¿Cómo hacer un diseño D-óptimo correctamente?Hola,
Ahora estoy siguiendo la práctica en un libro de texto pero no puedo imitar el trabajo del autor.
El libro es Douglas C. Montgomery, Diseño y análisis de experimentos (2020)
En las páginas 445 ~ 448, Ejemplo 11.3, el resumen es el siguiente.
4 factores,
en exactamente 16 carreras,
D-óptimo
Usando JMP
El resultado es,
Sin embargo, no puedo imitar este resultado ya que,
JMP>DOE personalizado>
- 4 factores continuos
-RSM
- 'D-optimidad'
- carreras: 16
Los 4 anteriores son mis valores designados, según la siguiente figura
Sin embargo, el resultado no es el mismo que el del libro de texto.
Siempre incluye el nivel decimal inferior del factor(es), como se indica a continuación.
Por tanto, no hay identidad entre los libros de texto.
¿Qué punto me perdí?
Por favor dime cómo pasar.
Modelado estadístico avanzadoExploración y visualización de datosDiseño de experimentosRe: ¿Cómo hacer un diseño óptimo D correctamente?Hola @MikeKim ,
A medida que los puntos experimentales de diseños óptimos se generan a través de un algoritmo ( Algoritmo de intercambio de coordenadas ) y basado inicialmente en puntos aleatorios, una parte de aleatoriedad está presente y puede conducir a diferentes diseños óptimos, con desempeños y características similares pero diferentes valores experimentales individuales para los factores y ejecuciones.
Para los valores "extraños" que a veces puedes ver (como 0,81 en lugar de 1, o -0,22 en lugar de 0), esto se debe al proceso de generación de diseño basado en valores aleatorios iniciales. Modificar el número de inicios y el tiempo para cada generación de diseño puede mejorar la optimización global del diseño encontrado, pero es posible que aún encuentre dichos valores. Esto no es un gran problema y aún puede "redondear" estos valores a valores más convencionales (por ejemplo, redondear 0,81 a 1), con sólo una pequeña pérdida posible de optimización.
Si desea utilizar el mismo diseño personalizado que otro, la mejor opción es establecer una semilla aleatoria, de modo que los puntos aleatorios iniciales sean los mismos y la convergencia conduzca al mismo diseño: Resuelto: Re: ¿Es posible hacer reproducible la generación DOE? - Comunidad de usuarios de JMP
Para este ejemplo, si no tiene la semilla utilizada para generar este diseño, puede ser difícil encontrar exactamente el mismo diseño óptimo, pero puede intentar generarlo varias veces y usar las opciones para aumentar Número de inicios y Tiempo de búsqueda de diseño.
Espero que esta respuesta te ayude;
Re: ¿Cómo hacer un diseño óptimo D correctamente?Además, recuerde que en muchas situaciones hay más de un diseño que es igualmente óptimo porque tiene el mismo valor para el criterio de optimización que otro diseño. El diseño puede parecerle muy diferente con respecto a las ejecuciones, pero son los mismos evaluados por JMP.
Tenga en cuenta que puede hacer clic en Atrás en la parte inferior de la plataforma de Diseño personalizado y luego hacer clic en Crear diseño nuevamente para obtener otro diseño, a menos que solo haya una solución.
Re: ¿Cómo hacer un diseño óptimo D correctamente?Gracias Víctor.
Mi opinión es que, en realidad, debe haber una manera de fijar el nivel de los factores para que se conviertan en números enteros.
Dado que 2 de los diseños (D e I óptimos) muestran que todos los niveles son enteros (-1, 0, 1), no podría haberse generado de forma aleatoria.
Además, el rendimiento general de los diseños generados en mi entorno es mucho más deficiente que el del autor.
Dice, por ejemplo, Pred Var: 2.2 (mío) y 1.8 (autor).
En realidad, no tiene sentido que, considerando que algunos usuarios desean el nivel de número entero, JMP no esté equipado con esa opción, por lo que sospecho que debe haber una manera de hacerlo.
