Ich habe 30 DOE-Durchläufe. Sie sind nicht gut strukturiert und zwischen den einzelnen Faktorenpaaren bestehen hohe Korrelationen (|r|~0,75). Gibt es eine Möglichkeit, schnell die DOE-Gruppe mit den niedrigsten Korrelationen zu finden? Listen Sie beispielsweise die maximalen Korrelationen zwischen den Haupteffektfaktoren aus 1-30 DOE-Durchläufen auf, und ich kann die gewünschte Anzahl von DOE auswählen. Vielleicht wird mir das sagen, dass diese 16 DOEs von 30 DOEs die niedrigsten Korrelationen (~0) für Haupteffekte aufweisen.
Als nächstes möchte ich DOE erweitern, nachdem ich einige stark korrelierte DOE entfernt habe. Danke!
Hallo @Fruit325 ,
Wie unterscheidet sich dieser neue Beitrag von dem zuvor geposteten (und den Antworten von Phil und mir)?: Im Gegensatz zur Erweiterung des DOE, wie könnte ich schnell das DOE ermitteln, das ich entfernen muss, um die D-Effizienz des ruhenden DOE zu maximieren?
- Um Korrelationen zwischen Faktoren zu finden, können Sie die multivariate Plattform verwenden und die DoE-ID mit der Variable „by“ angeben, um die Korrelationen zwischen Faktoren für jeden DoE-Datensatz zu visualisieren.
- Um die interessantesten (nicht korrelierten) Läufe aus allen Ihren DoEs-Läufen in der globalen Datentabelle auszuwählen, können Sie ein benutzerdefiniertes Design verwenden und die Läufe als Kovariaten-Läufe nutzen und ein Design mit Alias-Optimalitätskriterium erstellen, das darauf abzielt , das Aliasing zwischen Effekten, die im angenommenen Modell enthalten sind, und Effekten, die nicht im Modell enthalten, aber potenziell aktiv sind, zu minimieren: Optimalitätskriterien (jmp.com)
- Wie von @Phil_Kay erwähnt, ist es möglicherweise sinnvoller, Designs zu erweitern, um die Korrelationen zwischen Faktoren zu verbessern und ein nützlicheres Modell und eine nützlichere Datensammlung zu erhalten, als Ihren Datensatz zu reduzieren. Wenn Sie Ihren Datensatz reduzieren, können Sie ihn auch mit erweitertem Design kombinieren, um die Schwächen des Designs mit nur Kovariatenläufen zu überwinden. Daher können beide Ansätze kombiniert werden und Läufe aus den ursprünglichen DoE-Sätzen, die nicht verwendet wurden, können als Validierungsläufe verwendet werden.
Ich hoffe, diese Optionen und Antworten sind für Sie sinnvoll.
Hallo @Victor_G ,
Vielen Dank! Aus Ihren vorherigen Antworten habe ich bereits gelernt, wie man eine Reihe von DOE mit D-optimalem Design auswählt, aber ich wusste damals nicht, was ein alias-optimales Design ist, und ich weiß nicht, ob es verwendet werden kann, um Korrelationsmaterial auszuwählen. Optimiert dies nur die Korrelationen zwischen Haupteffekten und Alias-Begriffen? Wie steht es mit den Korrelationen zwischen Haupteffekt-Begriffen wie X1 und X2? Kann JMP mir die Anzahl der DOE-Gruppen mit den niedrigsten Korrelationen nennen? Danke! Das hilft sehr!
Hallo @Fruit325 ,
Falls zwischen Ihren Faktoren eine Korrelation besteht, hilft die Verwendung optimaler Designs (D-, A- oder Alias-) mit den Kovariatenläufen aus Ihrem DoE dabei, die unterschiedlichsten und am wenigsten korrelierten Läufe auszuwählen.
Hier ist ein Beispiel mit 50 Datenpunkten, nur 2 Faktoren (zur Visualisierung und zum Verständnis) mit (hoher) Korrelation von 0,644 zwischen X1 und X2:
Sie können sehen, dass die ausgewählten roten Punkte einem Alias-Optimal-Custom-Design (dieselben Ergebnisse mit D-Optimal-Design) entsprechen und so ausgewählt wurden, dass sie möglichst „verteilt“ sind. Dies trägt dazu bei, die Korrelation zwischen X2 und X1 zu reduzieren und die Haupteffekte für X1 und X2 (trotz der Korrelation) präziser abzuschätzen.
In diesem Beispiel bewirkt die Wahl eines D- oder Alias-optimalen Designs keine Änderung in den ausgewählten Kovariatenläufen. Bei mehr Faktoren (wie es bei Ihren DoE-Datensätzen der Fall zu sein scheint) kann die Verwendung Alias-optimaler Designs jedoch verhindern, dass es zu Korrelationen zwischen Effekten in Ihrem Modell und potenziellen Effekten kommt, die nicht in Ihrem Modell enthalten sind (wie Wechselwirkungen, quadratische oder Effekte höherer Ordnung).
Ich möchte dennoch die Notwendigkeit betonen, Analysebedarf und Datenerfassungsstrategie zu trennen: Wenn Sie die Auswirkungen korrelierter Variablen auf Antworten analysieren möchten, können Sie entsprechende Modellierungsoptionen mit JMP ( Hauptkomponentenanalyse , Partial Least Squares ... ) oder JMP Pro verwenden (mithilfe bestrafter Regressionstechniken wie Lasso, Ridge, Elastic Net, unter der Plattform Generalized Regression Models (jmp.com) oder mit Machine Learning-Modellen, die korrelierte Variablen verarbeiten können, wie Bootstrap Forest ), ohne dass Sie Datenpunkte auswählen/filtern müssen.
In manchen Fällen ist es jedoch einfacher, Muster in einem kleinen Datensatz hoher Qualität zu erkennen als in einem großen Datensatz mittlerer Qualität.
Das Ausprobieren beider Optionen kann hilfreich sein, um zu ermitteln, ob die von diesen beiden Optionen gefundenen Muster ähnlich sind und ob sie sich gegenseitig ergänzen können.
Hoffe, diese Antwort wird Ihnen helfen,
