Ho 30 esecuzioni di DOE. Non sono ben strutturati ed esistono correlazioni elevate (|r|~0,75) tra ciascuna coppia di fattori. Esiste un modo per trovare rapidamente il gruppo di DOE che presenta le correlazioni più basse? Ad esempio, elenca le correlazioni massime tra i fattori dell'effetto principale da 1 a 30 esecuzioni di DOE e posso scegliere il numero di DOE che preferisco. Forse mi dirà che, su 30 DOE, questi 16 DOE hanno le correlazioni più basse (~ 0) per gli effetti principali.
Voglio aumentare il DOE dopo aver rimosso alcuni DOE altamente correlati. Grazie!
Ciao @Fruit325 ,
In che modo questo nuovo post è diverso da quello pubblicato in precedenza (e dalle risposte di me e Phil)? : Invece di aumentare il DOE, potrei determinare rapidamente il DOE che devo rimuovere per massimizzare l'efficienza D del DOE a riposo?
- Per trovare correlazioni tra fattori, è possibile utilizzare la piattaforma multivariata e specificare l'ID DoE con la variabile "by" per visualizzare le correlazioni tra fattori per ciascun set di dati DoE.
- Per selezionare le esecuzioni più interessanti (non correlate) da tutte le esecuzioni DoE nella tabella dati globale, è possibile utilizzare la progettazione personalizzata e utilizzare le esecuzioni come esecuzioni covariate e creare un progetto con criterio di ottimalità dell'alias, volto a ridurre al minimo l' aliasing tra effetti che sono nel modello ipotizzato ed effetti che non sono nel modello ma sono potenzialmente attivi: Criteri di Ottimalità (jmp.com)
- Come menzionato da @Phil_Kay , potrebbe essere più utile Augment Designs migliorare le correlazioni tra fattori e ottenere un modello e una raccolta dati più utili, invece di ridurre il set di dati. Se riduci il tuo set di dati, puoi anche combinarlo con la progettazione aumentata per superare i punti deboli della progettazione con solo esecuzioni covariate, in modo che entrambi gli approcci possano essere combinati e le esecuzioni dei set originali di DoE non utilizzati possano essere utilizzate come esecuzioni di convalida.
Spero che queste opzioni e la risposta abbiano senso per te,
Ciao @Victor_G ,
Molte grazie! Dalle tue risposte precedenti ho già imparato come scegliere un numero di DOE con il design D-optima, ma non sapevo quale fosse il design ottimale dell'alias in quel momento e non so che possa essere utilizzato per raccogliere elementi di correlazione. Questo ottimizza solo le correlazioni tra gli effetti principali e i termini alias? Che ne dici delle correlazioni tra i termini dell'effetto principale, come X1 e X2? È possibile che JMP mi dica il numero del gruppo DOE che ha le correlazioni più basse? Grazie! Aiuta molto!
Ciao @Fruit325 ,
In presenza di correlazione tra i tuoi fattori, l'uso di progetti ottimali (D-, A- o Alias-) con le esecuzioni delle covariate del tuo DoE ti aiuterà a selezionare le esecuzioni più dissimili e non correlate.
Ecco un esempio con 50 punti dati, solo 2 fattori (a scopo di visualizzazione e comprensione) con (alta) correlazione di 0,644 tra X1 e X2:
È possibile notare che i punti rossi selezionati corrispondono a un design personalizzato Alias-Optimal (stessi risultati con il design D-Optimal) e sono stati scelti per essere i più "diffusi", contribuendo a ridurre la correlazione tra X2 e X1 e a stimare con maggiore precisione gli effetti principali per X1 e X2 (nonostante la correlazione).
In questo esempio, la scelta di un design D- o Alias-ottimale non apporta alcuna modifica alle esecuzioni delle covariate selezionate, ma con più fattori (come sembra essere il caso dei set di dati DoE), l'utilizzo di design Alias-ottimali può impedire di avere correlazioni tra gli effetti nel modello e potenziali effetti non presenti nel modello (come interazioni, effetti quadratici o di ordine superiore).
Vorrei comunque sottolineare la necessità di separare le esigenze di analisi dalla strategia di raccolta dati: se si desidera analizzare l'impatto delle variabili correlate sulle risposte, è possibile utilizzare opzioni di modellazione appropriate con JMP ( Analisi delle componenti principali , Minimi quadrati parziali... ) o JMP Pro (utilizzando tecniche di regressione penalizzata come Lasso, Ridge, Elastic Net, sulla piattaforma Generalized Regression Models (jmp.com) , oppure utilizzando modelli di Machine Learning in grado di gestire variabili correlate come Bootstrap Forest ), senza la necessità di selezionare/filtrare i punti dati.
Tuttavia, in alcuni casi è più facile individuare degli schemi in un set di dati di piccole dimensioni ma di alta qualità che in un set di dati di grandi dimensioni ma di qualità media.
Provare entrambe le opzioni può essere utile per determinare se i modelli individuati sono simili e se possono essere complementari tra loro.
Spero che questa risposta ti aiuti,
