Relleno de espacio versus DOE óptimoPara las mezclas, con frecuencia se utilizan DOE de relleno de espacio; supongo que estos no son óptimos? Entonces, ¿cuál es entonces el beneficio?
¿Por qué no usar relleno de espacio también para no mezclas en lugar de Optimal DOE? Estoy preparando un curso del DOE y espero estas preguntas y hasta ahora no tengo las respuestas correctas.
Diseño de experimentosRe: Llenado de espacios versus DOE óptimoHola @frankderuyck ,
Los diseños que llenan espacios y los diseños óptimos (no importa si es por mezcla u otro tipo de factores, se pueden usar en ambos casos) son dos mentalidades completamente diferentes del DOE: basado en modelos versus agnóstico del modelo.
- basado en modelos : Este tipo de diseños de experimentos implica postular a priori un modelo específico (con efectos principales, términos de interacción, etc...), y luego generar puntos para optimizar la estimación de los coeficientes del modelo. Este enfoque asume una forma de modelo específica y es útil cuando el modelo subyacente es bien conocido o cuando existe un conocimiento previo sobre el sistema que se está estudiando.Puede requerir menos puntos, y se recomienda especialmente si desea tener acceso fácilmente a resultados explicables/interpretables.
Ejemplo : Mi respuesta Y está fuertemente influenciada por los efectos principales estadísticamente significativos del factor A y B, y por la interacción estadísticamente significativa de 2 factores entre A y B.
- Modelo agnóstico : Este tipo de Los diseños de experimentos implican distribuir puntos de manera uniforme/homogénea (y aleatoria) en el espacio experimental y luego ajustar diferentes modelos a estos puntos para obtener el mejor modelo predictivo. Este enfoque puede requerir una gran cantidad de puntos dependiendo de la complejidad del modelo probado (regresión, SVM, redes neuronales, modelos basados en árboles,...), no asume ningún modelo específico y es útil cuando el modelo subyacente es desconocido o complejo. Pero este enfoque puede ser sensible al ruido y el uso de modelos ML puede dar lugar a situaciones de sobreajuste...
Ambos enfoques tienen sus ventajas y desventajas. Los diseños agnósticos del modelo pueden ser más flexibles y robustos para la especificación incorrecta del modelo (ya que no requieren ninguno), pero pueden requerir más datos para lograr una precisión comparable a los diseños basados en modelos. Los diseños basados en modelos pueden ser más eficientes y requieren menos datos, pero son más vulnerables a la especificación incorrecta del modelo y pueden ser menos sólidos frente a modelos subyacentes complejos o desconocidos.
La evaluación también puede ser diferente entre estas dos mentalidades del DoE, con más énfasis en la significación estadística con diseños óptimos (excepto para modelos de superficie de respuesta y diseños mixtos), versus precisión predictiva (RMSE y otras métricas de rendimiento predictivo) con diseños agnósticos del modelo (usted está intentando tener las mejores predicciones en su espacio experimental, no encontrar un factor o términos significativos en un modelo).
Encuentre a continuación una diapositiva de la presentación que doy sobre este tema específico, espero que lo ayude a hacerlo fácil/accesible para los estudiantes:
Espero que esta respuesta te ayude 
Re: Llenado de espacios versus DOE óptimoExcelente respuesta Víctor, gracias!
También espero otra pregunta: ¿cuándo utilizar Definitive Screening en lugar de Optimal/Custom DOE? No tengo una respuesta directa a esto, para ser honesto, siempre uso Custom.
Re: Llenado de espacios versus DOE óptimoPara volver a la primera pregunta, entiendo que el relleno de espacios es bastante útil para las mezclas porque los modelos subyacentes pueden ser muy complejos debido a los efectos de mezcla no lineales, ¿verdad?
Re: Llenado de espacios versus DOE óptimoSolo para agregar a las excelentes explicaciones de Victor (aunque puede que no sea una respuesta específica al OP), las metodologías no necesitan ser mutuamente excluyentes.Es posible comenzar con algún conocimiento del modelo e investigar las incógnitas de manera simultánea y/o secuencial.No es inusual comenzar con modelos hipotéticos basados en el conocimiento de la materia, obtener datos para respaldar o rechazar esas hipótesis e iterar para investigar alternativamente (si las hipótesis no explican/predicen bien los datos) o aumentan el espacio (si es así).Supongo que todos buscamos primero métodos efectivos y segundo métodos eficientes (p. ej., optimización).Mucho depende de lo que sabemos (o creemos que sabemos) y luego de obtener datos para probar ese conocimiento.Creo que es una buena idea "desafiar" el modelo y determinar dónde falla, en lugar de solo dónde funciona.
