¿Por qué no hay puntos estrella en el diseño personalizado RSM?Hola expertos de JMP,
Discutimos mucho internamente por qué no hay puntos de estrella en el diseño RSM, que el diseñador personalizado calcula.
¿A qué se debe esto? ¿Es en este caso mejor el diseño clásico que el de diseño personalizado?
Gracias por la ayuda aquí.
Diseño de experimentosRe: ¿Por qué no hay puntos estrella en el diseño personalizado de RSM?Para ser claros, la razón principal por la que se "inventó" el diseño Box-Behnken fue porque los vértices extremos (esquinas del espacio o puntos de estrella) no eran combinaciones posibles de niveles para ejecutar (esencialmente una restricción). Nuevamente, es importante visualizar el espacio en el que estás experimentando.
Re: ¿Por qué no hay puntos estrella en el diseño personalizado de RSM?Hola @SimonFuchs ,
Los diseños de Box Behnken son muy diferentes de los diseños compuestos centrales o de los diseños óptimos/personalizados de superficie de respuesta.
Este diseño clásico se utiliza en la literatura como uno de los diseños que tiene la "mejor precisión", ya que hay más potencia disponible para la potencia cuadrática, y también porque este diseño tiene una precisión uniforme en el espacio experimental, a menudo para un número menor de ejecuciones que para el Diseño Compuesto Central. Debe estar centrado en el espacio experimental óptimo, o muy cerca de él. Más información sobre Box-Benhken: El Educador Abierto - 4. Metodología de superficie de respuesta Box-Behnken
Debido a estas características y diferencias, el reparto de puntos es diferente (diferentes combinaciones de factores como mencionas):
Box-Behnken (15 carreras por defecto para 3 puntos en JMP, sin puntos en las esquinas):
Diseño RSM óptimo (diseño personalizado, 16 ejecuciones por defecto para 3 factores):
Y aquí está la comparación de potencia (detección de efectos):
El diseño óptimo de RSM tiene mayor potencia para los efectos principales, interacciones de 2 factores. Box-Behnken tiene una potencia ligeramente mayor para efectos cuadráticos.
En cuanto al perfil de variación de predicción, el Custom Design hace un trabajo ligeramente mejor que el Box-Behnken.
Recomendaría mucho el uso del diseño personalizado en lugar de diseños clásicos (como Box-Behnken, Central Composite, ...), ya que permite tener diseños eficientes que también pueden manejar muchas restricciones o diferentes tipos de factores (categóricos, por ejemplo). , que no se maneja en los diseños clásicos de Response Surface), y admite una metodología iterativa (mediante aumento de diseño) que puede ayudarle durante todas las fases de su investigación (detección -> exploración -> optimización).
Re: ¿Por qué no hay puntos estrella en el diseño personalizado de RSM?Aquí están mis pensamientos sobre RSM, disculpe mis divagaciones:
La idea detrás de este tipo de diseños es mapa (por ejemplo, mapa de contorno) la respuesta en el espacio de diseño para que pueda seleccionar los niveles de los factores que optimizan la respuesta.Las preguntas que debe hacerse son: ¿Se encuentra en el espacio de diseño óptimo (ha identificado los factores importantes y una envolvente de niveles para que operen esos factores, generalmente a través de diseños de detección) y este espacio es consistente en condiciones cambiantes (p. ej., ruido, lo que significa que será necesario haber estudiado los efectos de los factores frente al ruido)? La significancia estadística ya no es importante (ya ha sido establecida). Sin embargo, si su espacio de diseño depende de condiciones cambiantes, el mapa no será útil. Sería como tener un mapa de Filadelfia cuando estés en Boulder. Si bien se hace mucho énfasis en el "mejor diseño" basado en criterios de optimización, lamentablemente muchos experimentadores no tienen suficiente información para elegir esos criterios a priori (y el viejo dicho es cierto: basura entra, basura sale). Además, estos diseños no enfatizan estrategias para comprender el ruido de manera adecuada. La atención se centra únicamente en la estructura del diseño (piense en cualquier experimento que haya contemplado alguna vez. Luego piense en la cantidad de factores que están en el estudio y los que no están en el estudio. Siempre estás experimentando en una fracción del espacio real. Es un razonamiento aún más erróneo dejar de lado factores que no crees que importen sin siquiera obtener datos que respalden dicha hipótesis). Ciertamente estoy sesgado por las enseñanzas de GEP. Caja. Su idea de la metodología de la superficie de respuesta es realizar diseños secuenciales para, en última instancia, mapear el espacio, en lugar de intentar hacer esto en un solo experimento. Esto también ofrece la gran ventaja de poder evaluar la estabilidad del espacio de diseño en condiciones cambiantes. Sólo otra nota para la selección de diseño, no desactive la ingeniería. Visualiza el espacio que estás estudiando, ¿el diseño llena ese espacio adecuadamente? ¿Necesitas enfatizar áreas del espacio? Si es así, ¿por qué?
