DoE a trama divisa (numero limitato di esecuzioni di prova al giorno)Ciao a tutti,
Nuovo caso:
3 variabili (fattori)
Fattore 1 (continuo) = 0 - 225
Fattore 2 (continuo) = 0 - 10
Fattore 3 (discreto - livello 2) = 60 e 90 (fase del processo)
Il fattore 3 può essere considerato come una fase finale di elaborazione per la miscela dei primi 2 fattori. Quindi, ad esempio:
Fattore 1 (225) combinato con Fattore 2 (10): questo lotto dovrebbe essere idealmente trattato sia a 60 che a 90 nello stesso giorno.
La parte limitante/impegnativa è il numero di lotti che possono essere eseguiti pr. giorno. C'è solo il tempo per mescolare 2 lotti al giorno con 8 giorni di prova in totale. Ciò significa fino a 16 lotti e "32 corse uniche".
Ho provato diverse soluzioni con fattori bloccanti/difficili da modificare. Tuttavia l'analisi della potenza risulta piuttosto scarsa se imposto entrambi i fattori continui come difficili da modificare.
Sono interessato a un modello che possa spiegare quanto segue:
I 3 fattori principali
Tutti i termini di interazione
Fattore 1 X Fattore 1
La mia configurazione attuale può essere vista nelle immagini allegate.
Potrebbero esserci diverse soluzioni che non ho considerato. Potrebbero davvero essere utili alcuni input.
Aspettando un tuo riscontro. Attualmente utilizzo JMP 17: non è in grado di scrivere/lavorare con lo scripting JSL.
Automazione e scriptingProgettazione di esperimentiIngegneria della qualità e dei processiOggetto: DoE suddiviso in grafici (limitazione del numero di esecuzioni di prova al giorno)Mi spiace, non posso trattenermi. Considero il problema in modo leggermente diverso... Hai un'enorme opportunità per migliorare il tuo processo comprendendo cosa sta effettivamente cambiando giorno per giorno. Perché il processo cambia così tanto di giorno in giorno? Gli effetti dei fattori rimangono costanti giorno per giorno o variano? Sono troppo deterministico per credere che la variazione casuale non possa essere compresa, spiegata e probabilmente modellata con il metodo Giusto sforzo. Ciò richiede un lavoro persistente e diligente per identificare le variabili che cambiano giorno per giorno e determinare la tua capacità di gestire tali variabili a lungo termine e, se non puoi, come sviluppare un processo che sia robusto rispetto a tali variabili. Avere un modello che "prevede" la media senza capire cosa causa la variazione è un po' come questa vecchia frase:
"Piedi nel forno, testa nel congelatore, temperatura mediamente perfetta"
A proposito, la tua piccola schermata non ci dice alcune informazioni importanti nel determinare l'adeguatezza del modello (ad esempio, RSquares, RMSE, analisi dei residui). Inoltre, quelle % si applicano solo ai dati in mano e non significano necessariamente che otterrai gli stessi risultati in futuro.
Oggetto: DoE suddiviso in grafici (limitazione del numero di esecuzioni di prova al giorno)CIAO,
La parte Stima dei componenti della varianza REML del report indica la quantità di varianza dell'errore catturata dall'effetto casuale (intero grafico) rispetto all'errore residuo. Non è corretto interpretarlo poiché il 18% dei dati è "valido". Dovresti interpretarlo come se il 18% (o in realtà il 19%) della varianza dell'errore non fosse tenuto in considerazione dall'intero effetto della trama.
