Obwohl unsere jüngste Miniserie „Smarter Innovation with Design of Experiments“ zu Ende gegangen ist, hat das Interesse an den von uns behandelten Themen nicht nachgelassen. Insbesondere möchten die Menschen mehr erfahren über:
- Überlegungen zur Vergangenheit, Gegenwart und Zukunft von DOE
- Einfaches DOE
- Und prädiktives DOE.
Wir hatten so viele Fragen, dass wir keine Zeit hatten, sie in den Livestream-Veranstaltungen zu beantworten. Deshalb haben sich unsere brillanten Fachexperten bereit erklärt, sie in diesem Blogbeitrag in der Reihenfolge jeder Sitzung zu beantworten.
Sitzung 1 war insofern einzigartig, als es sich um ein Wachablösungsinterview mit dem inzwischen pensionierten Senior Research Fellow Dr. Bradley Jones handelte, gefolgt von Dr. Ryan Lekivetz , den Brad vor Jahren eingestellt hat und der jetzt die Forschungs- und Entwicklungsinnovationsbemühungen von JMP für DOE leitet. Wir hatten einige wichtige Folgefragen und freuen uns, dass Ryan mehr von seinem Fachwissen weitergeben konnte.
Könnten Sie uns bitte die Liste der in diesem Webinar erwähnten Bücher und Artikel zusenden?
Goos, P. und Jones, B., 2011.Optimale Versuchsplanung: ein Fallstudienansatz . John Wiley & Söhne.
Jones, B. und Nachtsheim, CJ, 2011. Eine Klasse von dreistufigen Designs für das definitive Screening bei Vorliegen von Effekten zweiter Ordnung.Zeitschrift für Qualitätstechnologie , 43 (1), S. 1-15.
Fedorov, VV, 2013.Theorie optimaler Experimente . Sonst.
Box, GE, Hunter, WH und Hunter, S., 1978.Statistiken für Experimentatoren (Bd. 664). New York: John Wiley und Söhne.
Jones, B. und Goos, P., 2007. Ein kandidatensatzfreier Algorithmus zur Generierung D-optimaler Split-Plot-Designs.Zeitschrift der Royal Statistical Society, Reihe C: Angewandte Statistik , 56 (3), S. 347-364.
Anderson‐Cook, CM und Lu, L., 2023. Ist die gezielte Datenerfassung im Big-Data-Zeitalter noch relevant?Qualitäts- und Zuverlässigkeitstechnik International .
Lekivetz, R. und Jones, B., 2015. Schnelle, flexible raumfüllende Designs für nichtrechteckige Bereiche.Qualitäts- und Zuverlässigkeitstechnik International , 31 (5), S. 829-837.
Könnten Sie uns Ressourcen zur Verfügung stellen, die den Einsatz von Augment Design zur weiteren Optimierung des Designraums veranschaulichen? Haben Sie einen Videolink oder ein Buch, das dieses Thema mit konkreten Beispielen behandelt?
Kapitel 3 von Goos & Jones (2011) enthält ein Beispiel für Designerweiterung:
Einige Präsentationen, die die Verwendung der Augment Design-Plattform diskutieren:
Spezialisiertes benutzerdefiniertes DOE für erfahrene Experimentatoren – JMP-Benutzergemeinschaft
Verwendung definitiver Screening-Designs, um mehr Informationen aus weniger Versuchen zu erhalten – JMP-Benutzergemeinschaft
Einige Discovery-Vorträge, die unterschiedliche Ansätze zur Designerweiterung verfolgen:
Erkundung der JMP DOE-Design- und Modellierungsfunktionen zur Verbesserung des Sputterprozesses (2...) – JMP-Benutzergemeinschaft
Kandidaten-Set-Designs: Anpassung der DOE-Einschränkungen an das Problem (2021-EU-30MP-78...) – JMP-Benutzergemeinschaft
Big DOE: Sequential and Steady gewinnt das Rennen? (2021-EU-45MP-775) – JMP-Benutzergemeinschaft
Was bedeutet das überhaupt bei der D/I-Optimalitätsbewertung mit der DOE-Diagnostik? Wie erhalte ich wirklich Werte bzw. wie interpretiere ich diese?
