Berücksichtigung aller quadratischen und binären Effekte beim Screening-DesignHallo,
Ich führe eine Optimierungsstudie mit JMP Pro 17 durch. Mein Problem hat 13 Designvariablen und ich versuche, ein Screening-Design durchzuführen.
Ich führe das Screening-Design über das Menü „DOE -> Klassisch -> Zweistufiges Screening -> Screening-Design“ durch. Als Screening-Typ wähle ich „Aus einer Liste fraktionalfaktorieller Designs auswählen“ ( Picture1_DOE_ScreeningDesign ).
Die Optionen, die ich als nächstes ausgewählt habe, sind wie folgt:
'Anzahl der Läufe: 32,
Block Größe: -,
Entwurfstyp: Bruchfaktoriell,
Auflösung – was abschätzbar ist: 4- Einige 2-Faktor-Wechselwirkungen,
Laufreihenfolge: Gleich bleiben,
Anzahl der Mittelpunkte: 1'.
Wenn ich auf „Tabelle erstellen“ klicke, erscheint das Fenster „Fractional Factorial“ (linker Teil von Picture2_FractionalFactorial_FitModel ).
Nachdem ich die 33 aufgelisteten Experimente durchgeführt habe, fülle ich die Y-Spalte aus und passe aus dem Menü „Analysieren -> Modell anpassen“ ein Modell an das Problem an, um das Screening-Design durchzuführen. Im Fenster „Modell anpassen“ listet JMP die Standardparameter für „Modelleffekte erstellen“ auf, darunter Haupteffekte und einige der binären Interaktionen (rechter Teil von Picture2_FractionalFactorial_FitModel ). Über die Schaltflächen „Hinzufügen“ und „Kreuz“ können dieser Liste auch weitere Parameter hinzugefügt werden. Wenn ich versuche, alle binären und quadratischen Terme ( Picture3_AllEffects_ParameterList ) hinzuzufügen und auf die Schaltfläche „Ausführen“ klicke, sehe ich, dass einige Terme Singularität verursachen, die in der Liste „Singularity Details“ ( Abbildung: Picture4_AllEffects_SingularityList oder Picture5_X1X12_X2X5 ) angegeben ist.
Es wird jedoch keine Singularität erreicht, wenn nur die Terme in jeder Zeile der Singularitätsliste zur Liste „Modelleffekte konstruieren“ hinzugefügt werden und jeder Term in einer einzelnen Zeile denselben Logworth-Wert ergibt. Ich vermute, dass JMP den Experimentsatz in „Fractional Factorial“ so aufbaut, dass die Auswirkungen der in einer Zeile der Singularitätsliste angegebenen Terme bereits berücksichtigt sind. Beispielsweise werden 33 Experimente aufgelistet, sodass die Wirkung (Logworth-Wert) von „X1*X1 und X2*X2“ oder „X1*X12 und X5*X2“ immer gleich ist. ( Abbildung: Bild5_X1X1 und Abbildung: Bild6_X2X2 oder Abbildung: Bild7_X1X12 und Abbildung8: Bild_X2X5 )
Wenn das der Fall ist, benötige ich eine physikalische Erklärung, warum ich nicht die einzelnen Effekte aller binären und quadratischen Effekte berücksichtigen kann. Ist es möglich, mit JMP eine Screening-Designstudie auf zwei Ebenen durchzuführen (indem nur die minimalen und maximalen Werte für jede Designvariable herangezogen werden) und alle binären und quadratischen Wechselwirkungen zu berücksichtigen? Vielleicht würde es mir helfen, verschiedene Optionen aus dem Menü auszuwählen.
Vielen Dank für die Antworten im Voraus.
Beste grüße,
Ceyda Kavak
PS: Ich bin kürzlich auf eine ähnliche Diskussion gestoßen ( Gelöst: Keine quadratischen Effekte im Antwortflächenexperiment – JMP-Benutzergemeinschaft ), daher möchte ich @statman markieren. Vielen Dank für Ihre Zeit und Rücksicht.
