendente dal modello.
- Basato su modello : Questo tipo di progettazione di esperimenti implica postulare a priori un modello specifico (con effetti principali, termini di interazione, ecc...), e quindi generare punti per ottimizzare la stima dei coefficienti del modello. Questo approccio assume una forma modello specifica ed è utile quando il modello sottostante è ben noto o quando esiste una conoscenza preliminare del sistema studiato.Potrebbe richiedere meno punti ed è particolarmente consigliato se si desidera avere facilmente accesso a risultati spiegabili/interpretabili.
Esempio : La mia risposta Y è fortemente influenzata dagli effetti principali statisticamente significativi dei fattori A e B e dall'interazione statisticamente significativa di 2 fattori tra A e B.
- Modello-agnostico : Questo tipo di i progetti di esperimenti comportano la distribuzione di punti in modo uniforme/omogeneo (e casuale) nello spazio sperimentale e quindi l'adattamento di diversi modelli a questi punti per ottenere il miglior modello predittivo. Questo approccio può richiedere un numero elevato di punti a seconda della complessità del modello testato (regressione, SVM, reti neurali, modelli basati su alberi,...), non presuppone alcun modello specifico ed è utile quando il modello sottostante è sconosciuto o complesso. Ma questo approccio può essere sensibile al rumore e l'uso di modelli ML può portare a situazioni di overfitting...
Entrambi gli approcci hanno i loro vantaggi e svantaggi. I progetti indipendenti dal modello possono essere più flessibili e robusti per modellare le specifiche errate (poiché non ne richiedono), ma potrebbero richiedere più dati per ottenere un'accuratezza comparabile ai progetti basati sul modello. I progetti basati su modelli possono essere più efficienti e richiedere meno dati, ma sono più vulnerabili a specifiche errate del modello e possono essere meno robusti di fronte a modelli sottostanti complessi o sconosciuti.
La valutazione può anche essere diversa tra queste due mentalità DoE, con maggiore enfasi sulla significatività statistica con progetti ottimali (ad eccezione dei modelli di superficie di risposta e dei progetti di miscele), rispetto all'accuratezza predittiva (RMSE e altre metriche di prestazione predittive) con progetti indipendenti dal modello (tu stai cercando di avere le migliori previsioni nel tuo spazio sperimentale, non trovare un fattore o termini significativi in un modello).
Di seguito troverai una diapositiva della presentazione che fornisco su questo argomento specifico, spero che ti aiuti a renderlo facile/accessibile per gli studenti:
Spero che questa risposta ti sia d'aiuto 
Ri: riempimento dello spazio contro DOE ottimaleOttima risposta Vittorio, grazie!
Mi aspetto anche un'altra domanda: quando utilizzare lo screening definitivo anziché il DOE ottimale/personalizzato? Non ho una risposta diretta a questo, a dire il vero uso sempre Custom.
Ri: riempimento dello spazio contro DOE ottimalePer tornare alla prima domanda, capisco che il riempimento dello spazio è molto utile per le miscele perché i modelli sottostanti possono essere molto complessi a causa di effetti di fusione non lineari, giusto?
Ri: riempimento dello spazio contro DOE ottimaleSolo per aggiungere alle eccellenti spiegazioni di Victor (sebbene potrebbe non essere una risposta specifica all'OP), le metodologie non devono necessariamente escludersi a vicenda.È possibile iniziare con una certa conoscenza del modello e indagare le incognite simultaneamente e/o in sequenza.Non è insolito iniziare con modelli ipotetici basati sulla conoscenza dell'argomento, ottenere dati per supportare o rifiutare tali ipotesi e iterare per indagare alternativamente (se le ipotesi non spiegano/prevedono bene i dati) o aumentano lo spazio (se lo sono).Suppongo che stiamo tutti cercando prima metodi efficaci e poi metodi efficienti (ad esempio, l'ottimalità).Molto dipende da ciò che sappiamo (o pensiamo di sapere) e quindi dall'ottenere dati per testare tale conoscenza.Penso che sia una buona idea "sfidare" il modello e determinare dove fallisce, piuttosto che solo dove funziona.
