Unterschied zwischen Block- und kategorialen Faktoren im benutzerdefinierten DesignLiebe JMP-Community,
Ich habe eine Frage zur benutzerdefinierten Designfunktion in JMP. Ich möchte einen D-optimalen Versuchsplan mit 12 kontinuierlichen Faktoren und 2 blockierenden Faktoren erstellen und habe 64 Durchläufe zur Verfügung. Ich möchte, dass dieser Entwurf auch die Interaktionseffekte 2. Ordnung der 12 kontinuierlichen Faktoren abschätzen kann.
Ich füge im Menü „Custom Design“ einen Blockierungsfaktor hinzu und wähle nach Möglichkeit alle Interaktionseffekte 2. Ordnung zur Schätzung aus. JMP schätzt diese Blockierungseffekte jedoch nicht ein.
Würden Sie wissen, warum das so ist?
Eine Folgefrage: Wenn ich kategoriale Faktoren anstelle von Blockierungsfaktoren auswähle, erhalte ich unterschiedliche D-, A- und I-Effizienzwerte. Sicherlich sind Blockierungsfaktoren und kategoriale Faktoren im Hinblick auf die Schätzung der gewöhnlichen kleinsten Quadrate gleich. Wie geht JMP anders mit kategorialen Faktoren als mit blockierenden Faktoren um? (Ich kann in Ihren Handbüchern anscheinend keine Antwort finden)
Betreff: Blockeffekte in JMP@MaartenvM :
Ich bringe einfach eine weitere wilde Idee ein ... Sie erwähnen nicht, wie viele Ebenen/Blöcke Sie für die beiden Blockierungsfaktoren in Betracht ziehen ... aber gibt es eine Möglichkeit, Ihre „Blockierungsfaktoren“ als echte 2-Ebenen zu verwenden? kategorische Faktoren alle in einem endgültigen Screening-Design zusammengefasst? Ein zwangloses, definitives Screening-Design, das ich mit 12 kontinuierlichen und 2 kategorialen Faktoren (auf jeweils 2 Ebenen) erstellt habe, hat 34 Durchläufe. Deutlich unter Ihrem vollen Budget.
Als @bradleyjones weist darauf hin, dass es viele, viele mögliche Zwei-Faktor-Effekte gibt ... und wenn die Effektsparsität für Ihr System gilt ... werden die meisten aller Wahrscheinlichkeit nach nicht aktiv sein. Anschließend können Sie die zweistufige DSD-Modellierungsmethode nutzen, um aktive Haupt- und Zwei-Faktor-Interaktionseffekte zu identifizieren. Dann haben Sie noch einige Ressourcen für weitere Experimente/Verifizierungen/einmalige Versuche usw. übrig.
@bradleyjones Und @Mark_Bailey Bitte kommentieren Sie, wenn meine Idee falsch ist?
Betreff: Blockeffekte in JMPWenn Sie 12 kontinuierliche Faktoren haben, gibt es 66 Zwei-Faktor-Wechselwirkungen (2FIs). Daher ist es unmöglich, alle diese Wechselwirkungen mit einem 64-Run-Design abzuschätzen. Wenn Sie die 2FIs auf „Wenn möglich“ festlegen, erstellt JMP einen Entwurf, der versucht, so viele dieser Effekte wie möglich angesichts der von Ihnen angegebenen Anzahl von Durchläufen abzuschätzen.
Über blockierende versus kategoriale Faktoren ...
Wenn Sie zwei Designs erstellt haben, eines mit Blockierungsfaktoren und das andere mit kategorialen Faktoren mit der gleichen Anzahl an Ebenen wie die Blockierungsfaktoren, erhalten Sie nicht unbedingt das gleiche Design. Es gibt oft viele Designs, die genau oder nahezu die gleichen Werte des zu optimierenden Kriteriums haben. Diese Designs könnten unterschiedliche Werte für andere Kriterien haben.
Betreff: Blockeffekte in JMPIch denke, dass wir kurz vor einer gewaltsamen Einigung stehen.
Betreff: Blockeffekte in JMPMarkieren,
Ich stimme Ihrer Antwort bei der Planung eines Experiments voll und ganz zu. Allerdings habe ich zahlreiche Beispiele gesehen, bei denen die Behandlungseffekte für einen oder mehrere Blöcke außerhalb der zufälligen Variation liegen, das heißt, in der Analyse wurde eine Block-Behandlungs-Interaktion festgestellt.In der Halbleiterfertigung sind Produktionslose häufige Blockierungsfaktoren.Stellen Sie sich ein Ein-Faktor-Experiment auf mehreren Ebenen vor, das mit 20 Chargen durchgeführt wird.Bei allen bis auf 2 Chargen gibt es eine große Verbesserung (> das Vierfache der zufälligen Variation) mit einer Stufe (dem klaren Gewinner), aber die beiden abweichenden Chargen zeigen keine Auswirkung.
Weitere Untersuchungen liefern häufig weitere Faktoren, die die „Gewinn“-Bedingung beeinflussen (beeinträchtigen) könnten. Daher sollten Block-Behandlungs-Wechselwirkungen immer untersucht werden.Variabilitätsdiagramme eignen sich hervorragend zum Auffinden potenzieller Probleme, insbesondere zur Darstellung der angepassten Behandlungsmittel (Ergebnis – Blockdurchschnitt | Kontrolldurchschnitt).In der Regel können grobe Abweichungen und Wechselwirkungen in blockbereinigten Variabilitätsdiagrammen visuell dargestellt werden.
Unterm Strich bin ich also der Meinung, dass zumindest eine visuelle Analyse der Blockbehandlungswechselwirkungen durchgeführt werden sollte, wenn es mehr als 3-4 Blöcke gibt.
Betreff: Blockeffekte in JMPAus philosophischer Sicht behandeln wir kategoriale und blockierende Faktoren unterschiedlich.
Ein kategorialer Faktor stellt zwei oder mehr zu untersuchende Ebenen dar. Ich kann jedes Level einstellen, das ich möchte. Ein Blockierungsfaktor stellt eine Einschränkung der Versuchseinheiten und eine Einschränkung der Randomisierung der Läufe dar.
Wir beziehen Blockierungsfaktoren nicht in Interaktionseffekte ein, da wir glauben, dass der feste oder zufällige Effekt sich ändernder Blöcke ausschließlich auf dem Mittelwert (Achsenabschnitt) bzw. dem Zufallsfehler (Varianz) beruht. Wir glauben nicht, dass sich die Wirkung der Faktoren zwischen den Blöcken ändert. Wissenschaft und Technik funktionieren in allen Blöcken gleich, aber die mittlere Reaktion kann sich zwischen den Blöcken auf feste oder zufällige Weise verschieben.
Wenn Sie glauben, dass es eine Interaktion gibt, dann gibt es einen echten Faktor, der die Ebene ändert, wenn Sie Blöcke wechseln. Es sollte als Faktor identifiziert und dann behandelt werden, nicht als Blockade.
