Si bien nuestra reciente miniserie, Innovación más inteligente con diseño de experimentos, ha concluido, el interés en los temas que cubrimos no ha disminuido. En particular, la gente quiere aprender más sobre:
- Reflexiones sobre el pasado, presente y futuro del DOE
- Fácil DOE
- Y DOE predictivo.
Teníamos tantas preguntas que no tuvimos tiempo de responderlas en los eventos de transmisión en vivo, por lo que nuestros brillantes expertos en la materia acordaron responderlas en esta publicación de blog en el orden de cada sesión.
La sesión 1 fue única porque fue una entrevista de cambio de guardia con el Dr. Bradley Jones, investigador sénior ahora retirado, seguida de Dr. Ryan Lekivetz , a quien Brad contrató hace años y que ahora dirige los esfuerzos de innovación de I+D de JMP para el DOE. Tuvimos algunas preguntas de seguimiento sustanciales, por lo que nos complace que Ryan pueda compartir más de su experiencia.
¿Podría enviar la lista de los libros y artículos mencionados durante este seminario web?
Goos, P. y Jones, B., 2011.Diseño óptimo de experimentos: un enfoque de estudio de caso. . John Wiley e hijos.
Jones, B. y Nachtsheim, CJ, 2011. Una clase de diseños de tres niveles para la detección definitiva en presencia de efectos de segundo orden.Revista de tecnología de calidad , 43 (1), págs.1-15.
Fedorov, VV, 2013.Teoría de experimentos óptimos. . Elsevier.
Caja, GE, Hunter, WH y Hunter, S., 1978.Estadísticas para experimentadores (Vol. 664). Nueva York: John Wiley e hijos.
Jones, B. y Goos, P., 2007. Un algoritmo de conjunto de candidatos libre para generar diseños de parcelas divididas D-óptimas.Revista de la Royal Statistical Society Serie C: Estadística aplicada , 56 (3), págs.347-364.
Anderson‐Cook, CM y Lu, L., 2023. ¿Sigue siendo relevante la recopilación de datos diseñados en la era del big data?Ingeniería de Calidad y Confiabilidad Internacional .
Lekivetz, R. y Jones, B., 2015. Diseños rápidos y flexibles que llenan el espacio para regiones no rectangulares.Ingeniería de Calidad y Confiabilidad Internacional , 31 (5), págs.829-837.
¿Podría proporcionarnos recursos que demuestren el uso del diseño de aumento para optimizar aún más el espacio de diseño? ¿Tiene algún enlace de video o libro que cubra este tema con ejemplos específicos?
El capítulo 3 de Goos & Jones (2011) tiene un ejemplo de aumento de diseño:
Algunas presentaciones que analizan el uso de la plataforma Augment Design:
DOE personalizado especializado para experimentadores experimentados: comunidad de usuarios de JMP
Uso de diseños de detección definitivos para obtener más información en menos ensayos – Comunidad de usuarios de JMP
Algunas charlas de Discovery que adoptan diferentes enfoques para el aumento del diseño:
Explorando las funciones de diseño y modelado de JMP DOE para mejorar el proceso de pulverización catódica (2... – Comunidad de usuarios de JMP
Diseños de conjuntos candidatos: Adaptación de las restricciones del DOE al problema (2021-EU-30MP-78... – Comunidad de usuarios de JMP
Gran DOE: ¿Secuencial y estable gana la carrera? (2021-EU-45MP-775) – Comunidad de usuarios de JMP
Con la evaluación de optimización D/I con el diagnóstico DOE, ¿qué significa eso? ¿Cómo puedo realmente obtener valor o interpretarlos?
Los criterios de optimización se comparan con un diseño teóricamente óptimo (¡que puede que ni siquiera exista!).
https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/optimality-criteria.shtml
Por sí solo, puede resultar difícil interpretar lo que significa. Por lo general, me gusta pensar en estos en comparación con otros diseños (como lo hacemos con las eficiencias relativas en Comparar diseño). https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/design-diagnostics-2.shtml# )
En términos generales, la optimización D/A es para cuando buscas estimar los términos en tu modelo, mientras que la optimización I es para cuando intentas hacer un mejor trabajo estimando la respuesta. Me gusta el documento técnico de Christine Anderson-Cook sobre cómo analizar algunas ideas a la hora de elegir diseños:
Elegir el diseño correcto, con la ayuda del Design Explorer de JMP | JMP
La sesión 2 contó con la participación del científico e ingeniero de sistemas JMP, Pedro Polito , quien compartió algunos experimentos divertidos y muy identificables que realizó con su familia para mostrar el equivalente a un "botón fácil" para DOE en JMP.
