Los métodos DOE modernos le permiten crear un experimento que se ajuste a su sistema. Aprenda cómo superar las limitaciones del DOE tradicional mediante el uso de la plataforma de diseño personalizado. Después de crear el diseño, utilice diferentes herramientas para explorar y comparar diferentes diseños y asegurarse de que está creando la mejor opción 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 de esta sesión.
P: ¿Qué diseño es mejor si solo tienes 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 sólo 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 polinomiales si son activos e importantes (y si no, todos los efectos principales son activos).
P: ¿Qué significa estimabilidad "Necesaria" frente a "Si es posible"?
R: 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 de 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 el DOE para replicar todos los tratamientos.
P: ¿Puedo ejecutar un DSD con factores categóricos y combinados?
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, porque las metodologías son muy diferentes. Básicamente se trata de una comparación de enfoques basados en modelos y agnósticos de modelos, y tienen sus ventajas y desventajas. Más aquí.
P: ¿Cómo evalúa si las respuestas generadas son significativas?
R: Hay muchos modelos 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 Difícil o Muy difícil restringirá el rango de configuración?
R: No, establecer un factor en Difícil o Muy difícil agrupará los tratamientos con entornos similares (en lugar de completamente aleatorios) y garantizará que el diseño esté equilibrado entre estos factores que están restringidos.
P: ¿Existen situaciones en las que D-óptimo es mejor que otros criterios de optimización?
R: El uso de la plataforma Design Explorer puede ayudar a encontrar un diseño que tenga un buen compromiso entre diferentes criterios de optimización (como I para la varianza de predicción y D para la selección). También existe la opción de utilizar el diseño A-óptimo, ya que permite 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 dio una maravillosa charla sobre Diseños óptimos .
P: ¿Cómo sabe qué criterio de optimización se utilizó para crear un diseño?
R: La tabla DOE enumerará los criterios de optimización que se utilizaron.
P: Si no sigue la orden dada por el DOE, ¿qué significa eso para los resultados? Por ejemplo, si tiene un tiempo limitado al detener la producción para ejecutar el experimento, debe seguir el orden lo más lógico posible. ¿Eso distorsionaría los resultados?
R: Si es posible, debes ceñirte al orden aleatorio proporcionado. Si existen limitaciones conocidas de antemano, puede crear un factor de bloqueo en torno a una restricción conocida.