Spero che aiuti,
Fil
Ri: DoE suddiviso in grafici (limitazione del numero di esecuzioni di prova al giorno)CIAO @Bertelsen92 ,
Penso che troverai la spiegazione da @Mark_Bailey molto utile per quanto riguarda le differenze tra effetti casuali e fissi: Risolto: Oggetto: significato del valore p degli effetti casuali nel report - Comunità di utenti JMP
Nel tuo caso, l'81% della varianza può essere imputato al tuo effetto casuale, la tua variabile giornaliera. Avere un valore p Wald significativo significa che la varianza della risposta dipende dall'effetto casuale, quindi dalla variabile giornaliera (l'intero grafico). Ma ciò non significa che i tuoi dati siano "spazzatura". Puoi anche prima visualizzare i tuoi dati e/o il tuo modello attraverso diverse piattaforme, ad esempio guardando il "Plot effettivo per previsto" disponibile in diverse piattaforme di modellazione potresti già dirti se puoi ottenere un modello sensato per i tuoi dati o meno (esempio dal mio datatable di esempio per riprodurre le stesse condizioni che hai):
Ad esempio, ho aggiunto un rumore non costante (che aumenta con il numero della riga) e ho un display molto simile come te per REML:
Ma osservando le stime degli effetti fissi (e dopo aver rimosso gli effetti non significativi), sono stato in grado di rilevare 2 effetti principali significativi, 1 interazione significativa e 1 effetto quadratico significativo:
A seconda dell'entità del rumore/varianza (rispetto alla differenza tra le medie dei livelli che si desidera rilevare per i diversi fattori/effetti), le prestazioni predittive potrebbero non essere elevate. Ma vale la pena dare un'occhiata al Profiler, per avere un'idea di come ciascun fattore possa influenzare la risposta.
Opzione aggiuntiva per il Profiler: Nel triangolo rosso, puoi fare clic su "Predizioni condizionali" per vedere le previsioni del modello fissando gli effetti casuali: Opzioni del profiler di previsione (jmp.com) Questo potrebbe essere utile se vuoi dare un'occhiata al modello e agli effetti dei fattori controllando la varianza dall'effetto casuale.
Esempio qui sui dati di esempio:
Ho aggiunto il mio esempio mostrato qui in modo che tu possa riprodurre i risultati che ho mostrato guardando lo script "Model final".
Spero che questa risposta ti possa aiutare,
Oggetto: DoE suddiviso in grafici (limitazione del numero di esecuzioni di prova al giorno)CIAO @Victor_G E @Phil_Kay ,
La prova è stata ora condotta e sto esaminando la piattaforma del modello Fit per misurare diverse risposte. Ho una domanda riguardante l'effetto WholePlot*Random.
Quindi, per una delle risposte, ottengo quanto segue:
Quindi i grafici interi (Pct del totale = 81.229). Resta inteso che l’81% della varianza di questi dati non può essere spiegata dai fattori che abbiamo cambiato, ma è più probabile che provenga da qualcos’altro. In questo caso ha davvero senso. Volevo solo assicurarmi di aver capito bene.
In secondo luogo, ha senso utilizzare il Prediction Profiler se solo il 18% dei dati è "valido"?
Grazie in anticipo. Buon fine settimana. 
Oggetto: DoE suddiviso in grafici (limitazione del numero di esecuzioni di prova al giorno)Grazie mille per tutto il tuo contributo, Victor e @Phil_Kay . Davvero ottima spiegazione e soluzione al caso da me proposto.
Penso che avrei potuto sopravvalutare l'importanza del "punteggio di potenza" poiché utilizzo solo l'impostazione predefinita di JMP (RMSE = 1, coefficiente = 1).
Seguirò la tua soluzione con le 32 corse e i 16 grafici. Davvero ottimo con la funzione di confronto tra i due modelli, lo proverò sicuramente la prossima volta.
Buon fine settimana a entrambi.
Oggetto: DoE suddiviso in grafici (limitazione del numero di esecuzioni di prova al giorno)Ha senso, @Victor_G . Scusate, avevo interpretato erroneamente le 28 corse come 26. In ogni caso, il tuo progetto di 16 intere trame sarà chiaramente "migliore" di 7 o 8 intere trame. La differenza relativa di potenza è un indicatore utile in questo caso: più cambiamenti nei fattori => più potenza. Ma, ancora una volta, vorrei sottolineare che il valore assoluto della potenza non ha significato a meno che non si dispongano di numeri significativi per la dimensione del rumore e del segnale che è necessario rilevare.
