Comunità JMP Speravo potessi aiutarmi.
Ho alcune domande da parte di un professionista del DoE la cui esperienza principale finora riguardava disegni fattoriali parziali o completi, ma è interessato a utilizzare un disegno di screening definitivo per uno studio di 4 o 5 fattori. Queste domande sono:
- Quali sono i vantaggi e i limiti del classico disegno fattoriale a due livelli rispetto a un DSD?
- È possibile utilizzare un disegno di screening definitivo per adattare un modello per stimare le interazioni a 2 fattori, nonché gli effetti principali e le quadratiche per 4 o 5 fattori?
- La mia limitata formazione in materia ha indicato che il DSD viene utilizzato principalmente per stimare gli effetti principali di un gran numero di fattori per stabilire il minor numero di fattori significativi. Quindi eseguire ulteriori studi DOE su questi fattori.È corretto?
- Un progetto di superficie di risposta consentirebbe di ottenere una stima della curvatura e di tutte le interazioni, ma richiederebbe un numero significativamente maggiore di esecuzioni.Un DSD può farlo con meno esecuzioni?
Qualsiasi consiglio su questi sarebbe enormemente apprezzato!
Migliore,
Destro
Esistono numerosi articoli e tutorial che trattano il DSD, ad esempio:
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 aveva un blog sull'argomento.
I disegni classici sono ortogonali/bilanciati e possono essere molto efficaci se utilizzati in un approccio sequenziale. L'idea è di iniziare con uno spazio di progettazione audace (molti fattori su 2 livelli in grassetto) con progetti frazionati, quindi ripetere. Ogni iterazione porterà lo sperimentatore a un insieme più piccolo di fattori a livelli più ideali e, si spera, verso uno spazio di progettazione ottimale e un modello predittivo. In molti casi, questi progetti sono additivi e facilmente dealiasabili. Possono essere utilizzati anche quando il continuum della conoscenza è basso. Forse sono anche più facili da insegnare ai non statistici. Lo "svantaggio" è che assumono relazioni lineari, almeno nei progetti iniziali. Questo non è un presupposto errato poiché in genere costruiamo modelli basati sulla gerarchia. Se lo sperimentatore ha un modello ragionevole con cui iniziare ed è sospettoso degli effetti non lineari, allora l’ipotesi lineare potrebbe non essere auspicabile. In sequenza, è possibile aumentare i disegni classici con punti centrali per verificare gli effetti non lineari, ma l'effetto non lineare non è specifico.
I DSD offrono l'opportunità di includere fattori a 3 livelli nella progettazione e quindi di stimare gli effetti quadratici. Naturalmente, ciò significa che i fattori devono essere quantitativi, ma esistono alcune opzioni per includere fattori categorici in un DSD (vedere il documento di riferimento). Sono molto efficienti nel valutare un numero relativamente elevato di fattori (dopotutto sono pensati per essere progetti di screening) con una risoluzione relativamente buona. Possono anche rilevare deviazioni dall'ipotesi lineare con un certo grado di precisione.
La scelta del design appropriato dipende sempre dalla situazione. Ci sono una serie di criteri che influenzano la decisione. E, a proposito, è impossibile sapere quale sia il design "giusto" finché non si comprende la struttura causale. Il mio consiglio è Sempre per progettare più esperimenti con i fattori su cui hai scelto di sperimentare. Prevedi quale conoscenza potrebbe essere acquisita con ciascuna opzione (ad esempio, quale modello di ordine, precisione del progetto, spazio di inferenza, impostazione del livello, ecc.) E cosa farai con tale conoscenza. Valutare la potenziale conoscenza acquisita rispetto alle risorse richieste. Scegli un design e preparati a ripetere.