¿Existe alguna manera de que JMP genere automáticamente un diseño que cumpla con ciertos requisitos, por ejemplo, coeficientes de correlación no superiores a 0,5, FPDS inferior a 0,25 para el 80% del espacio de diseño, etc.?
Puede utilizar las herramientas de evaluación de diseño y las plataformas de comparación de diseños para encontrar el mejor DOE para su situación.
Si no haces buenas conjeturas sobre los coeficientes, no parece que estas últimas pestañas sean útiles a priori. ¿Estoy entendiendo esto correctamente?
Si y no. Si no tiene una idea clara de cuáles serán los coeficientes de antemano, el panel de simulación se convierte en una gran herramienta para explorar cómo se verá su modelo. Si bien puede que no sea tan informativo para el resultado final, tendrá una buena idea del arte de lo posible, que podrá utilizar para explorar el espacio experimental.
¿Cómo identificas que tu modelo es robusto?
“La belleza está en los ojos de quien la mira”, como dicen. Depende, lo cual es una respuesta poco gratificante. ¿Tienes un R2 alto? ¿Coincide lo real con lo previsto? Estos son algunos métodos para identificar la robustez. Pero al final del día, construimos DOE.
¿Realmente tenías un avión de papel con una longitud de exactamente 6,985 pulgadas?
6,985 pulgadas son ~17,74 cm. Mi regla tiene gradaciones de 1 mm, por lo que pude acercarme bastante, pero probablemente no sea exacto.
La mayoría de las veces, desde el punto de vista logístico tiene sentido ordenar los factores al realizar los experimentos. ¿Cuánto pierdo si no sigo el orden aleatorio que sugirió JMP?
En parte, está perdiendo la capacidad de JMP de cuantificar y tener en cuenta con precisión el ruido y el sesgo experimental. Al fin y al cabo, JMP puede adaptarse mayoría de lo que desearías, solo necesita saber lo que estás haciendo. Entonces, si hay un orden en particular en el que le gustaría seguir, dígalo. Puede hacer esto generando un diseño de parcela dividida (para factores difíciles de cambiar) o estableciendo un orden de ejecución particular.
¿Cuáles fueron los resultados del experimento del huevo?
Lo curioso es que en realidad no recuerdo el resultado. Tan pronto como lo vi supe que tenía que hacerlo yo mismo, pero quiero que uno de los factores sea comprar en la tienda versus los huevos puestos por mis gallinas.
¿Puedes mostrar cómo definimos e ingresamos nuestros factores?
Ingrese respuestas y factores en la primera página de la plataforma Easy DOE.
¿Cómo indica el DOE existente si hay otro factor importante que puede no incluirse?
Hay varias maneras, pero la más reveladora es cuando nuestro DOE da como resultado que ningún factor sea significativo. Si ningún factor es significativo, algo más debe serlo.
El comentario al margen, tenemos curiosidad por saber cómo utilizó DOE para optimizar la ejecución.
Lea sobre esto aquí: https://community.jmp.com/t5/JMP-Blog/DOE-ing-Myself-Using-design-of-experiments-to-run-more/ba-p/256981 .
Si hay una variable que es costosa de cambiar, ¿cómo se aborda?
Al agregar factores, use el menú desplegable para identificar su variable como "difícil" de cambiar, esto creará un diseño de diagrama dividido, que ordenará sus pruebas de manera que el factor difícil de cambiar cambie lo menos posible (entre otras cosas). ).
Para RSM, ¿cómo se puede saber que el diseño es "bueno" antes de comenzar el experimento? es decir, si los factores están correlacionados o si la variación de la predicción no será demasiado alta.
A menudo me refiero al Mapa de colores de correlaciones, en la sección Diagnóstico de diseño de Diseño personalizado. Esto le indicará qué variables y/o interacciones debería poder separar de las otras variables.
Si desea más herramientas de análisis, ¿existe una manera sencilla de exportar los datos de Easy DOE a una tabla de datos estándar?
