Assistenza con DoESto cercando di impostare un DoE nella mia organizzazione. Questa è la prima volta che utilizziamo questo approccio, c'è un paio di persone che guardano e voglio farlo bene per sottolineare il valore di DoE e JMP. Pertanto, spero che sia accettabile pubblicare questa domanda qui. Si allegano tabelle esemplificative.
Questa è la situazione. Abbiamo:
- 4 risposte continue:
- Resa_A
- Resa_B
- Impurità_A
- Impurità_B
- 4 fattori continui:
- Concentrazione dei reagenti
- Tempo di reazione
- Temperatura di reazione
- Rapporto reagente-reagente
- 2 covariate per la materia prima da utilizzare per i test, entrambe continue
- Concentrazione_composto_X
- Concentrazione_composto_Y
- Un fattore nominale a 2 livelli, che presumo possa essere interpretato sia come fattore di blocco che come covariata. Si sospetta che influenzi la risposta ed è direttamente collegato a Concentration_compound_X e Concentration_compound_Y tramite un ID batch:
Vogliamo creare un DoE per un modello considerando gli effetti principali, tutte le interazioni a 2 vie, le due covariate e ProcessType . Si noti ancora una volta che la materia prima utilizzata in questo esperimento può provenire da due processi diversi ( Tipo _1 e Tipo_2 ). Ogni lotto di materia prima ha il proprio set univoco di livelli Concentration_compound_X e Concentration_compound_Y che verranno utilizzati come covariate nella progettazione.
Ho problemi a capire come aggiungere al meglio le covariate e ProcessType al progetto . Non sono in grado di aggiungere ProcessType come variabile di blocco. Dopo l'indagine iniziale abbiamo deciso di optare per un design personalizzato. La mia comprensione viene meno dopo aver caricato le quattro risposte continue e i quattro fattori continui nel dialogo DoE. È qui che inizia la saga.
Caso 1 (aggiunta sia delle covariate che di ProcessType come covariate “facili da modificare”):
I fattori e le risposte sono già nella finestra di dialogo. Quindi, premo il pulsante "Seleziona fattori di covariata" e aggiungo le covariate come mostrato di seguito. La tabella delle covariate ha 900 righe e ciascuna riga rappresenta un singolo batch.
Lascio tutti i fattori con l'impostazione predefinita "Modifiche = Facile":
Dopo aver aggiunto le interazioni, il progetto termina con 900 esecuzioni.
Chiaramente, questo è un disegno fasullo. Nessuno eseguirà 900 corse, almeno non volontariamente.
Caso 2 (Aggiunta sia delle covariate che di ProcessType come covariate “difficili da modificare”)
In questo esempio, le covariate e ProcessType sono stati tutti aggiunti nuovamente con il ruolo "Covariate", ma la modifica del fattore è stata impostata su Hard. Questo crea un intero progetto di trama con 45 sequenze predefinite:
JMP consente all'utente di ridurre ulteriormente il numero di esecuzioni, il che è positivo. Tuttavia, non ci sono punti centrali nel disegno e non posso nemmeno aggiungere repliche...
Pensieri e domande:
- Il caso n. 2 è un progetto accettabile?
- Tra i due casi precedenti, il design sensato è ovviamente il caso n. 2, ma mi chiedo perché JMP non mi consenta di aggiungere punti centrali e/o repliche.
- L'impostazione delle modifiche dei fattori su Hard per le due covariate e ProcessType sembra realistica, poiché è possibile che la produzione venga bloccata con un singolo lotto di materia prima. Ma questa scelta è corretta? Possiamo scegliere quasi tutti i lotti che preferiamo per l'esperimento e l'unico motivo per cui il cambiamento dei fattori è stato impostato su un valore rigido è quello di evitare di generare un progetto da 900 esecuzioni.
- Sono un po' sorpreso dalle 900 esecuzioni generate nel caso n. 1. Sono indotto in errore nel credere che l'algoritmo di generazione del progetto debba scegliere un numero adeguato di lotti e di esecuzioni? Oppure è mia responsabilità come utente indicare a JMP il numero di esecuzioni che ritengo adatte, valutare il progetto e decidere se devo migliorarlo aggiungendo più batch dalla tabella delle covariate?
Grazie per l'illuminazione!
Progettazione di esperimentiRe: Assistenza con DoENon capisco abbastanza bene il processo o la situazione da poter fornire consigli specifici, ma ci sono alcune cose a cui pensare:
1. Stai cercando di scegliere un vincitore o sei interessato alla struttura causale che influenza le 4 variabili di risposta?
2. Conosci la variazione/capacità del sistema di misurazione per ciascuna delle 4 risposte?
3. Se sei interessato a comprendere la struttura causale e la robustezza delle concentrazioni di materiale in entrata, probabilmente consiglierei la sperimentazione sequenziale. Inizia con un ampio spazio di progettazione (molti fattori impostati a livelli audaci, ampio spazio di inferenza).
4. Qual è l'ordine di classificazione previsto degli effetti del modello (inclusi 1°, 2° ordine lineare e 2° ordine non lineare)?