Die Optimalitätskriterien beziehen sich auf einen theoretisch optimalen Entwurf (der möglicherweise gar nicht existiert!).
https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/optimality-criteria.shtml
An sich kann es schwierig sein, zu interpretieren, was es bedeutet. Normalerweise denke ich daran, diese im Vergleich zu anderen Designs zu betrachten (wie wir es mit relativen Effizienzen in Compare Design tun). https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/design-diagnostics-2.shtml# )
Im Großen und Ganzen ist die D/A-Optimalität für die Schätzung der Terme in Ihrem Modell gedacht, während die I-Optimalität für den Fall gilt, dass Sie versuchen, die Reaktion besser abzuschätzen. Mir gefällt das Whitepaper von Christine Anderson-Cook über die Diskussion einiger Ideen bei der Auswahl von Designs:
Das richtige Design auswählen – mit Hilfe des Design Explorers von JMP | JMP
In Sitzung 2 waren Wissenschaftler und JMP-Systemingenieur vertreten. Peter Polito , der einige unterhaltsame und sehr nachvollziehbare Experimente teilte, die er mit seiner Familie durchgeführt hatte, um das Äquivalent einer „einfachen Schaltfläche“ für DOE in JMP zu zeigen.
Gibt es eine Möglichkeit, dass JMP automatisch ein Design generiert, das bestimmte Anforderungen erfüllt, z. B. Korrelationskoeffizienten nicht größer als 0,5, FPDS weniger als 0,25 für 80 % des Designraums usw.?
Sie können sowohl die Design-Bewertungstools als auch die Plattformen zum Vergleichen von Designs verwenden, um das beste DOE für Ihre Situation zu ermitteln.
Wenn Sie keine guten Schätzungen über die Koeffizienten anstellen, scheinen diese letztgenannten Registerkarten von vornherein nicht hilfreich zu sein. Verstehe ich das richtig?
Ja und nein. Wenn Sie im Voraus keine genaue Vorstellung davon haben, wie die Koeffizienten aussehen werden, ist das Simulationsfenster ein hervorragendes Werkzeug, um zu erkunden, wie Ihr Modell aussehen könnte. Auch wenn es für das Endergebnis vielleicht nicht so aufschlussreich ist, werden Sie ein gutes Gespür für die Kunst des Möglichen haben, das Sie nutzen können, um den experimentellen Raum zu erkunden.
Wie erkennen Sie, dass Ihr Modell robust ist?
„Schönheit liegt im Auge des Betrachters“, heißt es. Es kommt darauf an, was eine unbefriedigende Antwort ist. Hast du einen hohen R2? Stimmt die tatsächliche mit der vorhergesagten überein? Dies sind einige Methoden zur Identifizierung der Robustheit. Aber am Ende des Tages bauen wir DOEs.
Hatten Sie wirklich einen Papierflieger mit einer Flugzeuglänge von genau 6,985 Zoll?
6,985 Zoll sind ~17,74 cm. Mein Lineal hat eine Abstufung von 1 mm, ich konnte also ziemlich nah herankommen, aber wahrscheinlich nicht genau.
In den meisten Fällen ist es logistisch sinnvoll, die Faktoren bei der Durchführung der Experimente zu ordnen. Wie viel verliere ich, wenn ich nicht der von JMP vorgeschlagenen zufälligen Reihenfolge folge?
Zum Teil verlieren Sie die Fähigkeit von JMP, experimentelles Rauschen und Verzerrungen genau zu quantifizieren und zu berücksichtigen. Letztendlich kann JMP dem entgegenkommen am meisten von dem, was Sie sich wünschen, es muss nur wissen, was Sie tun. Wenn Sie also eine bestimmte Bestellung aufgeben möchten, sagen Sie es uns. Sie können dies tun, indem Sie entweder ein Split-Plot-Design erstellen (für schwer zu ändernde Faktoren) oder eine bestimmte Ausführungsreihenfolge festlegen.
Was waren die Ergebnisse des Eierexperiments?
