Mittelpunkt vs. FaktorebeneHallo:
Ich studiere ein DOE-Lehrbuch und in einem Beispiel gibt es zwei Faktoren mit zwei Ebenen.
Ein 2^2-Experiment wird mit 5 Mittelpunkten aufgebaut. Es gibt keine Replikate oder Blöcke. Insgesamt 9 Läufe
Meine Frage ist, was der Nutzen von CP ist, warum nicht ein Zwei-Faktor-Experiment mit drei Ebenen, insgesamt 8 Durchläufe
F1) Welches Szenario ist vorteilhafter?
F2) Gibt es Fälle, in denen wir CP verwenden sollten und in denen wir eine zusätzliche Ebene verwenden sollten?
Deine Hilfe wird hoch geschätzt.
Beste grüße,
Varun Katiyar
VersuchsplanungBetreff: Mittelpunkt vs. FaktorebeneHallo @VarunK ,
Haben Sie meine vorherige Antwort auf einen Ihrer vorherigen Beiträge zu den Unterschieden zwischen Mittelpunkten und Mittelpunkten überprüft?
https://community.jmp.com/t5/Discussions/effect-of-centre-points/mp/671637/highlight/true#M85961
In meiner Antwort habe ich versucht zu erklären, dass es unterschiedliche Verwendungen zwischen „mittleren“ Punkten (zum Testen und Schätzen bestimmter quadratischer Koeffiziententerme) und Mittelpunkten (Test auf Krümmung, Test auf mangelnde Anpassung, Vorhersage der verringerten Varianz in der Mitte) gibt der experimentelle Raum, ...), daher denke ich, dass Ihre beiden Fragen bereits im vorherigen Beitrag beantwortet wurden.
Es gibt kein Szenario, das „vorteilhafter“ ist als ein anderes, nur ein Szenario, das möglicherweise besser an ein bestimmtes Ziel angepasst ist als ein anderes. Bitte lesen Sie noch einmal meine Antwort auf Ihren vorherigen Beitrag und überprüfen Sie sie als Lösung, wenn Sie die gesuchten Antworten gefunden haben. Dies hilft auch anderen Mitgliedern, die gesuchten Informationen direkt zu finden.
Betreff: Mittelpunkt vs. FaktorebeneHallo Victor:
Vielen Dank für Ihre Zeit.
Ich habe Ihre vorherige Antwort gelesen und darauf aufbauend einige weitere Fragen gestellt, die ich recherchiert habe, aber keine Antwort finden konnte.
Wenn ich das Lehrbuchbeispiel nehme, einen vollfaktoriellen 2^2-Versuchsplan mit 5 CP und meinen Interessenentwurf mit einem 3^2-Entwurf (beide Faktoren haben drei Stufen statt 2), dann haben beide Szenarien 9 experimentelle Durchläufe, was sind die Vorteile jedes Laufs.
1) CP-Läufe helfen bei der Krümmungserkennung (aber sagen nicht, welcher Faktor vorliegt, wenn eine Krümmung vorliegt) und helfen bei reinen Fehlern und damit bei der Leistungssteigerung
2) Dreistufige Läufe helfen bei der Krümmungserkennung und auch bei der Identifizierung des Faktors, und ich glaube, dass sie auch die Leistung erhöhen (um einen kleineren Wert im Vergleich zu CP-Läufen), aber keinen reinen Fehler ergeben.
Ich habe also versucht zu verstehen, was den Forscher dazu veranlassen wird, eine Option zu wählen.
Deine Hilfe wird hoch geschätzt.
Betreff: Mittelpunkt vs. FaktorebeneNachfolgend finden Sie den Leistungsvergleich beider Designs.
Die Abfangleistung ist im 3^2-Design geringer als im 2^2-Design mit cp, der Rest ist alle größer oder fast gleich.
Ich hätte für diesen Fall 3^2 gewählt, aber alle weiteren Faktoren und das 3^k-Design wären teurer und zeitaufwändiger und daher wären Response-Surface-Designs oder 2^k-Design mit CP, das zu zentralen Verbunddesigns führt, vorteilhafter.
Bitte lassen Sie mich wissen, wenn mir im Vergleich noch weitere Details fehlen.
Betreff: Mittelpunkt vs. FaktorebeneWie ich bereits in einem anderen Beitrag erwähnt habe, müssen bei der Wahl/Entscheidung zwischen den beiden Gestaltungsmöglichkeiten möglicherweise mehrere Punkte berücksichtigt werden:
- Studienphase : Ist dieses Design Teil eines
- Screening-Phase Daher ist die Schätzung quadratischer Terme möglicherweise nicht erforderlich. Es kann jedoch interessant sein, einen Test auf mangelnde Anpassung zu berücksichtigen, wenn der gewählte experimentelle Bereich relevant ist, um zu überprüfen, ob das Modell für das untersuchte System geeignet ist.
- Optimierungsphase, Daher benötigen Sie möglicherweise eine Schätzung quadratischer Terme, um ein Antwortoberflächenmodell anzupassen, oder
- Robustheitsphase; Wenn Sie die Robustheit Ihrer optimalen Einstellungen bewerten möchten, entspricht der zentrale Punkt den zuvor gefundenen optimalen Bedingungen, und Sie möchten sicherstellen, dass die Abweichung um dieses Optimum vernachlässigbar ist. Daher sind hier möglicherweise keine mittleren Punkte erforderlich, und die Hervorhebung ist nicht erforderlich Es geht mehr um die Bewertung und Reduzierung der Vorhersagevarianz in der Mitte des experimentellen Raums als um die Schätzung komplexer Terme in einem Modell, da keine oder nur geringe Variationen und damit keine statistisch signifikanten Auswirkungen zu erwarten sind.
- ?
- Domain-Know-how : Gibt es bereits Vorkenntnisse über die Notwendigkeit, quadratische Effekte abzuschätzen? Ist es sinnvoll, quadratische Terme für dieses untersuchte System zu berücksichtigen? Oder könnte ein einfacheres Modell ausreichen?
- Ziel (bezogen auf die Studienphase) : Legen Sie Wert auf Effekt-Screening/statistische Signifikanz und/oder auf Vorhersageleistungen? Abhängig von den Zielen kann ein Entwurf geeigneter sein als ein anderer.
Bedenken Sie auch, dass es sich bei diesem Beispiel um ein einfaches Beispiel mit nur zwei Faktoren handelt (also eher um ein Lehrbeispiel). Wenn Sie jedoch mit mehr Faktoren arbeiten, besteht eine Lücke in den experimentellen Durchläufen zwischen einem Design ohne quadratische Effektschätzung und einem Design mit dieser Effektschätzung kann schnell wichtig werden.
Diese Punkte erheben keinen Anspruch auf Vollständigkeit, dienen aber als Veranschaulichung, um Ihnen zu verdeutlichen, dass die Designbewertung wichtig sein kann, um ein Design einem anderen vorzuziehen. Bei der Auswahl sollten jedoch immer auch die Fachkenntnisse, das Ziel und die Studienphase berücksichtigt werden, um den aussagekräftigsten Kompromiss zu finden für die geringste Anzahl experimenteller Durchläufe.
Ich hoffe, diese Antwort wird Ihnen helfen,
Betreff: Mittelpunkt vs. FaktorebeneVielen Dank, Victor, für deine Zeit und den Wissensaustausch.
