Hola comunidad JMP,
Actualmente estoy trabajando en un diseño DOE personalizado. En general tengo 3 factores con diferentes niveles.
Solución estabilizadora (tengo 7 soluciones estabilizadoras diferentes que me gustaría analizar) + potencialmente agregar una muestra de referencia (sin agregar estabilizador).
Dosis de estabilizador - 2 niveles (alto y bajo) => (0,01% y 0,02%)
Proceso (2 tratamientos térmicos/autoclavaciones diferentes).
La planta piloto es capaz de mezclar 4 códigos únicos pr. día. (tenemos reservados 4 días en la planta piloto). Esto significa que podemos mezclar un máximo de 16 códigos únicos que se pueden ejecutar mediante ambos tratamientos térmicos (lo que da un total de 32 códigos).
Sin embargo, el hecho de que sólo podamos mezclar 4 códigos pr. día y estos deben procesarse con ambos tratamientos térmicos (dando 8 códigos por día) me da algunos problemas. El orden ideal será, por supuesto, el siguiente:
Día 1:
Estabilizador 1: 0,01% - tratamiento térmico 1
Estabilizador 4: 0,02% - tratamiento térmico 1
Estabilizador 5: 0,01% - tratamiento térmico 1
Estabilizador 6: 0,02% - tratamiento térmico 1
Estabilizador 1: 0,01% - tratamiento térmico 2
Estabilizador 4: 0,02% - tratamiento térmico 2
Estabilizador 5: 0,01% - tratamiento térmico 2
Estabilizador 6: 0,02% - tratamiento térmico 2
etc...
Sin embargo, no puedo lograr que JMP haga esto (he intentado usar el bloqueo y editar los "cambios" de fácil a difícil, etc.).
Esta mejor respuesta que obtuve se adjunta.
No estoy familiarizado con las secuencias de comandos (JSL), por lo que esas soluciones me resultarán difíciles. Estoy usando JMP 17.
Gracias de antemano.
Atentamente
Kristian Bertelsen
Hola cristian,
Realmente depende cuál sea el objetivo de tu estudio, no hay una respuesta definitiva.
Si desea examinar y seleccionar los mejores estabilizadores en general, quizás la información sobre la dosis no sea tan importante. Pero también podría tener varias implicaciones/preguntas:
- ¿La cantidad de estabilizante podría influir sobre el resto de ingredientes de la formulación (efectos sinérgicos o antagónicos)?
- ¿Podría ser que el comportamiento del estabilizador no sea lineal y fijar un valor "arbitrario" de dosificación le haría pasar por alto un posible estabilizador importante/poderoso (consulte el gráfico a continuación), ya que podría haber diferentes concentraciones de "activación"/rendimiento dependiendo de la química? del estabilizador? :
Si la concentración del estudio es fija y está por debajo del umbral de este gráfico, entonces el estabilizador A no se retendría/mantendría para la optimización, ya que se puede considerar que no tiene influencia en la respuesta. Pero, por el contrario, si se estudian sus efectos en una gama, se tendrá una mejor apreciación de su comportamiento y rendimiento, y no sólo una estimación puntual de su rendimiento.
Otra opción podría ser centrarse primero en los efectos principales solo en su modelo (o al menos principalmente en los efectos principales Tipo de estabilizador, dosis, proceso y reducir los términos de interacción en el modelo para tener más poder para los términos en el modelo), y ¿Luego aumentará su diseño inicial basándose en los efectos significativos identificados? Tendría más potencia para el efecto principal de los estabilizadores, por lo que la diferenciación/discriminación entre diferentes estabilizadores podría ser más fácil, y podría aumentar el diseño inicial sólo en estabilizadores que muestren algunas prestaciones.
¿O tal vez ya tiene algunos datos y podría aumentar su conjunto de datos inicial con nuevos experimentos a través de la plataforma "Aumentar diseño" (y usar la opción "Agrupar nuevas ejecuciones en un bloque separado")?
Puede obtener más información sobre el nivel de significancia y el RMSE anticipado aquí: Análisis de potencia (jmp.com)
- El poder es la probabilidad de detectar un efecto, si es significativo. Una potencia igual a 1 significa que puede detectar este efecto (si es significativo) el 100% del tiempo, para un cierto valor de nivel de significancia y RMSE anticipado. Recomiendo mucho el vídeo del canal de Youtube Statquest, me ayuda mucho a entender conceptos estadísticos. Hay un video excelente sobre análisis de potencia: Análisis de potencia, claramente explicado!!! - YouTube
- El nivel de significancia que se muestra en esta plataforma también se conoce como riesgo alfa: comúnmente se ve el riesgo alfa en pruebas estadísticas como la prueba T de Student, por ejemplo (para evaluar si hay una diferencia en una respuesta entre dos grupos). El nivel de significancia es la probabilidad de rechazar la hipótesis nula cuando es cierta. Por ejemplo, un nivel de significancia de 0,05 indica un riesgo del 5% de concluir que existe una diferencia cuando no existe una diferencia real. Los niveles de significancia más bajos indican que se necesitan pruebas más sólidas antes de rechazar la hipótesis nula. Más información aquí: Nivel de significancia - Estadísticas de Jim
- RMSE anticipado es el "nivel de ruido" en su respuesta ( raíz cuadrada de la variación del error) . Cuanto mayor sea el valor, mayor será el ruido/variación en su respuesta, más difícil será determinar un efecto significativo, por lo que menor será la potencia de sus efectos. Podrías verlo como la relación Ruido/Señal: si tienes mucho ruido, el RMSE anticipado será mayor y tus cálculos de potencia para los efectos serán menores. De forma predeterminada, los cálculos se realizan con un valor de 1 (lo cual es útil para comparar diferentes diseños sobre la misma base), pero si ya tiene una idea sobre la variación de su medición, puede ingresar un valor diferente que refleje este conocimiento para tener una idea más relevante. Cálculos de potencia. Más información aquí: Ejemplo de evaluación de potencia relativa a un modelo específico (jmp.com)
Espero que estas opciones te ayuden en tu reflexión,
Hola @Bertelsen92 ,
¿Qué efectos te gustaría ver en los modelos?
