¿Cuándo se deben evaluar únicamente los efectos principales? (No principal + Interacción de segundo orden)Hola,
Me gustaría saber cuándo una situación requiere una evaluación solo de los efectos principales, ignorando los efectos de interacción.
Un colega y yo tenemos diferentes enfoques sobre cómo se realizan los diseños de detección, por lo que me gustaría entender lo que piensan los demás.
Podemos suponer lo siguiente:
- Este es un diseño de detección (digamos 4 factores - 2 niveles)
- No se sabe nada de las interacciones hasta este momento y, en teoría, podría existir cualquier interacción.
- El material (Experimento #) y el tiempo no están limitados.
- Se pueden realizar DoE de seguimiento para aumentar el modelo.
Aprecio la eficiencia y siempre orientaré los experimentos hacia la mentalidad de "científico codicioso" cuando sea posible; sin embargo, no haré esto mientras comprometa el modelo en sí. Mi preocupación es que cuando puedan estar presentes interacciones, es posible que no se identifiquen si se implementa un diseño de efectos principales únicamente. Si un factor se elimina de la pantalla debido a que el efecto principal se considera insignificante, ¿no se corre el riesgo de identificar el verdadero óptimo si existiera la posibilidad de que estuviera presente una interacción positiva?
Diseño de experimentosRe: ¿Cuándo deberías evaluar solo los efectos principales? (No principal + Interacción de segundo orden)Aquí están mis pensamientos:
Primero, una aclaración: cuando se ejecutan diseños factoriales, las interacciones están presentes, simplemente pueden tener alias y, por lo tanto, no se pueden asignar específicamente. Tus preocupaciones son legítimas. Sin embargo, si se compromete a realizar experimentos secuenciales, los errores que cometa en la interpretación de los experimentos iniciales se descubrirán en la siguiente iteración.
No existe un único enfoque correcto para la experimentación. Ante la situación que planteas tengo los siguientes comentarios:
1. 4 factores no es un gran diseño de detección. Puede ejecutar 4 factores en resIV en 8 tratamientos. Creo que los diseños de cribado tienen ≥5 factores, en cuyo caso se empiezan a notar los beneficios del diseño fraccionado y secuencial.
2. Siempre empiezo con SME (conocimiento del dominio) como base para determinar la resolución. Sugiero predecir el orden de clasificación de los efectos de primer y segundo orden. ¿Son posibles/probables los efectos de segundo orden? A medida que los efectos de segundo orden aumentan en su orden de clasificación, considere diseños de mayor resolución.
3. Considere el espacio de diseño. Dentro del espacio se producen efectos de orden superior (p. ej., interacciones y curvatura). Entonces, el primer objetivo es mover su espacio a un estado "casi" óptimo (por supuesto, nadie sabe dónde está el óptimo... confiamos en SME para brindar orientación). Luego aumenta el espacio. Si está lejos de ser óptimo, puede que no sea eficiente estudiar dentro del espacio. Todos sabemos que el camino más rápido entre dos puntos es una línea recta, así que usa factores en 2 niveles para mover el espacio. Esta es la idea detrás de la detección. Experimente con muchos factores con la esperanza de encontrar factores que muevan el espacio rápidamente y céntrese en los factores importantes.
4. No ignores el ruido. En casi todos los casos, la cantidad de factores que se manipulan es siempre un pequeño subconjunto de todos los factores. ¿Qué haces con los demás? La respuesta correcta es NO mantenerlos constantes. ¿Qué estrategia debería utilizar para dividir y asignar el ruido (por ejemplo, repeticiones, réplicas, bloques, parcelas divididas, anidamiento)? Esta es, en mi humilde opinión, la parte más desafiante de la experimentación y la que menos se enseña. Lamentablemente, el software no ofrece orientación.
En todos los casos, diseñe múltiples experimentos. Comparar y contrastar. ¿Qué hará cada uno en términos de asignación, confusión y restricción de los efectos de los factores? Compare esto con los recursos y elija uno.
"El mejor diseño que puedas diseñar es el que diseñas después de ejecutarlo"
Re: ¿Cuándo deberías evaluar solo los efectos principales? (No principal + Interacción de segundo orden)Gracias por la explicación completa. Sólo para confirmar, si el diseño de selección confunde una interacción, ¿seguirá identificando cada factor de la interacción como significativo? ¿Se puede seguir esto con más experimentos para buscar factores de confusión a través de interacciones?
Ejemplo:
Pantalla de efecto principal:
Modelo: X1, X2, X3, X4
Factores significativos encontrados: X1, X2, X3
D/I óptimo:
Modelo: X1, X2, X3, X1*X2, X2*X3 (potencialmente X1^2, X2^2, X3^2)
Y en este ejemplo, ¿hay evidencia razonable para decir que X4 no proporcionó ninguna interacción con X1-X3?
Gracias
Re: ¿Cuándo deberías evaluar solo los efectos principales? (No principal + Interacción de segundo orden)Ésta es una gran pregunta, pero lamentablemente la respuesta no es definitiva. Si bien consideramos que los principios de escasez, jerarquía y herencia (para que un efecto de orden superior esté activo al menos uno de los padres debe estar activo) son principios rectores , no son absolutos. Curiosamente, los efectos principales F=ma... m (masa) y a (aceleración) no están en el modelo. Sólo la interacción.
En algunos casos, se puede conocer la estructura del alias y, por lo tanto, se puede suponer qué posibles efectos (confundidos) están activos. Estos pueden separarse en estudios posteriores (p. ej., doblarse). Los experimentos con alias parciales son más difíciles de desagregar. Si bien lo que realmente hará en la siguiente iteración del experimento no se decidirá hasta que analice el primer experimento, debe predecir todos los resultados posibles y anticipar todas las posibilidades.