5. Nello specifico per quanto riguarda le covariate. Se hai seguito questo percorso, creerai un modello misto (modello con effetti fissi e casuali). Potrei suggerirti di iniziare con il blocco (tipo di processo). Potresti provare a trattare questo blocco sia come effetto fisso che come effetto casuale. Sebbene sia ancora possibile misurare le concentrazioni e registrare tali valori per un'analisi successiva, non inizierei con le covariate nel modello. L'aggiunta di covariate può aumentare notevolmente il numero di DF "necessari". Hai pensato di studiare le concentrazioni dei materiali in ingresso tramite campionamento? Sapere quanto variano è utile per determinare quanto possono essere utili le covariate. Ricorda che stai inserendo 1 valore per ogni trattamento. Cosa succede se quel valore non è rappresentativo della concentrazione? Che dire degli ulteriori errori di misurazione? E l'effetto lag?
6. Progetta più opzioni, ad esempio:
- 4 fattori nel disegno res IV a mezza frazione eseguiti in due blocchi completi, 16 trattamenti
- 4 fattori eseguiti in 2 blocchi incompleti, res III, 8 trattamenti
- 4 fattori eseguiti in 2 blocchi incompleti res V, 16 trattamenti
- Fattoriale completo a 4 fattori in 2 blocchi completi, full res, 32 trattamenti
- Aggiungi più punti centrali a uno qualsiasi dei precedenti (un DF per testare la curvatura nello spazio di progettazione ed eventualmente per valutare la stabilità nello spazio di progettazione)
- Aggiungere ripetizioni a uno qualsiasi degli elementi precedenti (all'interno del rumore del trattamento, errori di misurazione)
Per ogni possibile progettazione, determinare cosa si può apprendere (qual è il modello, cosa è confuso, dimensione dello spazio di inferenza) e confrontarlo con le risorse richieste. Prevedi tutti i possibili risultati e cosa farai in ogni caso. Scegli un design che soddisfi i tuoi criteri e preparati a ripetere.
Re: Assistenza con DoE@statman , come sempre molto utile!
Alcuni vincoli:
- Abbiamo poco tempo e non abbiamo la competenza per confrontare le diverse opzioni di progettazione per quanto riguarda i loro punti di forza e di debolezza.
- Per quanto triste sia, sono la persona responsabile di questo sforzo. Ahimè, sono entrato in questo argomento con il mantra JMP "DoE è sempre meglio di OFAT" nella mia testa. I tuoi commenti mi fanno preoccupare e mi tolgono la fiducia dal cervello.
In risposta ai tuoi proiettili:
- In realtà, stiamo cercando di comprendere gli effetti individuali e le interazioni di quattro fattori continui sulla risposta. L'ottimizzazione è un vantaggio, ma da quanto ho capito, l'utilizzo di DoE è probabile che almeno una certa ottimizzazione sia fattibile quasi indipendentemente dai dettagli della scelta del progetto una volta scelta una categoria di progettazione principale (superficie personalizzata o di risposta).
- SÌ.
- Questo è un pensiero interessante. Per ora, però, vogliamo solo capire l’effetto dei fattori ed eventualmente ottimizzarli a breve termine. Siamo convinti che la variabilità della materia prima influenzi la risposta.
- Siamo molto fiduciosi che i fattori proposti abbiano tutti un effetto. Semplicemente non siamo sicuri di quanto sia grande in ciascun caso. La classifica non è del tutto chiara e abbiamo voluto approfondirla in modo agnostico, motivo per cui inizialmente abbiamo considerato un disegno di screening. Un progetto di screening JMP, tuttavia, non consente covariate o interazioni nella configurazione DoE, motivo per cui siamo passati alla soluzione "design personalizzato" del coltellino svizzero.
- Per quanto riguarda le covariate. Li vogliamo nella progettazione perché abbiamo solide ragioni per ritenere che ciò influenzerà alcune delle risposte.
- Non sarei in grado di trattare con sicurezza i blocchi sperimentali come effetti fissi e casuali (sono necessarie ulteriori letture. vedere "alcuni vincoli")
- Sì, abbiamo pensato a studiare le concentrazioni della materia prima in ingresso. Conosciamo infatti la sua composizione approssimativa. Se i valori non sono veramente rappresentativi, anche questa è un’informazione interessante perché scopre una fonte di variazione che può aggiungere rumore ai nostri dati DoE. Questo è uno dei motivi per cui vogliamo realizzarlo in modo economico e responsabile, in modo da poter in seguito incolpare la mancanza di una conoscenza accurata della composizione delle nostre materie prime per il rumore. Per raggiungere questo obiettivo abbiamo voluto includere le covariate.
- Non che non voglia farlo, ma oltre al limite di tempo rispetto alla lettura approfondita consigliata, venderlo e presentarlo come parte del processo decisionale verso il progetto sperimentale è una sfida. Non sono così bravo a recitare. Una vendita infinitamente più semplice sarebbe suggerire un DoE con vs senza covariate (molte vs poche esecuzioni).
Domande e altri pensieri (se posso):
Ove possibile, in riferimento diretto ai tuoi proiettili.
