Comunidad JMP Esperaba que pudieras ayudar.
Tengo algunas preguntas de un practicante del DoE cuya experiencia principal hasta ahora ha sido diseños factoriales completos o medio, pero está interesado en utilizar un Diseño de Detección Definitivo para un estudio de 4 o 5 factores. Estas preguntas son:
- ¿Cuáles son las ventajas y limitaciones del diseño factorial clásico de dos niveles en comparación con un DSD?
- ¿Se puede utilizar un diseño de selección definitivo para ajustar un modelo que estime las interacciones de 2 factores, así como los efectos principales y las cuadráticas de 4 o 5 factores?
- Mi formación limitada en esto ha indicado que DSD se utiliza principalmente para estimar los efectos principales de una gran cantidad de factores para establecer la menor cantidad de factores que son significativos. Luego realice más estudios del DOE sobre estos factores.¿Es esto correcto?
- Un diseño de superficie de respuesta lograría una estimación de la curvatura y de todas las interacciones, pero requeriría muchas más ejecuciones.¿Puede un DSD hacer esto con menos ejecuciones?
¡Cualquier consejo sobre estos será enormemente apreciado!
Mejor,
Diestro
Hay varios artículos y tutoriales que tratan sobre DSD, por ejemplo:
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 solía tener un blog sobre el tema.
Los diseños clásicos son ortogonales/equilibrados y pueden ser muy efectivos si se usan en un enfoque secuencial. La idea es comenzar con un espacio de diseño en negrita (muchos factores en 2 niveles en negrita) con diseños fraccionados y luego iterar. Cada iteración llevará al experimentador a un conjunto más pequeño de factores en niveles más ideales y, con suerte, hacia un espacio de diseño óptimo y un modelo predictivo. En muchos casos, estos diseños son aditivos y se eliminan fácilmente. También se pueden utilizar cuando el nivel de conocimientos es bajo. Quizás también sean más fáciles de enseñar a quienes no son estadísticos. El "inconveniente" es que asumen relaciones lineales, al menos en los diseños iniciales. Esta no es una mala suposición, ya que normalmente construimos modelos basados en jerarquías. Si el experimentador tiene un modelo razonable para empezar y sospecha de los efectos no lineales, entonces es posible que no desee la suposición lineal. Secuencialmente, puede aumentar los diseños clásicos con puntos centrales para probar efectos no lineales, pero el efecto no lineal no es específico.
Los DSD ofrecen la oportunidad de incluir factores de 3 niveles en el diseño y, por lo tanto, estimar efectos cuadráticos. Por supuesto, esto significa que sus factores deben ser cuantitativos, pero existen algunas opciones para incluir factores categóricos en un DSD (consulte el documento de referencia). Son muy eficientes al evaluar un número relativamente grande de factores (después de todo, están destinados a ser diseños de detección) con una resolución relativamente buena. También pueden detectar desviaciones del supuesto lineal con cierto grado de precisión.
La selección del diseño apropiado siempre depende de la situación. Hay una serie de criterios que afectan la decisión. Y, por cierto, es imposible saber cuál es el diseño "correcto" hasta que se comprenda la estructura causal. Mi consejo es siempre para diseñar múltiples experimentos con los factores que ha elegido experimentar. Predice qué conocimiento se podría obtener con cada opción (por ejemplo, qué modelo de orden, precisión del diseño, espacio de inferencia, ajuste de niveles, etc.) Y qué harás con ese conocimiento. Sopese el conocimiento potencial adquirido frente a los recursos necesarios. Elija un diseño y prepárese para repetirlo.
