750186_es-ES

liliconcom

Asistencia con el Departamento de Energía

Estoy intentando configurar un DoE en mi organización. Esta es la primera vez que utilizamos este enfoque, hay un par de personas mirando y quiero hacerlo bien para subrayar el valor de DoE y JMP. Por lo tanto, espero que sea aceptable publicar esta pregunta aquí. Se adjuntan tablas de ejemplo.

Ésta es la situación. Tenemos:

• 4 respuestas continuas:
  • Rendimiento_A
  • Rendimiento_B
  • Impureza_A
  • Impureza_B
• 4 factores continuos:
  • Concentración de reactivo
  • Tiempo de reacción
  • Temperatura de reacción
  • Relación reactivo a reactivo
• 2 covariables para la materia prima que se utilizará para las pruebas, ambas continuas
  • Concentración_compuesto_X
  • Concentración_compund_Y
• Un factor nominal de 2 niveles, que supongo que puede interpretarse como factor de bloqueo y covariable. Se sospecha que influye en la respuesta y está directamente vinculado a Concentration_compound_X y Concentration_compound_Y a través de un ID de lote:
  • Tipo de proceso

Queremos crear un DoE para un modelo que considere los efectos principales, todas las interacciones bidireccionales, las dos covariables y el ProcessType . Tenga en cuenta nuevamente que la materia prima utilizada en este experimento puede provenir de dos procesos diferentes ( Tipo _1 y Tipo_2 ). Cada lote de materia prima tiene su conjunto único de niveles de Concentration_compound_X y Concentration_compound_Y que se utilizarán como covariables en el diseño.

Tengo problemas para entender cómo agregar mejor las covariables y ProcessType al diseño . No puedo agregar ProcessType como variable de bloqueo. Después de una investigación inicial decidimos optar por un diseño personalizado. Me falla la comprensión después de haber cargado las cuatro respuestas continuas y los cuatro factores continuos en el diálogo del DoE. Aquí es donde comienza la saga.

Caso 1 (Agregar covariables y Tipo de proceso como covariables "fáciles de cambiar"):

Los factores y las respuestas ya están en la ventana de diálogo. Luego, presiono el botón "Seleccionar factores de covariables" y agrego las covariables como se muestra a continuación. La tabla de covariables tiene 900 filas y cada fila representa un lote individual.

Dejo todos los factores en la configuración predeterminada “Cambios = Fácil”:

Después de agregar las interacciones, el diseño termina con 900 ejecuciones.

Es evidente que se trata de un diseño falso. Nadie realizará 900 carreras, al menos no de forma voluntaria.

Caso 2 (Agregar covariables y Tipo de proceso como covariables "difíciles de cambiar")

En este ejemplo, las covariables y el tipo de proceso se agregaron nuevamente con el rol "Covariable", pero el cambio de factor se configuró como difícil. Esto crea un diseño de trama completo con 45 ejecuciones predeterminadas:

JMP permite al usuario reducir aún más el número de ejecuciones, lo cual es bueno. Sin embargo, no hay puntos centrales en el diseño y tampoco puedo agregar réplicas...

Pensamientos y preguntas:

• ¿Es el caso n.° 2 un diseño aceptable?
• Entre los dos casos anteriores, el diseño sensato obviamente es el caso n.° 2, pero me pregunto por qué JMP no me permite agregar puntos centrales y/o réplicas.
• Configurar los cambios de factor como estrictos para las dos covariables y ProcessType parece realista, ya que es posible que la fabricación se quede estancada con un solo lote de materia prima. ¿Pero es correcta esta elección? Podemos elegir casi cualquier lote que queramos para el experimento y la única razón por la que el cambio de factor se configuró en difícil es evitar generar un diseño de 900 ejecuciones.
• Estoy un poco sorprendido con las 900 ejecuciones generadas en el caso n.° 1. ¿Me engañan al creer que el algoritmo de generación de diseño debe elegir una cantidad adecuada de lotes y ejecuciones? ¿O es mi responsabilidad como usuario decirle a JMP la cantidad de ejecuciones que considero adecuadas, evaluar el diseño y decidir si necesito mejorarlo agregando más lotes de la tabla de covariables?

¡Gracias por la iluminación!

Diseño de experimentosRe: Asistencia con el Departamento de Energía

No entiendo el proceso o la situación lo suficientemente bien como para dar consejos específicos, pero hay algunas cosas en las que pensar:

1. ¿Estás intentando elegir un ganador o estás interesado en la estructura causal que afecta las 4 variables de respuesta?

2. ¿Tiene conocimiento de la variación/capacidad del sistema de medición para cada una de las 4 respuestas?

3. Si está interesado en comprender la estructura causal y la solidez de las concentraciones de material entrante, probablemente recomendaría la experimentación secuencial. Comience con un espacio de diseño grande (muchos factores establecidos en niveles en negrita, espacio de inferencia grande).

