Interpretazione del DSD e passaggi successiviBuongiorno, attualmente sto imparando JMP e DSD/ottimizzazione. Ho eseguito il mio primo esperimento e vorrei feedback sull'analisi e sui passaggi successivi. Sto usando JMP Pro 17.
L'obiettivo dell'esperimento: massimizzare la cattura/recupero dei batteri nelle particelle magnetiche.
La configurazione: ho selezionato le 7 variabili che pensavo potessero influenzare il risultato e le ho testate utilizzando 22 esecuzioni (2 blocchi: mi ci vogliono 2 giorni per eseguire così tanti campioni). Il modello ha restituito che 3 variabili erano significative ma sembra che 2/3 delle variabili potrebbero trarre vantaggio dall'aumento dell'intervallo di test. Lo dico sulla base dei grafici del profiler di previsione. Questo è possibile e fattibile (in una certa misura), quindi posso riprovarli con una gamma più ampia.
1. Devo eseguire nuovamente il DSD con tutte e 7 le variabili o devo semplicemente eseguire un disegno composito centrale con le variabili significative che copra i nuovi intervalli di quelle 2 variabili? Mi propendo per il CCD poiché non penso che gli intervalli aumentati influenzeranno l'insignificanza delle altre variabili e quindi posso utilizzare il CCD per prevedere i parametri ottimali.
2. Presumo che il modello DSD non possa prevedere i parametri ottimali da utilizzare poiché non avevo gli intervalli corretti, è giusto? Oppure mi manca quell'output da qualche parte? Ho pensato che, poiché <50% delle mie variabili erano significative, il progetto avrebbe potuto essere utilizzato per l'ottimizzazione.
3. Mi manca qualcosa nell'output che dovrei guardare? Ancora una volta, sono nuovo e l'output ha molti dati da digerire. Il mio obiettivo è massimizzare in definitiva il recupero dei batteri, quindi mi sono concentrato su quali variabili sono significative e non sul resto dell'output. Ci sono "cose" specifiche su cui dovrei davvero concentrarmi/a cui prestare particolare attenzione oltre ai valori alfa? Ho trovato alcuni messaggi sul corso online gratuito per DOE, quindi lo seguirò, ma apprezzerei un feedback specifico sul mio output in modo da poter "relazionarmi" con ciò che quel corso mi insegnerà con i miei dati.
Ho provato ad allegare l'output di adattamento ma continuo a ricevere un messaggio di errore che indica che il file JMP non è supportato. L'ho allegato come PDF.
Grazie in anticipo per l'aiuto/feedback!
Progettazione di esperimentiRi: Interpretazione del DSD e passaggi successiviCiao @Feline614 ,
Benvenuto nella Comunità!
Temo che potrebbero non esserci informazioni sufficienti per guidarti precisamente per il tuo argomento, ma farò del mio meglio per darti aiuto e feedback. Per ulteriori indicazioni, potresti condividere un set di dati anonimo ( Anonymize Data (jmp.com) ) per valutare e aiutare meglio?
I passaggi successivi si basano sui risultati di un modello e sul rilevamento di effetti statisticamente significativi. Sembra che tu abbia provato un solo tipo di analisi con "Fit DSD" (che è l'analisi consigliata per DSD), ma hai provato altre analisi di modellazione (possibilmente regressione generalizzata con metodi di stima diversi se hai JMP Pro come "Pruned Forward Selection" (con metodo di validazione AICc/BIC), "Selezione avanzata in due fasi" o eventualmente "Miglior sottoinsieme" (solo se si dispone di un numero limitato di fattori, poiché testerà molti modelli con effetti principali e molte combinazioni dei termini di ordine superiore ) o semplicemente testare la regressione graduale come modello alternativo) ?
Potrebbe essere interessante prima di andare avanti vedere se i diversi modelli possibili concordano sulla rilevazione degli effetti statistici e verificare se/dove potrebbero differire. Potrebbe fornire una panoramica più affidabile sui fattori e sugli effetti importanti del tuo studio.
Per quanto riguarda le altre tue domande:
- Puoi utilizzare la piattaforma Augment Designs per modificare gli intervalli dei fattori ed esplorare una diversa area sperimentale. Questa opzione potrebbe essere più interessante della riesecuzione o della creazione di una nuova DoE (come un CCD), poiché le informazioni ottenute dalla prima DoE verranno conservate per ridurre al minimo il numero richiesto di esecuzioni del progetto aumentato.
Per quanto riguarda la necessità di mantenere tutti i fattori o selezionare solo quelli significativi, dipende dalla loro importanza/contributo al modello (sia statisticamente che in termini di dimensione dell'effetto), ma anche se i loro intervalli verranno modificati o meno nell'aumento. Se non si modifica l'intervallo di un fattore che è stato statisticamente non significativo e con una dimensione dell'effetto bassa, potrebbe essere possibile escluderlo (e fissarlo a un valore specifico) dal DoE aumentato per risparmiare un po' di budget sperimentale. Ma se l'intervallo di un fattore viene modificato, lo manterrei nell'aumento, per assicurarmi che non diventi statisticamente significativo e importante nelle risposte a seconda degli intervalli.
- Sembra che il tuo modello sembri abbastanza preciso, ad eccezione di 2 punti separati dalla linea di regressione. C'è stato qualche cambiamento/errore sperimentale? Le condizioni dei fattori sono “instabili” o creano elevata incertezza nella risposta? Potrebbe valere la pena approfondire questi due punti, e magari ripeterli se possibile, per differenziare un “errore modello” da un “errore sperimentale”. Per rispondere alla tua domanda, devi anche sapere qual è la tua "soglia di accettabilità dell'incertezza della previsione" e l'obiettivo di risposta: qui il tuo modello ha un RMSE di 0,0797, come si confronta con la variabilità sperimentale? Questo valore RMSE è accettabile in base alle competenze del settore e prendendo in considerazione l'incertezza di ripetibilità/riproducibilità? Qual è la massima risposta che speri di ottenere? La risposta a queste domande sarà guidata dalla qualità del modello e dalle soglie di accettabilità degli esperti del settore (sia per la risposta media prevista che per la risposta alla varianza prevista).
