Buenos dias,
Creo un DOE que contiene 2 respuestas (A y 
y 2 factores (C y D). Los dos factores son concentraciones de, digamos, 5 a 9 para C y 10 a 25 para D. Me gustaría crear un plan con restricciones sobre los factores, el hecho de que la relación D/C debe ser igual o mayor que 4. ¿Cómo debería darme cuenta de esto? Además, ¿qué tipos de factores debo codificar? ¿Continuo o discreto? Estoy un poco perdido.
Hola @SeanCor ,
¡Bienvenido a la comunidad JMP!
Para comprender mejor cómo gestionar las restricciones en la creación de DoE con JMP, recomiendo leer el artículo del blog de @Jed_Campbell : Desmitificando las restricciones de los factores - Comunidad de usuarios de JMP
Respecto a tus dudas, algunas respuestas, preguntas y comentarios:
- Si las concentraciones de los factores C y D pueden variar continuamente, lo más probable es que sean factores continuos. Los factores de tipo “discreto” sólo pueden tomar unos pocos valores ordenados definidos en todo el rango posible. Más información sobre los tipos de factores aquí: Factores (jmp.com)
- ¿Cuál es tu objetivo con este plan? ¿Estudiar cuantitativamente los efectos de estos dos factores? ¿Tiene un modelo predictivo? ¿Quieres analizar posibles interacciones o efectos cuadráticos de estos factores? Estas preguntas son sólo un punto de partida, pero le permitirán comprender mejor qué tipo de plan es el más adecuado y tomar buenas decisiones sobre la construcción y análisis del plan.
- Concernant votre contrainte relationnel entre C et D, vous pouvez l'ajouter dans plusieurs plateformes de construction de plan. J'ai pris l'exemple ici avec la plateforme Custom Design :
- Ingrese sus respuestas, factores y rangos:
- Dans la partie "Define Factor Constraints", cliquer sur "Specify Linear Constraints". Comme vous souhaitez que le ratio D/C soit supérieur ou égal à 4, une remise en forme de cette équation donne :
4 * :C + -1 * :D</img> <= 0
Vous pouvez donc entrer cette contrainte dans la partie dédiée :
- Defina el tipo de efectos que desea estimar utilizando su plan. En el ejemplo aquí, agregué la interacción entre C y D, los efectos principales de C y D, así como la intercepción, se ingresan de forma predeterminada:
- Luego puedes definir una cantidad de réplicas, puntos centrales, y también tienes cierta flexibilidad en la cantidad de ejecuciones a realizar, luego puedes comenzar a generar el plan “Make Design”. En este ejemplo, elegí 3 puntos centrales para poder evaluar si es posible que exista un efecto cuadrático y verificar el ajuste del modelo con una prueba de falta de ajuste, para un número recomendado de ejecuciones igual a 12:
Tenga en cuenta que debido a esta restricción relacional, sus factores C y D ya no son independientes. Estimar los efectos individuales de cada uno puede resultar más difícil.
Es importante distinguir claramente si esta restricción relacional es físicamente necesaria para realizar los experimentos (en cuyo caso debe tenerse en cuenta en el plan para evitar generar experimentos físicamente imposibles de realizar o peligrosos), o si es una restricción "preferencial", donde crees que tienes buenos resultados. En el segundo caso, es mejor eliminar esta restricción para evitar cualquier sesgo al principio y tener la visión más neutral y completa posible de su espacio experimental. Para comprender dónde, cómo y por qué se obtienen resultados positivos en su espacio experimental, también es necesario tener resultados negativos.
Finalmente, también surge la pregunta de si las concentraciones individuales de sus factores constituyen la información de interés, o si es más bien la proporción lo que parece ser de interés. En el segundo caso, se podrían combinar los factores C y D en un factor (ratio), que se haría evolucionar en un cierto rango y que no requeriría un diseño de experimentos.
Aquí está el script utilizado para generar el diseño experimental restringido mencionado aquí:
DOE(
Custom Design,
{Add Response( Maximize, "A", ., ., . ), Add Response( Maximize, "B", ., ., . ),
Add Factor( Continuous, 5, 9, "C", 0 ), Add Factor( Continuous, 10, 25, "D", 0 ),
Set Random Seed( 1047040825 ), Number of Starts( 55959 ),
Add Constraint( [4 -1 0] ), Add Term( {1, 0} ), Add Term( {1, 1} ),
Add Term( {2, 1} ), Add Term( {1, 1}, {2, 1} ), Center Points( 3 ),
Set Sample Size( 12 ), Optimality Criterion( "Make A-Optimal Design" ),
"A-Optimality Parameter Weights"n( [1 1 1 1] ), Simulate Responses( 0 ),
Save X Matrix( 0 ), Make Design, Set Run Order( Randomize ), Make Table}
);
También encontrarás en PJ el plan generado para ilustrar esta respuesta (con adición en la tabla de una columna D/C calculada para que puedas comprobar que todos los experimentos generados por este método respetan tu restricción).
Espero que esta respuesta te ayude,
Hola @SeanCor ,
En cuanto a los valores de los factores muy precisos, esto es una consecuencia del algoritmo utilizado para crear el plan óptimo. Vea las respuestas sobre este tema:
Resuelto: Re: ¿Cómo se generan las configuraciones de factor impar en D-optimal RSM? - Comunidad de usuarios de JMP
Resuelto: Re: Se incorporan decimales aleatorios en el diseño de cribado de mezclas - Comunidad de usuarios de JMP
En cuanto a la restricción de la relación, esta última es muy exigente: si se toman los valores extremos de D y C (max para D, min para C), se llega a una relación máxima igual a 25/5 = 5. Así es Es normal encontrar razones entre 4 y 5. ¿Se puede modificar esta restricción de razón o ampliar los rangos de los factores (valores más bajos para C, valores más grandes para D)?
En cuanto a su objetivo de predicción, un plan de tipo Space-Filling es quizás más apropiado, porque le permite distribuir los puntos en su espacio experimental y permite una gran flexibilidad en el modelado (en particular con algoritmos de Machine Learning) y la cantidad de puntos requeridos ( no hay mínimo, pero debes elegir un número razonable de puntos).
Puedes construirlo en la plataforma Space-Filling disponible en "DoE", "Special Purpose", "Space-Filling":
Encontrarás en PJ un ejemplo de un plan de llenado de espacio construido con 20 experimentos con tus factores, respuestas y la restricción de proporción.
Una comparación de la distribución de puntos en el espacio experimental según el tipo de plan elegido:
Esperando que esta respuesta adicional te ayude,
Buenos dias,
Muchas gracias por esta respuesta que me ayuda mucho. De hecho, se trata de la creación de un modelo con el objetivo de predecir el resultado a partir del insumo para ofrecer paquetes, es decir, diferentes posibilidades según los deseos. Supongamos que A es un rendimiento por concentración y B es un porcentaje. Me gustaría predecir las respuestas A y B en función de las diferentes concentraciones de los factores C y D. Sin embargo, al realizar el modelo tal como usted me lo describe, se obtienen concentraciones de punto decimal muy precisas que son difíciles de lograr en la práctica. Además la restricción requiere que la razón sea igual o mayor a 4 y solo tenemos razones que van de 4 a 4.91, no más, ¿es esto normal?
Os agradezco
