Pregunta de diseño de detección definitiva¿Debería ejecutar un Diseño de Detección Definitivo sólo si sabe o cree que está muy cerca del proceso óptimo? ¿Qué sucede si ejecuta un DSD, pero está fuera del espacio de factor óptimo? ¿Habría perdido el tiempo y habría sido mejor hacer un factorial fraccionado primero para seleccionar elementos y luego hacer el factorial completo para obtener la curvatura?
Diseño de experimentosRe: Pregunta sobre diseño de cribado definitivoLa detección eficaz se basa en varios principios clave. Los métodos de diseño cuentan con que estos principios se mantengan. Parece que ya pasó la estancia de detección: conoce los factores importantes y sospecha cuál es la mejor configuración. Puede optimizar con un diseño personalizado para el modelo RSM. Sólo asegúrese de utilizar un rango de factores alrededor del mejor nivel esperado que sea lo suficientemente amplio como para provocar un efecto fuerte (gran cambio) en la respuesta. De lo contrario, tendrá grandes errores estándar en los coeficientes del modelo y sufrirá un rendimiento de predicción deficiente.
Re: Pregunta sobre diseño de cribado definitivoAquí están mis pensamientos:
1. El propósito de los DSD es detectar una gran cantidad de factores teniendo en cuenta la curvatura potencial y los efectos de segundo orden. Entonces la respuesta a tu primera pregunta es no.
2. No existe una respuesta "correcta" para sus preguntas adicionales. Mucho depende de dónde se encuentre en el continuo del conocimiento (por ejemplo, qué tan específicas son sus hipótesis, cuánto comprende el ruido), las variables de respuesta que esté modelando (por ejemplo, continuas, ordinales o nominales), el tipo de factores que esté manipulando. (por ejemplo, continuo, categórico), su sentido de urgencia, su presupuesto, etc.
3. Creo firmemente en la investigación secuencial. El propósito del primer experimento es diseñar un experimento mejor. Para empezar, vaya en grande y audaz (por ejemplo, muchos factores en niveles en negrita con bloques de ruido en negrita), comprenda el ruido y cómo manejarlo, reduzca la cantidad de factores, tal vez pruebe la curvatura con puntos centrales, desarrolle un modelo utilizable.
Re: Pregunta sobre diseño de cribado definitivoPero si no estás cerca del óptimo, no verás ninguna curvatura, ¿verdad? Esta es la razón por la que en RSM normalmente comienzas con un factorial completo + puntos centrales para probar la curvatura, y si no encuentras la curvatura, usas el modelo de ascenso más empinado para "escalar la montaña" en la dirección de una respuesta más alta. hasta que su respuesta rechace. Si haces un DSD en un espacio de factor que no está cerca del óptimo, siento que has desperdiciado carreras ya que luego tienes que moverte en la dirección del ascenso más pronunciado nuevamente y volver a ejecutar otro modelo, ¿verdad?
Es por eso que me pregunto que la ventaja de los DSD es si no estás seguro de estar cerca de un óptimo, y ¿por qué usarías un DSD si no estás seguro de estar cerca de un óptimo?
Re: Pregunta sobre diseño de cribado definitivoLos DSD son, ante todo, diseños de detección. Así como ambos @Mark_Bailey y @statman comentado, normalmente su enfoque principal es encontrar los factores más influyentes en el espacio de factores más audaz, para tomar prestada una frase de @statman . Una metáfora que utilizo a menudo con mis colegas es: "Con la selección de diseños simplemente intentamos encontrar la iglesia adecuada. Con los diseños de RSM intentamos encontrar el asiento adecuado en el banco correcto para escuchar mejor al coro". Los DSD son un método útil relativamente temprano en el proceso de aprendizaje... no hacia el final, donde entrarán los diseños más típicos orientados a RSM... como los clásicos como Box-Behnken o diseños compuestos centrales o más modernos y eficientes. enfoques en el conjunto de herramientas de diseño experimental óptimo.
Re: Pregunta sobre diseño de cribado definitivoEntonces, ¿está diciendo que los DSD se pueden usar como diseños de detección regulares para un sistema desconocido, del mismo modo que se podría usar un factorial fraccional, pero su ventaja radica en detectar la curvatura? Entonces, si bien es posible que solo tengan unas pocas ejecuciones más que un factorial fraccional Res IV típico, ¿podrían potencialmente ahorrarle ejecuciones si ya está cerca del óptimo? Mientras que con el factorial fraccionario, ¿tendrías que pasar al factorial completo y luego al RSM?
Re: Pregunta sobre diseño de cribado definitivoEstás en el camino correcto... pero no del todo. Sí, los DSD pueden (y yo iría aún más lejos y diría que, en muchos casos, deberían usarse como diseños de detección habituales). Haga los cálculos del número de ejecuciones y verá rápidamente que a medida que el número de factores aumenta más allá de 5 aproximadamente... los DSD en realidad tienen MENOS ejecuciones que un diseño factorial fraccional RES IV típico. Y puede obtener una pista de las interacciones y la curvatura de 2 factores. Por lo tanto, hay muchas cosas que me gustan al comparar DSD con diseños factoriales fraccionales de dos niveles RES IV. Si fuera yo... en muchos casos empiezo con el DSD y luego como @statman analiza, pase a un enfoque más RSM aprovechando lo que aprendió del DSD. Y, en general, me mantendría alejado de los diseños clásicos totalmente factoriales y orientados a RSM (como el compuesto central) y utilizaría los enfoques de diseño experimental óptimo más modernos.
Re: Pregunta sobre diseño de cribado definitivoGracias, he dudado en usar un DSD porque no sé mucho sobre ellos y me preguntaba cuál es su ventaja, pero parece que ya son diseños Res IV, pueden generar menos ejecuciones con un Gran número de experimentos y puede detectar curvatura (aunque con algunos problemas de alias).
¿Cuáles son más "enfoques de diseño experimental óptimos" en lugar de RSM? ¿Tiene algún ejemplo?
Re: Pregunta sobre diseño de cribado definitivoCuando me refiero a "enfoques óptimos de diseño experimental", me refiero al amplio conjunto de técnicas codificadas en la plataforma de diseño personalizado de JMP. Una referencia recomendada es Goos y Jones, "Optimal Experimental Design: A Case Study Approach". También buscaría en los seminarios web bajo demanda de JMP este tema, que se ha tratado en muchos casos.
