DSD para 4 factores continuosTengo cuatro factores continuos. Quiero optimizar el proceso, por eso hice clic en agregar bloques con ejecuciones centrales para estimar los efectos cuadráticos.
Hago clic en el script "Evaluar diseño" después de crear la tabla. Hice clic en RSM. Los valores de 2FI y Cuadrático en Análisis de potencia son pequeños. También noté que no existe un término cuadrático para mi cuarto factor.
Diseño de experimentosRe: DSD para 4 factores continuosHola @Victor_G ,
Gracias por ser generoso, muy apreciado. Creo que ya has resuelto mis problemas.
Re: DSD para 4 factores continuosHola @Alainmd02 ,
Si ya sabe que estos 5 factores son de interés/significativos para su estudio y que desea un modelo RSM, iría directamente al Diseño personalizado (o diseños RSM clásicos en el caso de solo factores continuos).
En este caso, es posible que DSD no sea la mejor opción, ya que se hará hincapié en la detección y no terminará con un modelo RSM completo solo con un DSD (consulte mi respuesta anterior; también tendrá menor potencia para QE que con un diseño RSM personalizado).
No existe una regla con respecto a la potencia mínima para QE, pero hay que esperar una potencia menor para QE que para ME o 2FI. No me preocuparía demasiado una menor potencia para la QE, ya que la potencia para la QE también dependerá de cuántos factores y qué factores entran en el modelo. Si le quedan grados de libertad, entonces el poder para la QE podría aumentar.
Hubo una publicación sobre energía ( Resuelto: Re: ¿Debería considerar el análisis de energía en DOE? - Comunidad de usuarios de JMP ), donde @Phil_Kay respondió y explicó el uso de la energía para evaluar diseños. Puede que también te resulte útil en tu caso.
Espero que te ayude,
PD: Si encuentra una respuesta que resuelva su problema, no dude en marcarla como solución para ayudar a otros miembros de la comunidad a rastrear la solución a su pregunta 
Re: DSD para 4 factores continuosHola Víctor,
En este momento, tengo 4 factores continuos y 1 factor categórico.
¿Puedes recomendar DSD?
¿Por qué RSM en diseño personalizado siempre tiene poca potencia para QE?
¿Qué potencia mínima para QE es suficiente para considerarlo un buen diseño?
Re: DSD para 4 factores continuosHola @Alainmd02 ,
En primer lugar, recordemos que el diseño de screening definitivo es un diseño de screening , por lo que su objetivo es detectar efectos principales significativos a partir de una lista de factores (aunque también es capaz de ajustar algunas interacciones y efectos cuadráticos si los restantes grados de libertad lo permiten). .
Entonces, en este sentido, es normal tener un poder menor para las interacciones y los efectos cuadráticos que para los efectos principales, ya que los efectos principales en este diseño no tienen alias con ningún efecto de 2 factores o cuadrático. Por el contrario, todavía existen algunos alias entre las interacciones de 2 factores y los efectos cuadráticos (consulte el gráfico de correlación realizado en su ejemplo con 4 factores), por lo que detectar con precisión la importancia de QE y 2FI será más difícil con la presencia de alias (por lo tanto una potencia menor).
DSD se recomienda más para 5+ factores; para menos de 5 factores, puede ser más fácil y eficiente en términos de número de experimentos utilizar el diseño personalizado.
Dado que es un diseño de pantalla, su objetivo no es ajustarse a un modelo RSM completo (y JMP debería haberle advertido al hacer clic en RSM que "Este diseño no puede ajustarse al modelo especificado. Se han eliminado términos inestimables del modelo"), por eso es que usted No veo un efecto cuadrático para su cuarto factor (falta de grado de libertad para calcular con precisión esta estimación del efecto).
Para crear un diseño RSM, deberá:
- realice el aumento de su DSD (vaya a "DoE", "Augment Design" y cuando aumente, haga clic en RSM en la parte del modelo, y JMP le recomendará que realice al menos 4 experimentos más, por lo que totaliza 22 experimentos),
- o cambia tu estrategia:
- crear un diseño personalizado que se ajuste al modelo RSM (21 experimentos recomendados por JMP), o
- Utilice un enfoque clásico (Box-Behnken/Central Composite Design, de 27 a 36 experimentos según el modelo elegido).
Al final, compare siempre los diferentes modelos creados (con diferente número de ejecuciones), para poder elegir el diseño más interesante, basándose en el mejor compromiso entre las prestaciones del diseño (potencia para cada efecto, predicción de varianza, alias...) y número de experimentos.
Algunos recursos sobre DSD:
Uso de diseños de detección definitivos para obtener más información en menos ensayos - Comunidad de usuarios de JMP
Diseño de cribado definitivo - Comunidad de usuarios de JMP
Espero que te ayude,