Solo una nota, para no ser polémico, el bloqueo y muchas estrategias para manejar el ruido (matrices de productos cruzados, diagramas divididos, BIB, etc.) se inventaron mucho antes de que los criterios de optimización se pusieran de moda.
Re: ¿Por qué no hay puntos estrella en el diseño personalizado de RSM?Hola Víctor,
Muchas gracias por tu profunda respuesta. Al final, su resumen claro en dos puntos es una pregunta realmente agradable para llevar a casa.
Todavía tengo una pregunta. Comparé los dos diseños proporcionados y difieren, ya que el diseño personalizado tiene 16 ejecuciones y la caja Benhken solo 14, por lo que hay diferentes combinaciones de factores en ambos diseños. lo que me dificulta un poco comprender los antecedentes del diseño personalizado y cómo JMP crea el mejor diseño para mi propósito, por lo que creí que el diseño personalizado es el mejor para todos los experimentos de RSM.
Re: ¿Por qué no hay puntos estrella en el diseño personalizado de RSM?¡¡Muchas gracias por tu profunda respuesta!! Eso ayuda
Re: ¿Por qué no hay puntos estrella en el diseño personalizado de RSM?Hola @SimonFuchs ,
Es difícil responder en un caso muy general y amplio, ya que dependiendo de la cantidad de factores y restricciones/especificaciones, la plataforma de diseño personalizado a veces puede proporcionar un diseño diferente al clásico (como el diseño compuesto central), pero a veces también puede proporcionar El mismo diseño que un CCD clásico.
Hice un pequeño ejemplo con 3 factores continuos y creando 2 diseños, uno con la plataforma "Classical", "Response Surface Design" (eligiendo CCD y valores axiales de "1", "On Face"), y otro con la plataforma "Custom". "Design" y terminará con los mismos diseños CCD con 16 ejecuciones.
- Diseño personalizado de 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 ), Set Random Seed( 275411 ),
Number of Starts( 43773 ), Add Term( {1, 0} ), Add Term( {1, 1} ),
Add Term( {2, 1} ), Add Term( {3, 1} ), Add Term( {1, 2} ),
Add Term( {1, 1}, {2, 1} ), Add Term( {2, 2} ), Add Term( {1, 1}, {3, 1} ),
Add Term( {2, 1}, {3, 1} ), Add Term( {3, 2} ), Set Sample Size( 16 ),
Optimality Criterion( "Make I-Optimal Design" ), Simulate Responses( 0 ),
Save X Matrix( 0 ), Make Design}
)
- Diseño compuesto central de secuencias de comandos
DOE(
Response Surface Design,
{Add Response( Maximize, "Y", ., ., . ),
Change Factor Settings( 1, -1, 1, "X1" ),
Change Factor Settings( 2, -1, 1, "X2" ),
Add Factor( Continuous, -1, 1, "X3", 0 ), Set Random Seed( 275411 ),
Make Design( 1 ), Set Axial Choice( 3 ), Center Points( 2 ),
Simulate Responses( 0 ), Save X Matrix( 0 ), Set Run Order( Randomize ),
Make Table}
)
Puedes comparar estos dos diseños, deberían ser idénticos.