Re: Llenado de espacios versus DOE óptimoEl problema con las mezclas es la dependencia de la configuración del nivel a través de múltiples factores (es decir, los factores no se pueden variar de forma independiente).Dado que existen restricciones, es necesario tenerlas en cuenta.Los diseños de relleno de espacios proporcionan datos para crear superficies (p. ej., gráficos de contorno) para evaluar el rendimiento en el espacio de diseño elegido.
Re: Llenado de espacios versus DOE óptimoCompletamente de acuerdo contigo @statman , según el objetivo y la información sobre un producto/proceso, los dos métodos de diseño se pueden usar de forma secuencial: seleccionar primero los factores con un enfoque óptimo basado en modelos y luego usar un enfoque agnóstico del modelo para optimizar un modelo predictivo en la eventualidad de respuesta no lineal.
Aquí hay una diapositiva de Synthace sobre los diferentes diseños y su posible complementariedad:
Re: Llenado de espacios versus DOE óptimoNunca uso siempre... LOL Hay situaciones en las que intenta convencer al estudiante del poder de la metodología de diseño experimental (frente a OFAT, por ejemplo) sin que sea demasiado confuso.La opción de diseño personalizado, si bien es extremadamente flexible, puede dificultar su uso.Hay muchas opciones que necesitan ser entendidas.
En todos los casos, es probable que no se conozca a priori la "mejor" metodología a utilizar.Realice su debida diligencia, cree múltiples planes y evalúe el conocimiento potencial que se obtendrá de cada uno frente a los recursos necesarios para cada uno.Elija con la idea subyacente que estará iterando.
Re: Llenado de espacios versus DOE óptimoHola @frankderuyck ,
Los Diseños de Cribado Definitivos son diseños de cribado muy interesantes, y pueden ser muy útiles si se cumplen algunas condiciones. Hay una excelente entrada de blog de @bradleyjones que brinda más información y explicaciones sobre cuándo/dónde usar los DSD:
https://community.jmp.com/t5/JMP-Blog/Uso adecuado e inadecuado de los diseños de detección definitiva-DSDs/bc-p/541512#M4392
Re: Llenado de espacios versus DOE óptimoHola Victor, ¿es correcto afirmar que un diseño de detección definitiva es un caso especial de un DOE óptimo donde t dos condiciones basicas deben cumplirse: (1) todos los efectos principales son ortogonales y no se confunden ni se confunden con otros efectos del modelo (puros) y (2) no hay alias entre los efectos cuadráticos y de interacción. ¿Correcto?
Re: Llenado de espacios versus DOE óptimoHola @frankderuyck ,
Definitive Screening Design es un diseño de "libro de texto" (clásico), utilizado para un caso de detección con una gran cantidad de factores involucrados y la posibilidad de probar la interacción y los efectos cuadráticos, siguiendo los principios básicos de DoE: dispersión de efectos, jerarquía de efectos y herencia de efectos. No categorizaría este diseño como un diseño "óptimo", ya que la estructura es "fija" (y también lo son los términos filtrados por este diseño).
En cuanto a sus condiciones,
- Los efectos principales son completamente ortogonales entre sí, a las interacciones de 2 factores ya los efectos cuadráticos.
- No, hay alias entre los efectos cuadráticos y de interacción:
Aquí hay un extracto de la presentación de Tom Donelly sobre las propiedades deseables de los DSD que adjunto anteriormente:
Espero que esta respuesta te ayude.
También puede buscar presentaciones sobre DSD de Bradley Jones en la comunidad JMP, él demuestra claramente cuándo/dónde usar los DSD y las condiciones a cumplir (solo factores categóricos continuos y de dos niveles, gran cantidad de factores, sin restricciones en el espacio experimental, factores fáciles de cambiar, ...).
Re: Llenado de espacios versus DOE óptimoGracias Víctor, esto está claro. ¡Interesante discusión sobre la comunidad con Bradley Jones!