4. ¿Cuál es el orden de clasificación previsto de los efectos del modelo (incluidos los lineales de 1.º, 2.º orden y los no lineales de 2.º orden)?

5. Específicamente en cuanto a covariables. Si siguió esta ruta, creará un modelo mixto (modelo de efectos fijos y aleatorios). Podría sugerirle que comience con el bloque (tipo de proceso). Podría intentar tratar este bloque como un efecto fijo y un efecto aleatorio. Si bien aún se pueden medir las concentraciones y registrar esos valores para análisis posteriores, yo no comenzaría con covariables en el modelo. Agregar covariables puede aumentar en gran medida la cantidad de DF que "necesita". ¿Ha pensado en estudiar las concentraciones de materiales entrantes con muestreo? Saber cuánto varían es útil para determinar qué tan útiles pueden ser las covariables. Recuerda que estás poniendo 1 valor por cada tratamiento. ¿Qué pasa si ese valor no es representativo de la concentración? ¿Qué pasa con los errores de medición adicionales? ¿Qué pasa con el efecto de retraso?

6. Diseñe múltiples opciones, por ejemplo:

• Diseño de 4 factores en media fracción res IV corrido en dos bloques completos, 16 tratamientos.
• 4 factores ejecutados en 2 bloques incompletos, res III, 8 tratamientos
• 4 factores ejecutados en 2 bloques incompletos res V, 16 tratamientos
• 4 factores factorial completo en 2 bloques completos, resolución completa, 32 tratamientos
• Agregue múltiples puntos centrales a cualquiera de los anteriores (un DF para probar la curvatura en el espacio de diseño y posiblemente para evaluar la estabilidad sobre el espacio de diseño)
• Agregue repeticiones a cualquiera de los anteriores (dentro del ruido del tratamiento, errores de medición)

Para cada diseño posible, determine qué se puede aprender (cuál es el modelo, qué se confunde, tamaño del espacio de inferencia) y compárelo con los recursos necesarios. Predice todos los resultados posibles y lo que harás en cada caso. Elija un diseño que cumpla con sus criterios y prepárese para iterarlo.

Re: Asistencia con el Departamento de Energía

@statman , como siempre muy útil!

Algunas limitaciones:

• Estamos presionados por el tiempo y carecemos de competencia para comparar las diferentes opciones de diseño en cuanto a sus fortalezas y debilidades.
• Por muy triste que sea, soy la persona responsable de este esfuerzo. Por desgracia, entré en esto con el mantra de JMP "DoE siempre es mejor que OFAT" en mi cabeza. Tus comentarios me preocupan y me quitan la confianza del cerebro.

En respuesta a tus balas:

1. En realidad, estamos tratando de comprender los efectos individuales y las interacciones de cuatro factores continuos en la respuesta. La optimización es una ventaja, pero entiendo que usar DoE al menos cierta optimización probablemente sea factible casi independientemente de los detalles de la elección de diseño una vez que se haya elegido una categoría de diseño principal (superficie personalizada versus superficie de respuesta).
2. Sí.
3. Ése es un pensamiento interesante. Por ahora, sin embargo, sólo queremos entender el efecto de los factores y posiblemente optimizarlos a corto plazo. Estamos convencidos de que la variabilidad de la materia prima influye en la respuesta.
4. Estamos muy seguros de que todos los factores propuestos tienen un efecto. Simplemente no estamos seguros de qué tan grande es en cada caso. La clasificación no está del todo clara y queríamos abordar esto de forma agnóstica, por lo que inicialmente consideramos un diseño de cribado. Sin embargo, un diseño de detección JMP no permite covariables o interacciones en la configuración del DoE, por lo que pasamos a la solución de "diseño personalizado" de la navaja suiza.
5. Respecto a las covariables. Los queremos en el diseño porque tenemos motivos firmes para suponer que esto afectará algunas de las respuestas.
   1. No podría tratar con seguridad los bloques experimentales como efectos fijos y aleatorios (se requiere más lectura. Consulte "algunas limitaciones")
   2. Sí, hemos pensado en estudiar las concentraciones de la materia prima entrante. De hecho, conocemos su composición aproximada. Si los valores no son verdaderamente representativos, esta también es información interesante porque descubre una fuente de variación que puede agregar ruido a nuestros datos del DoE. Esta es una de las razones por las que queremos configurarlo de forma económica y responsable, para poder achacar el ruido a la falta de conocimiento preciso de la composición de nuestra materia prima en el futuro. Para lograr esto quisimos incluir las covariables.
6. No es que no quiera hacer esto, pero además de la limitación de tiempo frente a la lectura en profundidad que se recomienda, vender esto y presentarlo como parte del proceso de decisión hacia el diseño experimental es un desafío. No soy tan bueno actuando. Una venta infinitamente más fácil sería sugerir un DoE con o sin covariables (muchas o pocas ejecuciones).

Preguntas y más pensamientos (si se me permite):

Siempre que sea posible, en referencia directa a sus balas.