Das Lustige ist, dass ich mich nicht wirklich an das Ergebnis erinnern kann. Ich wusste sofort, dass ich es selbst machen musste, als ich es sah – aber ich möchte, dass einer der Faktoren im Laden gekauft wird und nicht die von meinen Hühnern gelegten Eier.
Können Sie zeigen, wie wir unsere Faktoren definieren und eingeben?
Geben Sie Antworten und Faktoren auf der ersten Seite der Easy DOE-Plattform ein.
Wie erkennt das vorhandene DOE, ob es einen weiteren wichtigen Faktor gibt, der möglicherweise nicht berücksichtigt wird?
Es gibt mehrere Möglichkeiten, aber die aussagekräftigste ist, wenn unser DOE-Ergebnis ergibt, dass keine Faktoren signifikant sind. Wenn kein Faktor von Bedeutung ist, muss es etwas anderes sein.
Der Nebenkommentar: Wir sind neugierig, wie Sie DOE zur Optimierung des Laufens eingesetzt haben?
Lesen Sie hier darüber: https://community.jmp.com/t5/JMP-Blog/DOE-ing-Myself-Using-design-of-experiments-to-run-more/ba-p/256981 .
Wenn es eine Variable gibt, deren Änderung kostspielig ist, wie wird damit umgegangen?
Wenn Sie Faktoren hinzufügen, verwenden Sie das Dropdown-Menü, um Ihre Variable als „Schwer zu ändern“ zu kennzeichnen. Dadurch wird ein Split-Plot-Design erstellt, das Ihre Versuche so anordnet, dass sich der schwer zu ändernde Faktor (unter anderem) so wenig wie möglich ändert ).
Wie können Sie bei RSM wissen, dass das Design „gut“ ist, bevor Sie mit dem Experiment beginnen? Das heißt, ob Faktoren korrelieren oder die Vorhersagevarianz nicht zu hoch sein wird?
Ich beziehe mich oft auf die Farbkarte der Korrelationen im Abschnitt „Designdiagnose“ von „Custom Design“. Dadurch erfahren Sie, welche Variablen und/oder Interaktionen Sie von den anderen Variablen trennen können sollten.
Wenn Sie weitere Analysetools benötigen, gibt es eine einfache Möglichkeit, die Daten von Easy DOE in eine Standarddatentabelle zu exportieren?
Ja, auf der Registerkarte „Dateneingabe“ gibt es die Schaltfläche „Daten exportieren“.
Wenn Sie JMP zum Erstellen der DOE-Tabelle verwenden, nehmen wir an, Sie haben beschlossen, mehrere Faktoränderungen auf Ebenen hinzuzufügen. Ich weiß, wenn man zum Modell zurückkehrt und das DOE rückwärts neu aufbaut, funktioniert es manchmal seltsam (insbesondere die Anzahl der Durchläufe steigt und fällt). Ist das normal zu sehen?
Wenn Sie den nominalen Faktoren zusätzliche Faktoren oder zusätzliche Ebenen hinzufügen, erhöht JMP wahrscheinlich die Anzahl der erforderlichen Durchläufe, um ein robustes, interpretierbares Modell zu erstellen.
Kann JMP mit DOEs der „Reihenfolge der Addition“ umgehen, d. h. mit Permutationseffekten?
Ausgewogene unvollständige Blockdesigns ( BIDB ) könnte eine Möglichkeit sein, auf diese Weise ein DOE zu erstellen
Wenn wir bereits über Daten verfügen, können wir diese nutzen, um das Modell zu verbessern, bevor wir mit der DOE beginnen und weitere Experimente durchführen?
Mike Andersons Sitzung (die dritte in der Serie) deckt dies sehr gut ab (siehe Link zur Serie unten).
Können Sie näher auf den Wert eingehen, nicht signifikante Faktoren aus dem Modell zu entfernen und diese dann erneut zu analysieren?
Kurz gesagt, nicht vorhersagende Modelle erhöhen das Rauschen. Durch das Entfernen wird das Rauschen reduziert, wodurch das Signal erhöht wird.