Para la proyección de los efectos principales, puedo crear 32 ejecuciones en 4 tramas completas (es decir, 8 ejecuciones por día como mencionaste), donde solo tienes un proceso por día.
Aquí está el guión:
DOE(
Custom Design,
{Add Response( Maximize, "Y", ., ., . ),
Add Factor( Continuous, -1, 1, "X1", 0 ),
Add Factor( Continuous, -1, 1, "X2", 0 ),
Add Factor( Continuous, -1, 1, "X3", 0 ),
Add Factor( Continuous, -1, 1, "X4", 0 ),
Add Factor( Continuous, -1, 1, "X5", 0 ),
Add Factor( Continuous, -1, 1, "X6", 0 ),
Add Factor( Continuous, -1, 1, "X7", 0 ),
Add Factor( Continuous, -1, 1, "X8", 0 ),
Add Factor( Categorical, {"L1", "L2"}, "Process", 1 ),
Set Random Seed( 235758137 ), Number of Starts( 1574 ), Add Term( {1, 0} ),
Add Term( {1, 1} ), Add Term( {2, 1} ), Add Term( {3, 1} ), Add Term( {4, 1} ),
Add Term( {5, 1} ), Add Term( {6, 1} ), Add Term( {7, 1} ), Add Term( {8, 1} ),
Add Term( {9, 1} ), Add Alias Term( {1, 1}, {2, 1} ),
Add Alias Term( {1, 1}, {3, 1} ), Add Alias Term( {1, 1}, {4, 1} ),
Add Alias Term( {1, 1}, {5, 1} ), Add Alias Term( {1, 1}, {6, 1} ),
Add Alias Term( {1, 1}, {7, 1} ), Add Alias Term( {1, 1}, {8, 1} ),
Add Alias Term( {1, 1}, {9, 1} ), Add Alias Term( {2, 1}, {3, 1} ),
Add Alias Term( {2, 1}, {4, 1} ), Add Alias Term( {2, 1}, {5, 1} ),
Add Alias Term( {2, 1}, {6, 1} ), Add Alias Term( {2, 1}, {7, 1} ),
Add Alias Term( {2, 1}, {8, 1} ), Add Alias Term( {2, 1}, {9, 1} ),
Add Alias Term( {3, 1}, {4, 1} ), Add Alias Term( {3, 1}, {5, 1} ),
Add Alias Term( {3, 1}, {6, 1} ), Add Alias Term( {3, 1}, {7, 1} ),
Add Alias Term( {3, 1}, {8, 1} ), Add Alias Term( {3, 1}, {9, 1} ),
Add Alias Term( {4, 1}, {5, 1} ), Add Alias Term( {4, 1}, {6, 1} ),
Add Alias Term( {4, 1}, {7, 1} ), Add Alias Term( {4, 1}, {8, 1} ),
Add Alias Term( {4, 1}, {9, 1} ), Add Alias Term( {5, 1}, {6, 1} ),
Add Alias Term( {5, 1}, {7, 1} ), Add Alias Term( {5, 1}, {8, 1} ),
Add Alias Term( {5, 1}, {9, 1} ), Add Alias Term( {6, 1}, {7, 1} ),
Add Alias Term( {6, 1}, {8, 1} ), Add Alias Term( {6, 1}, {9, 1} ),
Add Alias Term( {7, 1}, {8, 1} ), Add Alias Term( {7, 1}, {9, 1} ),
Add Alias Term( {8, 1}, {9, 1} ), Set N Whole Plots( 4 ), Set Sample Size( 32 ),
Simulate Responses( 0 ), Save X Matrix( 0 ), Make Design}
);
Y adjunto puede encontrar la tabla de datos.
El truco consiste en especificar su factor categórico de 2 niveles "Proceso" como un factor difícil de cambiar y especificar 4 como el número de trama completa (4 días) y 32 como el número de ejecuciones (8 ejecuciones por día). Tenga en cuenta que para detectar los efectos principales, puede reducir el número de ejecuciones si es necesario (pero debe ser un múltiplo del número de días de experimentación, por lo que si mantiene 4 días, puede reducir a 28 o 24 ejecuciones, por ejemplo):
Si no entiendo bien su objetivo y/o especificaciones de diseño, no dude en agregar más detalles y explicaciones para que podamos encontrar una mejor solución.
Espero que esto ayude,
Editar: este diseño no parece respetar su restricción de tener solo 4 mezclas diferentes por día, por lo que aumentar el número de parcelas completas a 8 (y hacer 2 parcelas completas de 4 experimentos cada una por día) con la misma cantidad de ejecuciones podría ser una alternativa, tengo que comprobar más tarde si funciona.
Perdón por el malentendido,