1. Después de sus comentarios, ya no estoy convencido de que lo que había planeado para el caso número 2 sea bueno en absoluto. Ahora estoy pensando en "superficie de respuesta" pero:
   1. Esto también parece impedir que se utilicen covariables en el diseño (al menos en JMP).
   2. con cuatro factores continuos, el diseño mínimo predeterminado (Box-Behnken) tiene 27 ejecuciones (sin considerar las covariables como factores por derecho propio)

6. Ahora me siento tentado a ejecutar un diseño personalizado completo solo para uno de los dos tipos de materia prima (que, por supuesto, había etiquetado de manera un tanto estúpida como ProcessType , ya que su diferencia surge de diferencias en el proceso de fabricación).
Esto permitiría la inclusión de las covariables y la estimación de todas las interacciones bidireccionales en "sólo" 22 ejecuciones. Pero, de nuevo, la inclusión de covariables no permite puntos centrales...
Sin considerar las covariables, podríamos estimar todos los efectos principales y las interacciones bidireccionales para una materia prima bx en incluso menos ejecuciones, permitiendo quizás uno o dos puntos centrales para acomodar la curvatura. Esto es comparativamente barato y podría ayudar a que la gerencia se familiarice con la idea de seguir experimentando una vez que hayan desarrollado el gusto por el generador de perfiles de diseño.
Probablemente podría vender esto, argumentando que a.) solo tenemos un presupuesto limitado y b.) más adelante podemos intentar replicar estos resultados con algunos lotes seleccionados de materia prima del segundo tipo de proceso.

• Mi mayor preocupación: la moral. ¿Deberíamos rendirnos y volver a OFAT? Con suerte, esto es lo peor que podemos hacer. Si no, estoy condenado.

Re: Asistencia con el Departamento de Energía

Lo siento, mi consejo sugiere que deberías contratar a alguien con experiencia para que te guíe a través del proceso de selección del diseño. Eso si no quieres perder tiempo y dinero. Si bien es probable que la experimentación siempre sea mejor que la OFAT, el DOE requiere planificación. Recuerde que el mayor problema con OFAT es el espacio de inferencia. Mantener los factores constantes mientras manipula uno le permite sacar conclusiones sobre ese que dependen de dónde se establecen los demás factores. Si alguno de ellos cambia en el futuro, sus conclusiones pueden no ser válidas. Esto también se aplica al ruido.

No me dejaría atrapar por las covariables. Simplemente agregue una columna para cada covariable al diseño que elija. Registre un valor de cada covariable para cada tratamiento. El análisis se puede realizar posteriormente para manejar las covariables.

NO INTENTE OBTENER TODO EN UN SOLO EXPERIMENTO.

Yo comenzaría la investigación con un RCBD (Diseño de bloques completos aleatorios). Ejecutaría un factorial fraccionario con los 4 factores de diseño. Res IV es un buen lugar para comenzar. Póngalos en niveles audaces pero razonables. Para el bloque, confunda las diferentes concentraciones para X e Y. Para el primer bloque (-1), seleccione uno de los tipos de proceso y elija niveles bajos de concentración para X e Y (esto puede requerir algo de muestreo para obtener una estimación de la concentración). antes de ejecutar el experimento). Para el segundo bloque (1), utilice el otro tipo de proceso y establezca los niveles de concentración en el lado alto. No me preocuparía todavía por la curvatura. Ejecute el primer bloque, analice los datos. ¿Qué aprendiste? Ejecute el segundo bloque, compare los resultados del primer y segundo bloque. ¿Qué aprendiste? ¿Los efectos encontrados en el primer bloque fueron los mismos que en el segundo bloque? ¿O cambian? Si sus resultados son similares entre ambos bloques, podría decir que los efectos de los 4 factores de diseño son sólidos para las concentraciones entrantes; de lo contrario, tendrá que iterar para crear un proceso sólido.

Re: Asistencia con el Departamento de Energía¡Gracias! Probablemente podré transmitir con éxito los puntos principales de este mensaje. Y me siento aliviado; sin OFAT.Re: Asistencia con el Departamento de Energía

@statman , quería agradecerte nuevamente por tu consejo. Ya hemos finalizado nuestro primer DoE en nuestra empresa, y hemos seguido de cerca tus recomendaciones. Si bien no recibimos ningún aporte adicional de expertos en estadística, todo salió muy bien. Tan bien, de hecho, que creo que la gerencia estará ansiosa por ver este enfoque experimental aplicado a diferentes áreas.

Re: Asistencia con el Departamento de Energía

¡Genial! Felicitaciones por tu primer (de muchos) experimento. Esperemos que los resultados sean lo suficientemente alentadores como para continuar. Recuerda este punto muy importante: cada vez que planificas y ejecutas un experimento hay dos oportunidades importantes:

1. ¿Qué aprendiste sobre el "proceso" que beneficia a la empresa Y

2. ¿Qué aprendiste tú mismo sobre la experimentación?

El segundo es pensar a largo plazo y puede ser más valioso.