VersuchsplanungBetreff: Berücksichtigung aller quadratischen und binären Effekte beim Screening-DesignHallo @ceydakavak : Die einfache Antwort auf Ihre Frage: „Ich brauche eine physikalische Erklärung, warum ich die einzelnen Effekte aller binären und quadratischen Effekte nicht berücksichtigen kann.“ ist: Du hast nur 33 Läufe. Mit 33 Läufen können Sie nicht hoffen, 104 Parameter (13 Haupteffekte, 13 quadratische Effekte und 0,78 paarweise Wechselwirkungen) schätzen zu können. Sie haben insgesamt nur 33-1 = 32 Freiheitsgrade, das ist also die maximale Anzahl an Effekten, die Sie abschätzen können: alle Haupteffekte und einige der wechselseitigen Wechselwirkungen; Auswirkungen auf eine gemeinsame Zeile in den Singularitätsdetails sind nicht voneinander zu unterscheiden, sodass Sie nur einen pro Zeile schätzen können. Aus rein statistischer Sicht gibt es keine Möglichkeit zu wissen, welcher Effekt auf eine bestimmte Zeile richtig ist (das ergibt sich möglicherweise aus Ihrem Verständnis der Wissenschaft/des Prozesses). Screening-Designs dienen in der Regel nur dazu, Haupteffekte zu ermitteln, um festzustellen, welche Haupteffekte aktiv sind. Anschließend nehmen Sie diese Teilmenge der Haupteffekte in eine weitere Studie auf, um sie möglicherweise zu optimieren usw., indem Sie Wechselwirkungen, quadratische Effekte usw. berücksichtigen.
Das heißt, Sie verlangen viel zu viel von 13 Faktoren mit 33 Läufen.
Betreff: Berücksichtigung aller quadratischen und binären Effekte beim Screening-DesignWenn das der Fall ist, brauche ich eine physikalische Erklärung, warum ich nicht alle binären und quadratischen Effekte einzeln berücksichtigen kann. Ist es möglich, mit JMP eine zweistufige Screening-Design-Studie durchzuführen (indem nur die Minimal- und Maximalwerte für jede Designvariable berücksichtigt werden) und dabei alle binären und quadratischen Interaktionen zu berücksichtigen? Vielleicht würde es mir helfen, verschiedene Optionen aus dem Menü auszuwählen.
Wie von MRB erläutert, verfügen Sie nicht über genügend DFs, um alle gewünschten Effekte im Modell zu berücksichtigen (daher Singularität). Wenn JMP dies feststellt, fährt es fort, entfernt jedoch die zuletzt eingegebenen Terme aus dem Modell, bis alle DFs zugewiesen sind. Aus diesem Grund erhalten Sie dennoch eine passende Modellausgabe.
Können Sie alle linearen und nichtlinearen Effekte zweiter Ordnung (die Sie als binär und quadratisch bezeichnen) trennen? Ja, aber dazu sind deutlich mehr Behandlungen erforderlich. Bei der Verwendung von gebrochenen Fakultäten gelten folgende Prinzipien:
1. Knappheit : Es gibt nur eine kleine Anzahl signifikant aktiver Effekte für ein nützliches Vorhersagemodell
2. Hierarchie : Effekte 1.>2.>>3.>>4. Ordnung. Erstellen Sie Modelle in hierarchischer Reihenfolge
3. Vererbung : Wird hauptsächlich für Analysen verwendet, um die Trennung von Aliaseffekten gleicher Ordnung zu unterstützen. Damit ein Effekt zweiter Ordnung oder höher aktiv ist, muss mindestens ein übergeordneter Effekt (Haupteffekt) aktiv sein.
Das vierte und vielleicht wichtigste Prinzip ist, dass die Effekte technisch oder wissenschaftlich sinnvoll sein müssen. Ich schlage vor, diese möglichen Effekte vor der Durchführung des Experiments vorherzusagen. Dies reduziert den Einfluss von Interpretationsfehlern.
Mein Vorschlag für das Screening ist, die Effekte zu priorisieren, die Sie tatsächlich als aktiv voraussagen. Versuchen Sie nicht, alles in der ersten Studie zu trennen. Das ist ineffizient (wie hoch ist die Wahrscheinlichkeit, dass alle 13 Faktoren, alle Wechselwirkungen zweiter Ordnung und alle quadratischen Effekte aktiv und signifikant sind? Wie hoch ist die Wahrscheinlichkeit, dass Sie die Faktoren auf optimalem Niveau testen?). Entwerfen Sie stattdessen das Screening-Experiment mit der Idee, die Sie iterieren werden. Das erste Experiment soll dazu beitragen, ein besseres Experiment zu entwerfen (z. B. eine kürzere Liste aktiver Faktoren und eine bessere Niveaueinstellung). Wenn Sie nichtlineare Effekte im Designraum vermuten, können Sie möglicherweise Center-Point-Runs hinzufügen, um diese Hypothese effizient zu testen.