¿Podría proporcionar más detalles a su pregunta? ¿Tiene algún caso concreto para ilustrarlo?
Tal vez su pregunta esté más relacionada con la posición de los puntos de estrella (en la cara, giratorios, ortogonales) y su influencia en el modelo (ya que el diseño personalizado solo creará puntos de estrella "en la cara", ya que está restringido por el rango de los factores y no se puede expandir sobre él)?
Aquí hay una breve comparación de potencia para los tres tipos de diseño de ubicaciones de puntos de estrella: en la cara (-1/1), ortogonal (-1,29/1,29) y giratorio (-1,68/1,68):
Y comparación de varianzas:
Como puede ver, cuanto más alejados están los puntos de las estrellas del centro del espacio experimental:
- Cuanto mayor sea la potencia para los efectos principales y los efectos cuadráticos, pero menor será la potencia para la intercepción,
- Cuanto mayor es la varianza en el centro del espacio experimental, pero menores son las varianzas en el borde del espacio experimental.
Espero que esta primera respuesta le resulte útil y, dependiendo de sus futuras preguntas y respuestas, puede ser más fácil para otros miembros unirse a la conversación y ayudarle.
Re: ¿Por qué no hay puntos estrella en el diseño personalizado de RSM?Por "puntos de estrella" interpreto su pregunta en cuanto a los "puntos axiales" en un diseño compuesto central. Responder a su pregunta requiere un poco de explicación sobre el pensamiento/software de pensamiento detrás del enfoque de diseño clásico versus el enfoque de diseño óptimo implementado en JMP. Sin retroceder demasiado en el tiempo, los diseños clásicos se crearon originalmente para crear un espacio de diseño óptimo para casos muy específicos. Las propiedades de diseño como el equilibrio, la ortogonalidad, la rotabilidad y la estimación de parámetros, para un número fijo de ejecuciones, crearon los diseños que comúnmente se agrupan en el "catálogo clásico de diseños". Entonces, los diseños factoriales completos/fraccionales de 2 niveles, Box Behnken, diseños compuestos centrales y otros fueron "inventados" por personas como Fisher, Box, et. Alabama.
Algunas restricciones o problemas de diseño que surgieron a lo largo de los años fueron cosas como, ¿qué pasa si hay restricciones en el número de ejecuciones, efectos específicos que deben ser estimables? Otros, no tanto, combinaciones no permitidas por una razón u otra, bloqueando cuestiones, y así sucesivamente. Por lo tanto, se necesitaba un enfoque diferente... y mediante una cuidadosa investigación y estudio, se creó el campo de las técnicas de "diseño experimental óptimo". En pocas palabras, cuando alguno de los problemas mencionados anteriormente asoma su fea cabeza... los diseños clásicos simplemente no se ajustan a las limitaciones o la situación. El enfoque óptimo utiliza un enfoque matemático basado en modelos para encontrar el conjunto de combinaciones de tratamiento de los factores, incorporando cualquier restricción, de tal manera que se maximice un "criterio de optimización" (D, A, I, G, etc.).
Cuál es mejor depende en gran medida de su criterio de "mejor". Al final del día, para mí la 'mejor' ruta de diseño es la que me ayuda a resolver el problema práctico en cuestión... o como dijo mi primer instructor del DOE: "Proporciona la información necesaria con el menor gasto de recursos". " En algunos casos, ese podría ser un diseño clásico... pero mi experiencia a lo largo de los años se debió a la frecuencia con la que los problemas/restricciones el camino óptimo era el camino que proporcionaba "La información requerida con el menor gasto de recursos".
Un buen libro para leer y explorar el DOE óptimo es "Diseño óptimo de experimentos: un enfoque de estudio de caso" de Goos y Jones.
