Hola,
Leí algunas publicaciones en el pasado sobre métodos sobre cómo abordar DoE y el refinamiento de modelos. Un método que vi fue construir sobre modelos usando la opción de diseño de aumento y se describió como un proceso iterativo.
De esta manera, realizaría más un DoE personalizado de tipo de detección en las etapas iniciales, evaluaría el modelo, reduciría el modelo y luego aumentaría el diseño para una mayor optimización y reducción de la varianza.
1. ¿Parece este proceso sólido como método para abordar el refinamiento del modelo?
2. ¿Qué pasos seguirías para refinar tu modelo usando este método?
- ¿La evaluación debería evaluar simultáneamente tanto los efectos principales como los efectos de interacción o debería comenzar con los efectos principales y luego continuar con las interacciones de segundo orden?
- Si un efecto principal se considera "insignificante", ¿significa esto que tampoco hay posibilidad de que se produzcan efectos de interacción?
- ¿Debería agregar puntos centrales para detectar la curvatura en la fase de detección?
- ¿Debería agregar réplicas en esta fase? (He oído que esto puede ser innecesario cuando se evalúan grandes impactos en lugar de una variación baja)
- ¿Cuándo se deben agregar réplicas o centrarse en la reducción de la varianza?
¡Gracias de antemano!