Ri: riempimento dello spazio contro DOE ottimaleIl problema con le miscele è la dipendenza dall'impostazione del livello tra più fattori (cioè, i fattori non possono essere variati indipendentemente).Poiché ci sono vincoli, questi devono essere tenuti in considerazione.I progetti di riempimento dello spazio forniscono dati per creare superfici (ad es. grafici di contorno) per valutare le prestazioni nello spazio di progettazione scelto.
Ri: riempimento dello spazio contro DOE ottimaleCompletamente d'accordo con te @statman , a seconda dell'obiettivo e delle informazioni su un prodotto/processo, i due metodi di progettazione possono essere utilizzati in sequenza: vagliare prima i fattori con un approccio ottimale basato su modello, quindi utilizzare un approccio indipendente dal modello per ottimizzare un modello predittivo nell'eventualità di risposta non lineare.
Ecco una diapositiva di Synthace sui diversi design e la loro possibile complementarità:
Ri: riempimento dello spazio contro DOE ottimaleNon uso mai sempre ... LOL Ci sono situazioni in cui stai cercando di convincere lo studente del potere della metodologia di progettazione sperimentale (rispetto all'OFAT per esempio) senza creare troppa confusione.L'opzione di progettazione personalizzata, sebbene estremamente flessibile, può renderne difficile l'utilizzo.Ci sono molte opzioni che devono essere comprese.
In tutti i casi, la metodologia "migliore" da utilizzare probabilmente non sarà nota a priori.Esegui la dovuta diligenza, crea più piani e valuta le potenziali conoscenze da acquisire da ciascuno rispetto alle risorse necessarie per ciascuno.Scegli con l'idea sottostante che itererai.
Ri: riempimento dello spazio contro DOE ottimaleCIAO @frankderuyck ,
I Definitive Screening Design sono progetti di screening molto interessanti e possono essere molto utili se vengono soddisfatte alcune condizioni. C'è un eccellente post sul blog di @bradleyjones che fornisce ulteriori approfondimenti e spiegazioni su quando/dove utilizzare i DSD:
https://community.jmp.com/t5/JMP-Blog/Proper-and-improper-use-of-Definitive-Screening-Designs-DSDs/bc-p/541512#M4392
Ri: riempimento dello spazio contro DOE ottimaleCiao Victor, è giusto affermare che un progetto di screening definitivo è un caso speciale di un DOE ottimale dove t due condizioni di base devono essere soddisfatte: (1) tutti gli effetti principali sono ortogonali e non confusi e non confusi con altri effetti del modello (puri) e (2) nessun aliasing tra effetti quadratici e di interazione. Corretto?
Ri: riempimento dello spazio contro DOE ottimaleCIAO @frankderuyck ,
Il Definitive Screening Design è un disegno "da manuale" (classico), utilizzato per un caso di screening con un numero elevato di fattori coinvolti e la possibilità di testare l'interazione e gli effetti quadratici, seguendo i principi di base del DoE: scarsità degli effetti, gerarchia degli effetti ed ereditarietà degli effetti. Non classificherei questo progetto come un progetto "ottimale", poiché la struttura è "fissa" (e lo sono anche i termini schermati da questo progetto).
Per quanto riguarda le tue condizioni,
- Gli effetti principali sono completamente ortogonali tra loro, alle interazioni a 2 fattori e agli effetti quadratici.
- No, ci sono alias tra effetti quadratici e di interazione:
Ecco un estratto dalla presentazione di Tom Donelly sulle proprietà desiderabili dei DSD che ho allegato in precedenza:
Spero che questa risposta ti possa aiutare.
Puoi anche cercare presentazioni sul DSD di Bradley Jones nella community di JMP, dimostra chiaramente quando/dove utilizzare i DSD e le condizioni da soddisfare (solo fattori categorici continui e pochi livelli di 2, numero elevato di fattori, nessun vincolo in lo spazio sperimentale, fattori facili da cambiare, ...).
Ri: riempimento dello spazio contro DOE ottimaleGrazie Vittorio, questo è chiaro. Interessante discussione sulla comunità con Bradley Jones!
