Tengo 30 ejecuciones de DOE. No están bien estructurados y existen altas correlaciones (|r|~0,75) entre cada par de factores. ¿Hay alguna manera de que podamos encontrar rápidamente el grupo de DOE que tiene las correlaciones más bajas? Por ejemplo, enumere las correlaciones máximas entre los principales factores de efecto de 1 a 30 ejecuciones de DOE y puedo elegir la cantidad de DOE que prefiero. Tal vez me diga que, de 30 DOE, estas 16 DOE tienen las correlaciones más bajas (~0) para los efectos principales.
Quiero aumentar el DOE a continuación después de eliminar algunos DOE altamente correlacionados. ¡Gracias!
Hola @Fruit325 ,
¿En qué se diferencia esta nueva publicación de la anterior (y las respuestas de Phil y yo)? : A diferencia de aumentar el DOE, ¿podría determinar rápidamente el DOE que necesito eliminar para maximizar la eficiencia D del DOE en reposo?
- Para encontrar correlaciones entre factores, puede utilizar la plataforma multivariante y especificar el ID del DoE con la variable "por" para visualizar las correlaciones entre factores para cada conjunto de datos del DoE.
- Para seleccionar las ejecuciones más interesantes (no correlacionadas) de todas sus ejecuciones DoE en la tabla de datos global, puede usar un diseño personalizado y usar las ejecuciones como ejecuciones de covariables, y crear un diseño con el criterio de optimización de alias, destinado a minimizar el alias entre efectos que están en el modelo supuesto y efectos que no están en el modelo pero que son potencialmente activos: Criterios de Optimidad (jmp.com)
- Como lo mencionó @Phil_Kay , podría ser más útil Aumentar diseños para mejorar las correlaciones entre factores y obtener un modelo y una recopilación de datos más útiles, en lugar de reducir su conjunto de datos. Si reduce su conjunto de datos, también puede combinarlo con un diseño aumentado para superar las debilidades del diseño con solo ejecuciones de covariables, de modo que ambos enfoques se puedan combinar y las ejecuciones de los conjuntos originales de DoE no utilizados se puedan usar como ejecuciones de validación.
Espero que estas opciones y respuestas tengan sentido para usted.
Hola @Victor_G ,
¡Muchas gracias! A partir de sus respuestas anteriores, ya aprendí cómo elegir una cantidad de DOE con diseño D-optima, pero no sabía qué era un alias de diseño óptimo en ese momento y no sé si se puede usar para detectar cosas de correlación. ¿Esto sólo optimiza las correlaciones entre los efectos principales y los términos de alias? ¿Qué pasa con las correlaciones entre los términos del efecto principal, como X1 y X2? ¿Es posible que JMP me diga el número de grupos DOE que tienen las correlaciones más bajas? ¡Gracias! ¡Esto ayuda mucho!
Hola @Fruit325 ,
En presencia de correlación entre sus factores, el uso de diseños óptimos (D-, A- o Alias-) con las ejecuciones de covariables de su DoE ayudará a seleccionar las ejecuciones más disímiles y no correlacionadas.
A continuación se muestra un ejemplo con 50 puntos de datos, solo 2 factores (para fines de visualización y comprensión) con una correlación (alta) de 0,644 entre X1 y X2:
Se puede ver que los puntos rojos seleccionados corresponden a un diseño personalizado Alias-Optimal (los mismos resultados con el diseño D-Optimal), y se eligen para que sean los más "dispersos", lo que ayuda a reducir la correlación entre X2 y X1 y estimar con mayor precisión los efectos principales para X1 y X2 (a pesar de la correlación).
En este ejemplo, la elección de un diseño D o Alias-óptimo no produce ningún cambio en las ejecuciones de covariables seleccionadas, pero con más factores (como parece ser el caso con sus conjuntos de datos DoE), el uso de diseños Alias-Óptimos puede evitar tener correlaciones entre efectos en su modelo y efectos potenciales que no están en su modelo (como interacciones, efectos cuadráticos o de orden superior).
Todavía me gustaría enfatizar la necesidad de separar las necesidades de análisis y la estrategia de recolección de datos: si desea analizar el impacto de las variables correlacionadas en las respuestas, puede utilizar las opciones de modelado adecuadas con JMP ( Análisis de Componentes Principales , Mínimos Cuadrados Parciales ... ) o JMP Pro (usando técnicas de regresión penalizadas como Lasso, Ridge, Elastic Net, bajo la plataforma Generalized Regression Models (jmp.com) , o usando modelos de Machine Learning capaces de manejar variables correlacionadas como Bootstrap Forest ), sin la necesidad de seleccionar/filtrar puntos de datos.
Sin embargo, en algunos casos es más fácil detectar patrones en un conjunto de datos pequeño y de alta calidad que en un conjunto de datos grande y de calidad media.
Probar ambas opciones puede ser útil para determinar si los patrones encontrados por estas dos opciones son similares y si pueden ser complementarios entre sí.
Espero que esta respuesta te ayude.
