¿Por qué no es una buena idea establecer el factor continuo en cero para RSM?Estimados expertos del JMP:
Con bastante frecuencia me ocurre que se solicitan configuraciones de factores continuos que incluyen un cero para la configuración de factor más baja (0, 1, 2) para optimizaciones de formulaciones biotecnológicas líquidas. Estas solicitudes generalmente provienen de personas que están acostumbradas a configurar experimentos con OFAT y no es intuitivo para ellos entender que establecer el factor en cero significa técnicamente tener una configuración de factor categórico.
¿Existe un porqué mejor y más práctico para explicar esto?
Muchas gracias por adelantado
Exploración y visualización de datosDiseño de experimentosRe: ¿Por qué no es una buena idea establecer el factor continuo en cero para RSM?Hola @DualARIMACougar ,
Probablemente no haya una respuesta definitiva a su pregunta, pero aquí hay algunos comentarios:
- DoE es más eficiente cuando se basa en iteraciones secuenciales, cuando se comienza por seleccionar efectos principales importantes (con un diseño de detección) y luego se aumenta en los factores importantes para explorar un poco más los efectos de orden superior (interacciones, efectos cuadráticos). para finalmente crear un diseño de optimización en un espacio experimental más estrecho, con un enfoque en la predictibilidad y la optimización de procesos/productos.
Dependiendo de cómo haya llevado a cabo sus primeros pasos/diseños y si/cómo haya reducido o ampliado su espacio experimental de interés, el nivel 0 puede estar ausente de los niveles de factores de su RSM, ya que los factores se consideran no significativos en pasos anteriores. Es posible que ya se hayan filtrado y que otros factores importantes puedan tener un rango de interés que no incluya 0 para alcanzar un óptimo. Sin embargo, tener un nivel 0 en los pasos/diseños iniciales (detección) puede ser muy interesante, ya que permite eliminar rápidamente factores no importantes/significativos de su sistema, ya que seguramente resaltará fuertes diferencias entre la presencia y ausencia del factor.
Entonces, dependiendo de si está haciendo la optimización directamente sin diseños/pasos previos (porque tiene un número limitado de factores, por lo que puede incluir el nivel 0 para detectar efectos importantes y "mapear" el espacio experimental para realizar la optimización) o confiar en experimentos secuenciales, Es posible que al final tenga diferentes rangos y opciones de diseño/aumento.
- Si está hablando de optimización de formulaciones, es posible que esté utilizando experimentos de mezclas. La estructura de los diseños de mezclas basados en modelos es muy "lógica" si no tiene restricciones específicas en su espacio o factores experimentales, ya que creará experimentos con un factor, luego mezclas binarias, luego mezclas ternarias, etc... dependiendo de la complejidad de su modelo asumido. Por lo tanto, terminará (sin restricciones mínimas en los factores) con experimentos que tengan el nivel 0 para sus factores de mezcla. Vea los diferentes tipos de diseños y combinaciones: Descripción general de diseños de mezclas ; Ejemplos de tipos de diseño de mezclas
- La definición del problema (objetivo, factores y tipos, niveles, respuestas, modelo, etc...) en DoE es la parte más importante y en la que la experiencia en el dominio juega un papel vital. Sin conocer su caso de uso, no puedo evaluar si incluir el nivel 0 es interesante o no. Es parte del objetivo que está tratando de resolver, así como cualquier restricción/consideración práctica sobre el uso y manejo de sus factores. Sin embargo, sea "audaz" en los rangos de factores, es más frecuente que un DoE no proporcione resultados debido a rangos de factores demasiado estrechos que a rangos de factores demasiado amplios. Siempre puedes reducir el espacio experimental en un aumento de diseño para centrarte en el área de interés.
Si está tratando de convencer a sus colegas de que DoE es más eficaz que OFAT, intente encontrar un estudio en el que hayan realizado OFAT, cree un DoE para el mismo tema con los mismos factores y utilice la plataforma Comparar diseños para resaltar las ganancias: número reducido de experimentos requeridos, mejor potencia (por lo tanto, mejor evidencia sobre la importancia de los factores), variación de predicción reducida en el espacio experimental, mejor manejo de correlaciones/alias entre efectos, ....
Espero que estos comentarios puedan ayudarte,
Re: ¿Por qué no es una buena idea establecer el factor continuo en cero para RSM?Hola Víctor,
gracias por tu respuesta. Queremos medir el efecto de la variación de los factores en el curso de un estudio de robustez utilizando tres configuraciones de factores para cada factor con la condición original en el medio. Para un factor, se solicitó 0 como valor de factor más bajo, lo cual es matemático (para ajustar el modelo más adelante) válido, pero físicamente el factor (excipiente químico) está ausente en la condición. Anteriormente aprendí de expertos en el foro de la comunidad que se debería preferir una configuración de factor bajo en lugar de cero.
No tenemos la capacidad de ejecutar un diseño de detección y luego un diseño de optimización. Por eso empezamos desde el principio con RSM.
Espero que esta información dé una idea.
Muchas gracias