Wäre es möglich, den Zweck der Simulation noch einmal kurz zu erläutern?
Mit dem Simulator können Sie „sehen“, wie Ihr Modell letztendlich aussehen könnte, basierend auf den Koeffizienten, die Sie für wahrscheinlich halten. Es ist eine Vorschau auf was Mai passieren. Wenn Sie beispielsweise die Koeffizienten gut im Griff haben und sehen möchten, wie eine bestimmte Interaktion abläuft, können Sie dies tun. Wenn Sie bei dieser Interaktion keine ausreichende Auflösung erreichen können, können Sie weitere Durchläufe hinzufügen, dann eine erneute Simulation durchführen und prüfen, ob sich eine Verbesserung ergibt.
In Sitzung 3 wurden weitere Möglichkeiten behandelt, wie Sie aus Ihren Experimenten und Beobachtungsdaten einen Nutzen ziehen können, mit dem Chemiker und JMP-Systemingenieur. Dr. Mike Anderson .
Ein signifikanter Abschnitt weist darauf hin, dass die Faktoren die Ergebnisse nicht ausreichend erklären.Wenn dies in meinen Analysen auftritt, arbeite ich mit den Faktoren, bevor ich zu Schlussfolgerungen komme.Also, ja, der Schnittpunkt ist immer da, aber wenn er signifikant ist, arbeite ich daran, Faktoren zu eliminieren oder Wechselwirkungen zu betrachten, bis der Schnittpunkt nicht mehr signifikant ist.Wollen Sie damit sagen, dass dies in den Algorithmen von JMP nicht wichtig ist?
Im Zusammenhang mit dem SVEM-Bericht geben die prozentualen Daten ungleich Null an, wie oft der Schnittpunkt von Null abweicht. Dies unterscheidet sich von der Beurteilung der Signifikanz des Abschnitts anhand eines statistischen Tests.
Lasso und Elastic Net sind Regularisierungstechniken, die bei der Regression verwendet werden, um eine Überanpassung zu verhindern. Elastic Net kombiniert L1- und L2-Strafen, während Lasso nur die L1-Strafe verwendet? Ist das richtig? Und wie kann man zwischen diesen beiden Methoden wählen?
L1 ist die Strafe für eine Lasso-Regression. L2 ist für eine Ridge-Regression. Das elastische Netz ist eine lineare Kombination aus einer Lasso- und Ridge-Strafe mit einem zusätzlichen Parameter (Alpha), um zu steuern, wie viel jeder zur Gesamtstrafe beiträgt. Im Allgemeinen wird Lasso für die Variablenauswahl oder für Fälle verwendet, in denen die Kovarianz zwischen Faktoren gering ist. Ridge wird im Allgemeinen für Situationen verwendet, in denen wir vermuten, dass Faktoren miteinander zusammenhängen. Elastic Net eignet sich für Situationen, in denen Sie eine Variablenauswahl durchführen müssen, sich aber Sorgen über eine mögliche Faktor-Faktor-Korrelation machen.
Einige nützliche Details zu diesen Strafen finden Sie in den statistischen Details zur Dokumentation: https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/statistical-details-for-estimation-methods.shtml
Darüber hinaus bietet JMP Education einen großartigen Kurs zur Funktionsweise dieser drei Strafen an. Der Kurs heißt Finding Important Predictors: https://www.jmp.com/en_us/training/courses/jmp-and-pro-finding-important-predictors.html
Wir wissen es sehr zu schätzen, dass sich unsere Spezialisten die Zeit nehmen, ihr Fachwissen weiterzugeben und Ressourcen zu empfehlen.Wir hoffen, dass Sie sie nützlich finden.Falls Sie etwas davon verpasst haben Intelligentere Innovation mit konzipierten Experimenten Serien können Sie auf Abruf ansehen.Zusätzliche Ressourcen werden auf den Beobachtungsseiten für jede Sitzung aufgeführt.Wenn Sie Ressourcen teilen möchten, die Ihrer Meinung nach besonders nützlich sind, laden wir Sie ein, diese in den Kommentaren zu posten.Danke!
