Voglio condurre un esperimento di screening per identificare quali fattori influenzano maggiormente la mia risposta (Y). Dalle ricerche passate, sono consapevole che queste variabili hanno interazioni, quindi ho bisogno di termini di interazione nel mio modello. I fattori che ho identificato come rilevanti sono i seguenti:
- X1 - continuo
- X2 - continuo
- X3 - continuo
- X4 - continuo
- X5 - continuo
- X6 - categoriale con solo 2 livelli
- X7 - categoriale con 10 livelli
Per essere precisi, X7 è un tipo di sostanza chimica: un acido grasso. Gli acidi grassi possono essere saturi, monoinsaturi o polinsaturi, a catena più lunga o a catena più corta, ecc., quindi ne ho selezionati 10 che abbracciano questa gamma di proprietà. Poiché X7 ha più di 3 livelli, sono costretto a utilizzare la progettazione personalizzata in JMP e, tenendo conto dei termini di interazione nel mio modello, ciò si traduce in circa 42 esperimenti. Volevo chiedere se esiste un modo più efficiente per farlo? Nello specifico, un modo più efficiente per impostare un DOE per studiare variabili come X7 (che sono categoriali).
Pensando ad alta voce, all'inizio ho pensato che convertire X7 da variabile discreta a variabile continua (magari concentrandosi su una caratteristica importante degli acidi grassi) potesse essere utile perché in quel caso avrei potuto semplicemente scegliere un'impostazione "alta" e una "bassa". Ma le sostanze chimiche sono multidimensionali, ovvero non possono essere semplicemente ridotte a una caratteristica/numero, quindi non credo che questa sia la strada da seguire.
Quindi esiste un modo più efficiente per progettare uno studio in cui è presente una variabile categoriale come X7?