Sí, hay un botón "Exportar datos" en la pestaña "Entrada de datos".
Cuando usa JMP para crear la tabla DOE, digamos que decide agregar varios cambios de factores en los niveles. Sé que cuando vuelves al modelo y reconstruyes el DOE al revés, a veces funciona de forma extraña (específicamente, el número de ejecuciones sube y baja). ¿Es normal verlo?
Si agrega factores adicionales o niveles adicionales a los factores nominales, es probable que JMP aumente la cantidad de ejecuciones necesarias para construir un modelo sólido e interpretable.
¿Puede JMP manejar DOE de "orden de adición", es decir, cuando se trata de efectos de permutación?
Diseños de bloques incompletos equilibrados ( OFERTAR ) puede ser una forma de construir un DOE de esta manera
Si ya tenemos algunos datos, ¿podemos usarlos para mejorar el modelo antes de iniciar el DOE y realizar más experimentos?
La sesión de Mike Anderson (la tercera de la serie) cubre esto muy bien (ver enlace a la serie a continuación).
¿Puedes hablar más sobre el valor de eliminar factores no significativos del modelo y luego volver a analizarlos?
En resumen, los modelos no predictivos añaden ruido. Quitarlos reduce el ruido, lo que aumenta la señal.
¿Sería posible volver a explicar brevemente el propósito de la simulación?
El simulador le permite "ver" cómo se verá su modelo en última instancia, en función de los coeficientes que crea probables. Es un adelanto de lo que puede suceder. Si, por ejemplo, domina bien los coeficientes y desea ver cómo se desarrolla una interacción en particular, puede hacerlo. Si no puede obtener suficiente resolución en esa interacción, puede agregar más ejecuciones, luego volver a simular y ver si hay mejoras.
La sesión 3 cubrió más formas de obtener valor de su experimento y datos de observación, con la participación del químico e ingeniero de sistemas JMP, Dr. Mike Anderson .
Una intersección significativa indica que los factores no explican adecuadamente los resultados.Cuando esto ocurre en mis análisis, trabajo con los factores antes de llegar a conclusiones.Entonces, sí, el intercepto siempre está ahí, pero cuando es significativo, trabajo para eliminar factores o observar interacciones hasta que el intercepto no es significativo.¿Estás diciendo que esto no es importante dentro de los algoritmos de JMP?
En el contexto del informe SVEM, el porcentaje de datos distintos de cero indica con qué frecuencia la intercepción es diferente de cero. Esto es diferente a evaluar la importancia del intercepto basándose en una prueba estadística.
Lasso y Elastic net son técnicas de regularización que se utilizan en la regresión para evitar el sobreajuste. ¿Elastic Net combina penalizaciones L1 y L2, mientras que Lasso usa solo la penalización L1? ¿Es esto correcto? ¿Y cómo elegir entre estos dos métodos?
L1 es la penalización por una regresión de Lasso. L2 es para una regresión Ridge. La red elástica es una combinación lineal de una penalización de Lasso y Ridge con un parámetro adicional (alfa) para controlar cuánto contribuye cada uno a la penalización total. En general, Lasso se utiliza para la selección de variables o casos donde la covarianza entre factores es baja. Ridge se utiliza generalmente para situaciones en las que sospechamos que los factores están correlacionados. Elastic Net es útil para situaciones en las que necesita realizar una selección de variables pero le preocupa alguna posible correlación factor-factor.
Algunos detalles útiles sobre estas sanciones se pueden encontrar en los detalles estadísticos de la documentación: https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/statistical-details-for-estimation-methods.shtml
JMP Education también ofrece una excelente clase sobre cómo funcionan estas tres sanciones. El curso se llama Encontrar predictores importantes: https://www.jmp.com/en_us/training/courses/jmp-and-pro-finding-important-predictors.html
Apreciamos enormemente que nuestros especialistas se tomen el tiempo para brindar más de su experiencia y recomendar recursos.Esperamos que los encuentres útiles.Si te perdiste alguno de los Innovación más inteligente con experimentos diseñados series, puedes verlas bajo demanda.Se enumeran recursos adicionales en las páginas de visualización de cada sesión.Si desea compartir recursos que crea que son particularmente útiles, lo invitamos a ponerlos en los comentarios.¡Gracias!