Entonces Víctor, ¿podrías reconsiderar este problema? Si tiene la oportunidad, consulte directamente el libro de texto para obtener más información que la siguiente si es necesario.
Re: ¿Cómo hacer un diseño óptimo D correctamente?Hola @MikeKim ,
Por supuesto, hay una manera de informar a JMP que tiene factores numéricos discretos, simplemente configure sus 4 factores como Numérico discreto con tres niveles (-1, 0, 1):
Esto agregará una restricción durante la generación del diseño para usar solo los tres valores de niveles posibles para cada factor en el diseño:
Pero eso no cambia el hecho de que la generación de diseño para un diseño óptimo en JMP está "basada en aleatorio", consulte mi publicación anterior sobre el algoritmo de intercambio de coordenadas y la respuesta de @Mark_Bailey para explicaciones e información. Por lo tanto, podría terminar con un diseño que tenga rendimientos similares, pero ejecuciones diferentes.
El que generé con el mismo modelo (efectos principales, interacciones y efectos cuadráticos), criterio de optimización (D) y tamaño de ejecución (16) tiene una varianza de predicción similar al diseño D-óptimo del libro (1,86 vs. 1 ,80 en el libro para la configuración específica de factores):
Adjunto se encuentra el diseño D-Optimal que creé con los factores numéricos discretos.
Siguiendo la misma configuración de factores y metodología, debería poder generar un diseño I-óptimo satisfactorio, con rendimientos y características similares al del libro de texto.
Espero que esta respuesta te ayude,
Re: ¿Cómo hacer un diseño óptimo D correctamente?Aunque se sabe que designar los Factores como Discretos hace que el Diseño se base en Números Enteros, y considerando la intención de Auther y el contexto del problema es poco probable que se designen los Factores como discretos, usted ha mostrado mucho interés en mi pregunta, por lo que le agradezco tú.
Al menos dos de los expertos de JMP demostraron que no existe una imitación real del libro de texto, por lo que podría haber un error en el libro de texto o un malentendido, o que la versión de JMP sea diferente para generar resultados diferentes.
Gracias por sus amables respuestas.
Re: ¿Cómo hacer un diseño óptimo D correctamente?Me alegra que mi respuesta haya sido útil. Tenga en cuenta que el "truco" de factores numéricos discretos se puede utilizar para la generación óptima del diseño, pero una vez obtenido el diseño, puede revertir el tipo de modelado de factores a Numérico Continuo para que coincida con el contexto original del problema.
Realmente te recomiendo que intentes generar varios diseños con el enfoque que mencioné anteriormente (con factores numéricos discretos) y leas los recursos enumerados (y otros disponibles) sobre el algoritmo de intercambio de coordenadas utilizado en la plataforma Custom Design.
Lamento insistir en esto, la única forma de imitar exactamente el diseño del libro en una prueba es usar la semilla aleatoria para la generación del diseño y usarla también en JMP (había un tema que mencioné en mi artículo anterior). respuestas que tratan de este aspecto). Fijar la semilla aleatoria permite comenzar con los mismos puntos aleatorios iniciales y converger (durante la generación del diseño) al mismo diseño óptimo final. Si no tiene esta información, es muy probable que sea posible crear varios diseños óptimos, con rendimientos y características similares, que correspondan al modelo asumido, especificaciones de factores y restricciones. En este caso de uso, son posibles varios diseños óptimos, no existe un único diseño óptimo posible, por eso no obtengo el mismo diseño que en el libro de texto, sino otro con rendimientos muy similares.
No hay errores en los libros de texto ni en el JMP, la aleatoriedad detrás de la generación óptima del diseño permite converger hacia múltiples diseños similares (en términos de rendimiento, pero diferentes en términos de ejecuciones experimentales).
Espero que esta respuesta complementaria descarte cualquier malentendido.
