JMP-Community Ich hatte gehofft, Sie könnten helfen.
Ich habe einige Fragen von einem DoE-Praktiker, dessen Haupterfahrung bisher mit halb- oder vollfaktoriellen Designs bestand, der aber daran interessiert ist, ein definitives Screening-Design für eine Studie mit 4 oder 5 Faktoren zu verwenden. Diese Fragen sind:
- Was sind die Vorteile und Einschränkungen des klassischen zweistufigen faktoriellen Designs im Vergleich zu einem DSD?
- Kann ein definitives Screening-Design verwendet werden, um ein Modell anzupassen, um 2-Faktor-Wechselwirkungen sowie Haupteffekte und Quadrate für 4 oder 5 Faktoren abzuschätzen?
- Meine begrenzte Schulung zu diesem Thema hat gezeigt, dass DSD hauptsächlich zur Schätzung der Haupteffekte aus einer großen Anzahl von Faktoren verwendet wird, um die kleinere Anzahl von Faktoren zu ermitteln, die von Bedeutung sind. Führen Sie dann eine weitere DOE-Studie zu diesen Faktoren durch.Ist das richtig?
- Ein Antwortflächendesign würde eine Schätzung der Krümmung und aller Wechselwirkungen ermöglichen, würde jedoch deutlich mehr Durchläufe erfordern.Kann ein DSD dies mit weniger Durchläufen erreichen?
Für Ratschläge hierzu wäre ich sehr dankbar!
Am besten,
Dexter
Es gibt eine Reihe von Artikeln und Tutorials, die sich mit DSD befassen, zum Beispiel:
https://www.jmp.com/en_us/whitepapers/jmp/definitive-screening-designs-two-level-categorical.html
https://community.jmp.com/t5/Mastering-JMP/Using-Definitive-Screening-Designs-to-Get-More-Information-from/ta-p/310245
Brad Jones hatte früher einen Blog zu diesem Thema.
Die klassischen Designs sind orthogonal/ausgewogen und können sehr effektiv sein, wenn sie in einem sequentiellen Ansatz verwendet werden. Die Idee besteht darin, mit einem mutigen Designraum (viele Faktoren auf 2 fetten Ebenen) mit fraktionierten Designs zu beginnen und dann zu iterieren. Jede Iteration führt den Experimentator zu einem kleineren Satz von Faktoren auf idealeren Ebenen und hoffentlich zu einem optimalen Designraum und einem Vorhersagemodell. In vielen Fällen sind diese Designs additiv und lassen sich leicht entaliasen. Sie können auch verwendet werden, wenn Ihr Wissenskontinuum niedrig ist. Vielleicht sind sie auch für Nicht-Statistiker einfacher zu lehren. Der „Nachteil“ besteht darin, dass sie zumindest in den ersten Entwürfen von linearen Beziehungen ausgehen. Dies ist keine schlechte Annahme, da wir Modelle normalerweise auf der Grundlage einer Hierarchie erstellen. Wenn der Experimentator zunächst über ein vernünftiges Modell verfügt und nichtlinearen Effekten gegenüber misstrauisch ist, ist die lineare Annahme möglicherweise nicht erwünscht. Sie können die klassischen Designs nacheinander mit Mittelpunkten ergänzen, um nichtlineare Effekte zu testen, aber der nichtlineare Effekt ist nicht spezifisch.
DSDs bieten die Möglichkeit, dreistufige Faktoren in den Entwurf einzubeziehen und somit quadratische Effekte abzuschätzen. Das bedeutet natürlich, dass Ihre Faktoren quantitativ sein müssen, es gibt jedoch einige Möglichkeiten, kategoriale Faktoren in eine DSD einzubeziehen (siehe Referenzpapier). Sie sind sehr effizient und bewerten eine relativ große Anzahl von Faktoren (sie sind schließlich als Screening-Designs gedacht) mit relativ guter Auflösung. Sie können auch Abweichungen von der linearen Annahme mit einiger Präzision erkennen.
Die Auswahl des geeigneten Designs ist immer situationsabhängig. Es gibt eine Reihe von Kriterien, die die Entscheidung beeinflussen. Und übrigens ist es unmöglich zu wissen, was das „richtige“ Design ist, bis man die kausale Struktur verstanden hat. Mein Rat ist stets um mehrere Experimente mit den Faktoren zu entwerfen, die Sie zum Experimentieren ausgewählt haben. Sagen Sie voraus, welche Erkenntnisse mit den einzelnen Optionen gewonnen werden könnten (z. B. welches Ordnungsmodell, Präzision des Entwurfs, Inferenzraum, Ebenensetzung usw.) UND was Sie mit diesem Wissen tun werden. Wägen Sie den potenziellen Wissensgewinn gegen die benötigten Ressourcen ab. Wählen Sie ein Design und seien Sie bereit, es zu wiederholen.
