Los métodos DOE modernos le permiten crear un experimento que se ajuste a su sistema. Aprenda a superar las limitaciones del DOE tradicional utilizando la plataforma de diseño personalizado. Después de crear el diseño, use diferentes herramientas para explorar y comparar diferentes diseños para asegurarse de que está creando el mejor diseño para respaldar sus objetivos.
Preguntas y respuestas / Discusión
Muchas gracias a @Bill_Worley y @Victor_G para obtener ayuda sobre la sesión de preguntas y respuestas para esta sesión.
P: ¿Qué diseño es mejor si solo tiene factores continuos?
R: Muchos diseños pueden funcionar con factores continuos, pero el DOE personalizado brindará la mayor flexibilidad.
P: ¿Cuál es la diferencia entre un diseño personalizado con solo efectos principales y un diseño de proyección definitivo?
R: Un diseño de efectos principales no proporcionará estimaciones para efectos de orden superior; un DSD proporcionará una estimación de las interacciones de dos factores y los términos polinómicos si son activos e importantes (y si no todos los efectos principales son activos).
P: ¿Qué significa estimabilidad "Necesario" frente a "Si es posible"?
R: Los efectos como "necesarios" obligarán a la generación del diseño a poder estimar estos términos. Efectos "si es posible" creará diseños bayesianos, donde los efectos se pueden estimar si le quedan suficientes grados de libertad, y la generación del diseño intentará acomodar los puntos para poder estimar estos efectos.
P: ¿Un diseño personalizado permite réplicas?
R: Puede especificar la cantidad de tratamientos replicados en un DOE personalizado. Si desea replicar un diseño completo (una réplica para cada tratamiento), puede crear el diseño y luego aumentar DOE para replicar todos los tratamientos.
P: ¿Puedo ejecutar un DSD con factores categóricos y mixtos?
R: DSD permite factores continuos y factores categóricos de dos niveles.
P: Para los factores de mezcla, ¿cuál es mejor: el diseño de mezcla clásico o el diseño de relleno de espacio?
R: Depende, ya que las metodologías son muy diferentes. Esta es básicamente una comparación de enfoques basados en modelos versus agnósticos del modelo, y tienen sus ventajas y desventajas. Más aquí.
P: ¿Cómo evalúa que sus respuestas generadas son significativas?
R: Hay muchos modelo de diagnóstico herramientas para ayudar con esto. El Análisis de variación y Estimación de parámetros Los informes son un buen punto de partida.
P: ¿Cambiar un factor a Fuerte o Muy fuerte restringirá el rango de configuración?
R: No, establecer un factor en Difícil o Muy Difícil agrupará los tratamientos con configuraciones similares (en lugar de completamente aleatorios) y garantizará que el diseño esté equilibrado entre estos factores que están restringidos.
P: ¿Hay situaciones en las que D-óptimo es mejor que otros criterios de optimización?
R: El uso de la plataforma del explorador de diseño puede ayudar a encontrar un diseño que tenga un buen compromiso entre los diferentes criterios de optimización (como I para la varianza de predicción y D para la detección). También existe la opción de utilizar un diseño A-óptimo, ya que permiten poner diferente énfasis/precisión en las estimaciones de los parámetros (por ejemplo, para tener una mayor precisión en los efectos principales y menos en los efectos de interacción en el contexto de los diseños de detección). Bradley Jones hizo una maravillosa charla sobre Diseños A-óptimos .
P: ¿Cómo sabe qué criterio de optimización se utilizó para crear un diseño?
R: La tabla del DOE enumerará los criterios de optimización que se utilizaron.
P: Si no sigue el orden dado por el DOE, ¿qué significa eso para los resultados? Digamos que está limitado por el tiempo ya que está deteniendo la producción para ejecutar el experimento, por lo que debe ir en el orden más lógico posible. ¿Eso sesgaría los resultados?
R: Si es posible, debe ceñirse al orden aleatorio proporcionado. Si existen limitaciones conocidas con anticipación, puede crear un factor de bloqueo en torno a una restricción conocida.