- A seguito dei tuoi commenti, non sono più convinto che ciò che avevo pianificato per il caso n. 2 sia affatto buono. Ora sto pensando alla "superficie di risposta" ma:
- ciò sembra anche impedire l'utilizzo delle covariate nel disegno (almeno in JMP).
- con quattro fattori continui il disegno minimo predefinito (Box-Behnken) prevede 27 esecuzioni (senza considerare le covariate come fattori a sé stanti)
6. Ora sono tentato di eseguire un progetto completamente personalizzato solo per uno dei due tipi di materia prima (che, ovviamente, ho etichettato in modo un po' stupido come ProcessType , poiché la loro differenza deriva dalle differenze nel processo di produzione).
Ciò consentirebbe l'inclusione delle covariate e la stima di tutte le interazioni a due vie in "solo" 22 esecuzioni. Ma ancora una volta, l'inclusione delle covariate non consente punti centrali...
Non considerando le covariate, saremmo in grado di stimare tutti gli effetti principali e le interazioni a due vie per un bx di materia prima in ancora meno esecuzioni, consentendo forse uno o due punti centrali per accogliere la curvatura. Questo è relativamente economico e potrebbe aiutare a riscaldare il management all’idea di ulteriori sperimentazioni una volta che hanno sviluppato un gusto per il profiler del design.
Probabilmente sarei in grado di venderlo, sostenendo che a.) abbiamo solo un budget limitato e b.) possiamo in seguito provare a replicare questi risultati con alcuni lotti di materie prime selezionate dal secondo ProcessType.
- La mia più grande preoccupazione: il morale. Dovremmo arrenderci e tornare all'OFAT!? Speriamo che questa sia la cosa peggiore che potremmo fare. In caso contrario, sono condannato.
Re: Assistenza con DoEMi dispiace, il mio consiglio suggerisce che dovresti davvero farti guidare da qualcuno con esperienza attraverso il processo di selezione del progetto. Questo se non vuoi perdere tempo e denaro. Sebbene la sperimentazione sia probabilmente sempre migliore dell’OFAT, il DOE richiede una pianificazione. Ricorda che il problema più grande con OFAT è lo spazio di inferenza. Mantenere costanti i fattori mentre ne manipoli uno ti consente di trarre conclusioni su quello che dipendono da dove sono impostati gli altri fattori. Se qualcuno di questi cambia in futuro, le tue conclusioni potrebbero non essere valide. Questo vale anche per il rumore.
Non mi farei prendere dalle covariate. Aggiungi semplicemente una colonna per ogni covariata a qualunque disegno tu scelga. Registrare un valore di ciascuna covariata per ciascun trattamento. L'analisi può essere eseguita successivamente per gestire le covariate.
NON PROVARE A OTTENERE TUTTO IN UN UNICO ESPERIMENTO.
Inizierei l'indagine con un RCBD (Randomized Complete Block Design). Eseguirei un fattoriale frazionario sui 4 fattori di progettazione. Res IV è un buon punto di partenza. Impostateli a livelli audaci, ma ragionevoli. Per il blocco, confondere le diverse concentrazioni sia per X che per Y. Per il primo blocco (-1), selezionare uno dei ProcessTypes e scegliere bassi livelli di concentrazione per X e Y (questo potrebbe richiedere alcuni campionamenti per ottenere una stima della concentrazione prima dell'esecuzione dell'esperimento). Per il secondo blocco (1), utilizzare l'altro ProcessType e impostare i livelli di concentrazione sul lato alto. Non mi preoccuperei ancora della curvatura. Esegui il primo blocco, analizza i dati. Cos'hai imparato? Esegui il secondo blocco, confronta i risultati del primo e del secondo blocco. Cos'hai imparato? Gli effetti riscontrati nel primo blocco erano gli stessi del secondo blocco? Oppure cambiano? Se i risultati sono simili tra i due blocchi, potresti dire che i 4 effetti del fattore di progettazione sono robusti alle concentrazioni in entrata, in caso contrario dovrai ripetere per creare un processo robusto.
Ri: Assistenza con DoEGrazie! Probabilmente sarò in grado di trasmettere con successo i punti principali di questo messaggio. E mi sento sollevato; niente OFAT.Re: Assistenza con DoE@statman , volevo ringraziarti di nuovo per i tuoi consigli. Abbiamo appena terminato il nostro primo DoE nella nostra azienda, osservando attentamente i tuoi consigli per tutto il tempo. Sebbene non abbiamo ricevuto alcun ulteriore contributo da esperti di statistica, è comunque andato molto bene. Così bene, in effetti, che penso che il management sarà ansioso di vedere questo approccio sperimentale applicato a diverse aree.
Re: Assistenza con DoEOttimo! Congratulazioni per il tuo primo (di molti) esperimenti. Spero che i risultati siano abbastanza incoraggianti da continuare. Ricorda questo punto molto importante: ogni volta che pianifichi e esegui un esperimento, ci sono due opportunità significative:
1. Cosa hai imparato sul "processo" che avvantaggia l'azienda E
2. Cosa hai imparato personalmente dalla sperimentazione?
Il secondo è un approccio a lungo termine, che potrebbe rivelarsi più prezioso.
