Warum ist es keine gute Idee, den kontinuierlichen Faktor für RSM auf Null zu setzen?Liebe JMP-Experten,
Ich habe ziemlich oft erlebt, dass kontinuierliche Faktoreinstellungen einschließlich einer Null für die niedrigste Faktoreinstellung (0, 1, 2) für die Optimierung von Liquid-Biotech-Formulierungen erforderlich sind. Diese Anfragen kommen normalerweise von Leuten, die es gewohnt sind, Experimente mit OFAT durchzuführen, und es ist für sie nicht intuitiv zu verstehen, dass das Setzen des Faktors auf Null technisch bedeutet, dass es sich um eine kategoriale Faktoreinstellung handelt.
Gibt es einen besseren, praktischeren Grund, dies zu erklären?
vielen Dank im Voraus
Datenexploration und -visualisierungVersuchsplanungBetreff: Warum ist es keine gute Idee, den kontinuierlichen Faktor für RSM auf Null zu setzen?Hallo @DualARIMACougar ,
Es gibt wahrscheinlich keine definitive Antwort auf Ihre Frage, aber hier sind einige Kommentare:
- DoE ist am effizientesten, wenn es auf sequentiellen Iterationen beruht, wenn Sie zunächst mit dem Screening wichtiger Haupteffekte beginnen (mit einem Screening-Design) und es dann um die wichtigen Faktoren erweitern, um etwas mehr Effekte höherer Ordnung (Wechselwirkungen, quadratische Effekte) zu untersuchen. um endlich einen Optimierungsentwurf in einem engeren experimentellen Raum zu erstellen, mit Schwerpunkt auf Vorhersagekraft und Prozess-/Produktoptimierung.
Abhängig davon, wie Sie Ihre ersten Schritte/Entwürfe durchgeführt haben und ob/wie Sie Ihren experimentellen Interessenbereich verkleinert oder erweitert haben, kann die Stufe 0 in den Faktorstufen Ihres RSM fehlen, da Faktoren in den vorherigen Schritten als nicht signifikant angesehen wurden Möglicherweise wurden bereits herausgefiltert, und andere wichtige Faktoren können einen Bereich von Interesse haben, der nicht 0 einschließt, um ein Optimum zu erreichen. Es kann jedoch sehr interessant sein, in den ersten Schritten/Entwürfen (Screening) einen Wert von 0 zu haben, da so unwichtige/signifikante Faktoren schnell aus Ihrem System entfernt werden können, da dadurch mit Sicherheit starke Unterschiede zwischen Vorhandensein und Fehlen dieser Faktoren hervorgehoben werden Faktor.
Je nachdem, ob Sie die Optimierung direkt ohne vorherige Entwürfe/Schritte durchführen (da Sie nur über eine begrenzte Anzahl von Faktoren verfügen, können Sie Ebene 0 einbeziehen, um wichtige Effekte zu erkennen und den experimentellen Raum für die Optimierung „abzubilden“) oder sich auf sequentielle Experimente verlassen, Am Ende stehen Ihnen möglicherweise verschiedene Bereiche und Designoptionen/-erweiterungen zur Verfügung.
- Wenn Sie über die Optimierung von Formulierungen sprechen, verwenden Sie möglicherweise Mischungsexperimente. Die Struktur modellbasierter Mischungsentwürfe ist sehr „logisch“, wenn Sie keine spezifischen Einschränkungen in Ihrem experimentellen Raum oder Ihren Faktoren haben, da dadurch Experimente mit einem Faktor, dann binären Mischungen, dann ternären Mischungen usw. erstellt werden, je nachdem die Komplexität Ihres angenommenen Modells. Sie erhalten also (ohne Mindesteinschränkungen für die Faktoren) Experimente mit der Stufe 0 für Ihre Mischungsfaktoren. Sehen Sie sich die verschiedenen Designtypen und Mischungen an: Übersicht über Mischungsdesigns ; Beispiele für Mischungsdesigntypen
- Die Problemdefinition (Ziel, Faktoren und Typen, Ebenen, Antworten, Modell usw.) im DoE ist der wichtigste Teil und derjenige, bei dem Domänenexpertise eine entscheidende Rolle spielt. Ohne Kenntnisse über Ihren Anwendungsfall kann ich nicht beurteilen, ob die Einbeziehung der Stufe 0 interessant ist oder nicht. Es ist Teil des Ziels, das Sie zu lösen versuchen, sowie aller praktischen Einschränkungen/Überlegungen zur Verwendung und Handhabung Ihrer Faktoren. Seien Sie jedoch „mutig“ bei den Faktorenbereichen, da es häufiger vorkommt, dass ein DoE aufgrund zu enger Faktorbereiche keine Ergebnisse liefert, als aufgrund zu breiter Faktorbereiche. Sie können bei einer Designerweiterung jederzeit den experimentellen Raum reduzieren, um sich auf den Bereich zu konzentrieren, der Sie interessiert.
Wenn Sie Kollegen davon überzeugen möchten, dass DoE effektiver ist als OFAT, versuchen Sie, eine Studie zu finden, in der sie OFAT durchgeführt haben, erstellen Sie ein DoE für dasselbe Thema mit denselben Faktoren und verwenden Sie die Plattform „Compare Designs“ , um die Vorteile hervorzuheben: Reduzierte Anzahl erforderlicher Experimente, bessere Aussagekraft (also bessere Beweise für die Signifikanz der Faktoren), verringerte Vorhersagevarianz über den experimentellen Raum, bessere Handhabung von Korrelationen/Aliasnamen zwischen Effekten, ....
Ich hoffe, diese Kommentare können Ihnen helfen,
Betreff: Warum ist es keine gute Idee, den kontinuierlichen Faktor für RSM auf Null zu setzen?Hallo Victor,
Danke für deine Antwort. Wir wollen den Effekt der Faktorvariation im Verlauf einer Robustheitsstudie messen, indem wir drei Faktoreinstellungen für jeden Faktor verwenden, wobei die ursprüngliche Bedingung in der Mitte liegt. Für einen Faktor wurde 0 als niedrigste Faktoreinstellung angefordert, was mathematisch (zur späteren Anpassung des Modells) gültig ist, physikalisch fehlt der Faktor (chemischer Hilfsstoff) jedoch in der Bedingung. Zuvor habe ich von Experten im Community-Forum erfahren, dass eher eine niedrige Faktoreinstellung statt Null bevorzugt werden sollte.
Wir haben nicht die Kapazität, ein Screening-Design und anschließend ein Optimierungsdesign durchzuführen. Deshalb beginnen wir mit RSM von vorne.
Ich hoffe, dass diese Informationen einen kleinen Einblick geben.
Vielen Dank
