Usar el resultado del DOE como predicción cuantitativa o cualitativa (basada en el resumen del efecto)Hola a todos,
Estoy haciendo un DOE factorial completo con 2 factores y 2 respuestas. y preguntándome cómo
Después de probar y ejecutar el modelo. El resultado muestra que no hay factores significativos ni tampoco un modelo significativo.
Pero mirando el generador de perfiles de interacción. Veo algunas tendencias claras en el Factor A y la respuesta X.
Entonces mi pregunta es cómo utilizar este resultado correctamente.
- Con esto, no puedo predecir cuantitativamente usando el modelo de regresión. Porque es estadísticamente insignificante (no práctico)
- Con la tendencia, todavía puedo usarla para predecirla cualitativamente (la tendencia), por ejemplo: al aumentar el factor A, X aumentará.
¿Lo estoy entendiendo correctamente? ¿O malinterpreté este resultado?
Espero que algún experto pueda ayudarme. Gracias a todos
Diseño de experimentosRe: Uso del resultado DOE como predicción cuantitativa o cualitativa (basada en el resumen de efectos)Hola @Justin_Bui ,
Puede haber varias explicaciones de por qué los términos del modelo no son estadísticamente significativos:
- Rangos de factores demasiado estrechos (por lo que puede resultar más difícil encontrar diferencias estadísticas entre niveles altos y bajos),
- Alta variabilidad de la(s) respuesta(s),
- Modelo inadecuado (y/o elección de términos en el modelo),
- Tamaño de muestra demasiado pequeño para el diseño (por lo que el poder para detectar efectos estadísticamente significativos es bajo),
- Factor(es) faltante(s) que expliquen estadísticamente la variación de la(s) respuesta(s),
- Factores efectivamente no estadísticamente significativos,
- Combinación de las opciones anteriores,
- Otras Consideraciones...
Teniendo en cuenta su diseño y el modelo asumido, puede comenzar a evaluar su diseño para ver qué probabilidades hay de detectar efectos estadísticamente significativos si están activos (consulte el guión "Evaluar diseño" en la tabla de datos). Parece que tiene un poder bastante bajo para detectar los efectos principales y la interacción, por lo que no es una gran sorpresa no encontrar ningún término estadísticamente significativo para la respuesta Y si se considera la alta variabilidad de esta respuesta (alrededor del 5% de posibilidades de detectar un efecto estadísticamente significativo). efecto significativo (si está activo) para un nivel de significancia de 0,05 y RMSE alrededor de 5 para la respuesta Y con sus 6 experimentos):
Para tener un buen punto de partida antes de modelar, siempre es mejor empezar de forma sencilla y hacer algunos gráficos/visualizaciones para ver las tendencias. Eso podría mejorar e informar aún más sus opciones de modelado, y las visualizaciones también pueden ayudarlo durante el modelado a evaluar la relevancia de su modelo (por ejemplo, observando el gráfico de residuos, lo real frente a lo previsto, etc.).
Lo que también es interesante considerar es la importancia práctica de los factores.En el ejemplo que proporciona para la respuesta Y y observando las estimaciones de los parámetros, ¿una variación de 20 en la respuesta Y para una unidad del factor B representa un aumento/disminución prácticamente significativo?
Lo que puede encontrar para la respuesta Y son tendencias, que podrían investigarse más a fondo haciendo experimentos adicionales (aumentando el diseño para agregar ejecuciones que confirmen este modelo y/o replicando ejecuciones existentes para evaluar mejor la variabilidad de las respuestas). La significación estadística le ayuda a tener más certeza en la interpretación de sus resultados. Por ejemplo, en la respuesta Y, puede ver que las estimaciones de los parámetros tienen un error estándar relativamente alto, lo que significa que es posible que el tamaño del efecto no pueda estimarse con precisión. Por eso, en esas situaciones siempre es mejor interpretar las tendencias con mucha cautela.
Para la respuesta X, parece que un modelo que incluya los términos Factor A y su efecto cuadrático es suficiente para tener un modelo apropiado (o al menos lo suficientemente relevante). Le dejo evaluar el modelo para la Respuesta X en la tabla de datos adjunta.
Espero que esta primera respuesta te pueda ayudar,
Re: Uso del resultado DOE como predicción cuantitativa o cualitativa (basada en el resumen de efectos)justin,
Una pequeña "otra consideración" para agregar a los puntos muy bien articulados planteados por Victor_G...
Al observar los datos sin procesar, los valores de la Respuesta X y la Respuesta Y parecen tener medidas muy aproximadas.Si bien esto puede ser un artefacto de la traducción de su ejemplo para publicación, apunta a una preocupación.
En las seis ejecuciones, X tiene sólo tres opciones de valores e Y tiene sólo dos.Si bien es bueno que las repeticiones del patrón de factor 00 hayan resultado iguales, la falta de precisión en el sistema de medición puede afectar la comprensión del proceso.
*Considerar si se puede mejorar la precisión del sistema de medición*.
Será difícil construir un modelo matemático útil si el ensayo para la respuesta X solo puede informar ninguno (0), mediano (10), grande (15) y la respuesta Y es ninguno (0) o algo (25)...
Dependiendo de dónde se produzca la carga de costos y tiempo en el proceso DOE, piense en mediciones repetidas versus ejecuciones repetidas.
Re: Uso del resultado DOE como predicción cuantitativa o cualitativa (basada en el resumen de efectos)Si bien Greg tiene un buen punto, la cuestión es la discriminación o la resolución efectiva, no la precisión.