Oggetto: DoE suddiviso in grafici (limitazione del numero di esecuzioni di prova al giorno)CIAO @Phil_Kay ,
Grazie per il supporto e le spiegazioni fornite per il progetto proposto.
Nel suo progetto originale, Kristian ha definito 7 appezzamenti e 28 corse, in modo da rispettare e realizzare la condizione di 4 corse al giorno. Sarebbe stato possibile, poiché il numero massimo possibile di esecuzioni è 32, utilizzare anche 8 appezzamenti e 32 esecuzioni per realizzare la condizione di 4 esecuzioni/giorno.
Ma se si esegue questo progetto, ciò significa che le esecuzioni in ciascun diagramma saranno simili per i fattori "difficili da modificare", quindi ci saranno 4 lotti identici al giorno, a 2 condizioni per il fattore 3. Questa situazione potrebbe non avere alcun impatto sulla potenza (rispetto al progetto che ho proposto in precedenza) per il fattore 3 poiché è possibile una randomizzazione per il fattore 3 in ciascun blocco (fattore facile da modificare), ma a causa dei "fattori difficili da modificare" che implica una severa restrizione sulla randomizzazione per questi fattori, influenzerà il potere dei fattori "difficili da modificare" 1 e 2, così come la varianza di previsione per questi 2 fattori, la precisione delle stime di questi parametri e gli alias nella progetto :
Confronto di potenza tra progetti con 8 appezzamenti e 16 appezzamenti:
Confronto della varianza delle previsioni tra progetti con 8 grafici e 16 grafici:
Confronto dell'errore standard relativo delle stime tra progetti con 8 grafici e 16 grafici:
Confronto delle correlazioni tra i termini nel modello per entrambi i progetti:
Spero che questa risposta possa aiutare e integrare le ottime spiegazioni di Phil,
Oggetto: DoE suddiviso in grafici (limitazione del numero di esecuzioni di prova al giorno)CIAO @Bertelsen92 ,
@Victor_G La soluzione di ha senso per me e sembra soddisfare le tue esigenze.
Nel tuo esempio avevi specificato 7 intere trame e 26 esecuzioni totali, il che sarebbe strano.
Il numero di interi appezzamenti è il numero di gruppi di analisi all'interno dei quali i fattori difficili da modificare rimangono costanti. Quindi, Victor ha impostato questo valore su 16 perché puoi eseguire 2 combinazioni dei tuoi fattori difficili da modificare ogni giorno, nell'arco di 8 giorni, per un totale di 32 corse.
Eri preoccupato per il potere. La potenza sarà inferiore quando si impostano fattori come difficili da modificare. Negli esperimenti progettati apprendiamo l'effetto di un fattore sulla risposta modificando il fattore e osservando l'effetto sulla risposta. Se apportiamo meno modifiche al fattore, impariamo di meno. Non è più complicato di così.
Detto questo, il numero assoluto che vedi per la potenza ha senso solo se hai buoni numeri per il rumore (RMSE) e il segnale che devi rilevare (coefficiente previsto). La maggior parte delle volte non li abbiamo. Quindi, se si utilizzano solo le impostazioni predefinite di JMP (RMSE = 1, coefficiente = 1), non ha senso preoccuparsi se la potenza è > o < 0,8.
Spero che aiuti.
Fil
Oggetto: DoE suddiviso in grafici (limitazione del numero di esecuzioni di prova al giorno)Ciao Kristian,
Una possibile opzione è considerare i due fattori 1 e 2 come "Difficili da cambiare" e il fattore 3 come "Facile da cambiare":
Quindi, crea il tuo modello con gli effetti principali, le interazioni e la potenza quadratica per il fattore 1. Specificare il numero di Interi grafici su 16 e il numero di esecuzioni su 32:
Avrai 2 esecuzioni per intero appezzamento (per un totale di 2 lotti/4 esecuzioni al giorno, quindi 2 intere appezzamenti al giorno) in cui varierà solo il fattore 3:
Puoi trovare la tabella dati del progetto in allegato per valutare il progetto e vedere se si adatta alle tue esigenze.
