Consulta sobre generación de DOE con cuatro variables (2 niveles) y análisis de 2 variables a la vezHola:
Tengo 4 variables de 2 niveles y estaba planeando realizar una ejecución DOR factorial completa sin replicar.
Entonces 16 carreras.
En lugar de analizar el resultado de cuatro variables, ¿qué pasa si analizo solo dos variables a la vez? Esto me dará un total de seis DOE para analizar dentro del mismo conjunto de 16 experimentos, pero ahora cada uno con 4 repeticiones.
Variables: A, B, C, D
en lugar de analizar ABCD juntos, ¿qué pasa si analizo AB, AC, AD, BC, BD, CD?
De esta manera puedo ver qué factores e interacciones son importantes.
Creo que el analizador DOE hace lo mismo, pero ¿por qué siempre se sugiere tener más réplicas?
¿Me estoy perdiendo algo o mi comprensión es errónea en alguna parte?
Tu ayuda es altamente apreciada.
Modelado estadístico avanzadoDiseño de experimentosRe: Consulta sobre generación de DOE con cuatro variables (2 niveles) y análisis de 2 variables a la vezHola @VarunK ,
Hay varias preguntas en tu publicación, así que haré todo lo posible para responderlas paso a paso.
Acerca del uso del diseño factorial completo y qué esperar de él:
Si planea hacer un diseño factorial completo en 4 factores continuos con 2 niveles con 16 ejecuciones, esto significa que asume que su modelo completo a priori contendrá la intersección, los 4 efectos principales (para cada factor) y las 6 interacciones entre 2 factores. En total, tienes 11 términos para estimar, por lo que todavía te quedan 5 grados de libertad para evaluar el error: Análisis de Varianza
Recomendaría comenzar primero con el modelo completo, ya que es su modelo asumido a priori, por lo que puede brindarle una mejor descripción general de la relevancia e influencia de los diferentes términos, en lugar de repetir el modelo que se ajusta a muchas combinaciones diferentes sin ninguna conocimiento previo (esto requeriría más tiempo y podría confundirse con modelos diferentes o contradictorios).
Por supuesto, dependiendo de sus resultados, este modelo completo puede no ser el más apropiado o relevante, y puede que no haya un solo modelo que pueda responder a sus necesidades.
Además, si uno (o varios) factor(es) y sus términos de orden superior asociados (efecto de interacción) no tienen influencia en el modelo, las ejecuciones correspondientes a la estimación de estos efectos se pueden proyectar en el espacio dimensional inferior, haciéndolos lucir como replica. Esto se denomina propiedad de proyección de los diseños factoriales y es la razón (con el principio de escasez de efectos) por la que los diseños de cribado/diseños factoriales fraccionales pueden ser muy potentes y flexibles. Hay varios enlaces disponibles en Internet si desea saber más: Diseños clásicos-Diseños fraccionarios fraccionarios Rev1.pdf (afit.edu)
Propiedades de proyección de diseños factoriales para el cribado de factores | SpringerEnlace
Y también hice un post en LinkedIn para explicar intuitivamente cómo funciona a través de una comparación con la sombragrafía: https://www.linkedin.com/posts/victorguiller_designofexperiments-statistics-dataanalytics-activity-7155469237921153025-ul7E
Agregar réplicas es una buena técnica para mejorar la estimación de los parámetros/coeficientes, pero puede aumentar considerablemente el presupuesto experimental. Para proporcionar una mayor flexibilidad, y dependiendo de la plataforma utilizada, puede utilizar replicar (replicación completa del diseño) o replicar ejecuciones (replicación de una cierta cantidad de ejecuciones). Para obtener más información sobre esta diferencia de replicación y los beneficios de las réplicas, consulte https://community.jmp.com/t5/Discussions/Doe-and-replications/mp/565296/highlight/true#M77731
Sobre la forma de analizar su DoE:
Dependiendo de su(s) objetivo(s), puede tener diferentes caminos para la evaluación y selección de modelos:
- Modelo explicativo : en un modo explicativo, estás más centrado en los términos que sí tienen alguna influencia en las respuestas, por lo que podrías evaluar la necesidad de incluir los diferentes términos según la significancia estadística (con la ayuda de p- valores y un umbral predefinido como 0,05) y la importancia práctica (tamaño de las estimaciones, selección basada en la experiencia en el dominio). R², R² ajustado (y la diferencia entre los dos, que debe minimizarse) pueden ser buenas métricas para comprender cuánta variación se explica por los términos identificados y seleccionar modelos relevantes para explicar el sistema en estudio.
- Modelo predictivo : en un modo predictivo, está más centrado en los términos que le ayudan a minimizar los errores de predicción, por lo que puede evaluar la necesidad de incluir los diferentes términos en función de cómo esto mejora el rendimiento predictivo, a través de las visualizaciones de datos reales vs. gráfico predictivo y tamaño de los errores (gráfico de residuos). RMSE podría ser una buena métrica para evaluar qué modelo tiene el mejor rendimiento predictivo (el objetivo es minimizar el RMSE).
También podría interesarle una combinación de las dos partes, por lo que se podrían utilizar diferentes métricas para ayudarle a evaluar y seleccionar modelos, como criterios de información (AICc, BIC) que ayudan a encontrar un compromiso entre el rendimiento predictivo del modelo y su complejidad. Para evaluar y seleccionar un modelo en base a estos criterios, cuanto más bajo, mejor. También puede utilizar la máxima verosimilitud, que es similar pero no incluye una penalización por la complejidad del modelo.
Como puede ver, puede haber varias formas de evaluar y seleccionar los modelos más relevantes.
Espero que esta respuesta le ayude a tener una visión general sobre qué hacer a continuación para su caso de uso.
Re: Consulta sobre la generación de DOE con cuatro variables (de 2 niveles) y el análisis de 2 variables a la vezMmm, no me gusta discutir, pero esto no es correcto. Si se ejecuta un factorial completo con 4 factores y 2 niveles, los 15 grados de libertad se asignan de la siguiente manera:
4 DF: 4 efectos principales,
6 DF: 6 efectos de interacción de segundo orden,
4 DF: 4 efectos de interacción de tercer orden,
1DF: Efecto de interacción de cuarto orden.
No existen DF para estimar el error. El hecho de excluir los efectos de orden superior del modelo no los convierte en estimaciones independientes del error.
Re: Consulta sobre la generación de DOE con cuatro variables (de 2 niveles) y el análisis de 2 variables a la vez@statman , estoy de acuerdo en el aspecto teórico, pero en el aspecto práctico y de manera predeterminada, JMP asume un modelo con solo efectos de segundo orden al crear un diseño fraccional completo (por lo que solo efectos principales e interacciones de 2 factores).
Acabo de comprobarlo también para estar seguro antes de publicar.;)
