Diseño de DOE Augment: las ejecuciones sugeridas cambian cada vez y tienen números que no son enterosHola,
Realicé una selección semifactorial con 4 factores y ahora me gustaría aumentar el diseño para incluir el resto de las interacciones bidireccionales que faltan y los puntos axiales para verificar las cuadráticas.
Cuando uso el DOE -> Diseño de aumento -> Aumento -> RSM y la segunda interacción, la cantidad de ejecuciones sugeridas siempre es 18 (10 ejecuciones anteriores y 8 ejecuciones nuevas como diseño aumentado), sin embargo, las ejecuciones reales cambian cada vez que Intento estos mismos pasos. Tengo dos ejemplos pegados a continuación.Me gustaría saber por qué sucede esto y por qué cambian las carreras.
Y mi segunda pregunta es sobre los valores no enteros "extraños" sugeridos por JMP (56.6 y 57.2 en las tablas a continuación; el rango para ese factor se ha establecido en 50-70). ¿Por qué JMP requiere una ejecución en estos valores específicos en lugar del punto medio que en este caso será 60? ¿Está esto relacionado con los criterios de optimización (D-óptimo frente a I-óptimo)?
¡Gracias de antemano!
Diseño de experimentosRe: Diseño de aumento del DOE: las ejecuciones sugeridas cambian cada vez y tienen números que no son enterosNo estoy seguro de por qué la cantidad de ejecuciones sugeridas cambia cada vez. Puede depender de los pasos específicos que tomó.
Un diseño factorial fraccionado utiliza combinaciones de niveles dados. El aumento utiliza un diseño personalizado, que crea los niveles con el algoritmo. La optimización a veces se mejora con niveles descentrados, pero puede volver a establecerlos en el valor entero con poca pérdida de optimización.
Re: Diseño de aumento del DOE: las ejecuciones sugeridas cambian cada vez y tienen números que no son enteros¡Gracias por la respuesta!
El número de carreras sugeridas no cambia (siempre es 8) , pero los valores de los factores en esas 8 ejecuciones cambian. Por ejemplo, en el primer intento, JMP sugirió ejecutar con factores en niveles (4,2,15,56,6). Pero esta combinación no aparece en el siguiente intento.
Re: Diseño de aumento del DOE: las ejecuciones sugeridas cambian cada vez y tienen números que no son enterosHay múltiples opciones de ejecuciones adicionales que darán la misma o similar optimización.
Re: Diseño de aumento del DOE: las ejecuciones sugeridas cambian cada vez y tienen números que no son enterosLa función de diseño de aumento realmente no piensa mucho en la cantidad de ejecuciones que se sugieren. Siempre será 8 a menos que especifique un modelo más grande que requiera más de 8 ejecuciones adicionales.
Por ejemplo, cree un diseño para dos factores, solo modelo de efectos principales. Ahora elija aumentar y verá que el número de ejecuciones adicionales es 8 más que su diseño. Prueba con otro ejemplo con 20 factores. Nuevamente, quédese con el modelo de solo efectos principales. Augment agregará nuevamente 8 carreras más.
La conclusión es que no ponga ninguna consideración en las 8 carreras adicionales. Debe especificar el número apropiado que puede hacer que le permitirá cumplir con su potencia y precisión de predicción.
Para sus cuatro factores, hay 6 interacciones bidireccionales. Hay cuatro términos cuadráticos. Su diseño aumentado se ajustará a 10 términos de modelo adicionales desde donde comenzó (que eran 5 términos: intersección + cuatro efectos principales).Recomendaría comenzar con al menos 10 ejecuciones adicionales en su aumento, posiblemente más para cumplir con la precisión de predicción adecuada.
Re: Diseño de aumento del DOE: las ejecuciones sugeridas cambian cada vez y tienen números que no son enterosLos métodos de diseño combinatorio son deterministas. Siempre llegarán al mismo resultado. El aumento en JMP utiliza un diseño personalizado. Sin embargo, el diseño personalizado es un método algorítmico que comienza con un diseño aleatorio (horrible) para las nuevas ejecuciones. Mejora iterativamente el diseño hasta optimizar el criterio de optimización elegido. Por lo tanto, lo llamamos diseño óptimo. El punto de partida aleatorio es una de las razones por las que no se garantiza que llegue al mismo resultado. De hecho, Custom Design no busca ni una sola vez el diseño óptimo. Puede ser localmente óptimo, por lo que repite el proceso de búsqueda muchas veces. Cada vez que comienza con un nuevo diseño aleatorio.
Además, a menudo se da el caso de que hay más de un diseño con la misma optimización. JMP ya no puede distinguir diseños. Es probable que la repetición del proceso de aumento llegue a un resultado diferente.