- Potrebbero esserci alcune cose da verificare riguardo ai tuoi risultati: il test Lack of Fit (jmp.com) è statisticamente significativo, il che può essere spiegato da vari fattori. Forse la bassa varianza delle tue repliche (o la loro rappresentatività, ad esempio se si tratta solo di punti centrali che potrebbero non essere rappresentativi della variabilità nell'intero spazio sperimentale) potrebbe essere la ragione (poiché avresti un errore puro basso), o qualche la ragione potrebbe essere la mancanza di effetti di ordine superiore nel modello.
Puoi anche controllare i due punti "strani" menzionati prima e controllare le ipotesi di regressione (" Plot Residual by Normal Quantiles" per verificare l'ipotesi di distribuzione di normalità dei residui, " Plot Residual by Predicted" per verificare che i residui siano sparsi in modo casuale attorno allo 0 (ipotesi di omoschedasticità e linearità) , Plot Residual by Row per verificare che l'ordine degli esperimenti non influenzi i risultati (indipendenza dell'ipotesi di osservazione)).
Inoltre proverei a utilizzare la variabile Block come effetto casuale (invece di un effetto fisso nel tuo modello qui), poiché ho capito che rappresenta il giorno in cui sono stati eseguiti gli esperimenti, quindi è solo un sottoinsieme della settimana/ora e non sei particolarmente interessato all'effetto fisso del giorno sulla risposta media, ma probabilmente più all'influenza dell'effetto casuale del giorno sulla variabilità della risposta. Puoi provare ad adattare un modello misto utilizzando la piattaforma Adatta modello e specificando l'effetto del blocco come Casuale: rapporti e opzioni del modello con effetti misti e casuali (jmp.com)
L'uso del Giorno come effetto casuale può anche aiutare a valutare meglio la variabilità della risposta e può avere un'influenza positiva sulla mancanza di fit test: la variazione non sarà attribuita all'errore del modello, quindi questo termine potrebbe diminuire.
Alcune risorse per aiutarti a comprendere i DSD:
Presentazione dei progetti di screening definitivi: comunità di utenti JMP
Progettazione dello screening definitivo - Comunità degli utenti JMP
La piattaforma di screening definitivo in forma (jmp.com)
Utilizzo di progetti di screening definitivi per ottenere maggiori informazioni con meno prove - Comunità degli utenti JMP
E più in generale sui DoE:
Risorse DoE - Comunità degli utenti JMP
Spero che questa risposta ti possa aiutare,
Ri: Interpretazione del DSD e passaggi successiviCiao @Victor_G, apprezzo davvero che tu abbia dedicato del tempo a scrivermi una risposta approfondita!
Ho allegato un set di dati anonimo.
Ho eseguito i vari modelli che hai citato (in allegato), tranne che la "Selezione avanzata a due stadi" non era un'opzione (era disattivata). L'approccio graduale ha aggiunto una variabile a 0,12, che sembrava potesse avere un'influenza sul risultato secondo il profiler di previsione ma biologicamente, in questo specifico esperimento, non mi aspetterei che fosse significativa (ripeterò questo esperimento con diversi batteri e mi aspetto che sia significativo in questi test). La "selezione avanzata ridotta" con AICc e il miglior sottoinsieme AICc ha portato una variabile a p = 0,0564, ma avrebbe senso dal punto di vista biologico che avesse un effetto significativo sul sistema. La "selezione in avanti ridotta" con BIC e il miglior sottoinsieme con BIC erano simili a quelle graduali con l'aggiunta di quella a 0,12. Ho eliminato anche le variabili <0,05 ma non hanno modificato la significatività degli altri fattori.
Nel complesso, non sono sorpreso dalle variabili selezionate dai modelli, tranne X_7, pensavo sicuramente che avrebbe avuto un effetto significativo.
Hai una buona risorsa che spieghi questi modelli a livello principiante? Ho trovato alcune risorse su JMP ma ho imparato l'approccio Stepwise solo al college. In realtà non so come interpretare gli altri modelli che hai citato, oltre alla comprensione generale di un valore p.
1. Ho creato un design aumentato. Ho eliminato 2 variabili (X_4 e X_5) perché biologicamente non dovrebbero essere significative in questo sistema (potrebbero però esserlo in un test futuro). Ho lasciato invariati tutti gli altri fattori, tranne i 2 fattori che hanno mostrato significatività e che sembrano trarre vantaggio dal test di un intervallo più elevato (X_6 e X_8). Non ho modificato il numero predefinito di esecuzioni ma le ho bloccate. Dovrei cambiare il numero di corse? Il video che hai inviato ( Using Definitive Screening Designs to Get More Information from Fewer Trials - JMP User Community ) alle 35:56 circa afferma che un punto debole di DSD è che "L'intervallo di fattori per lo screening potrebbe non includere l'ottimo, quindi, seguire il progetto sarà essere su intervalli diversi: non è possibile aumentare." Ma, come hai suggerito, posso aumentarlo con valori diversi... sarà un problema? Devo fare qualcosa di diverso quando vado ad analizzare i dati?
2. Posso rieseguire questi 2 punti. Quando inserisco i nuovi risultati dovrei semplicemente sostituire quei punti o creare in qualche modo un nuovo blocco per includere i nuovi valori? Se devo creare un nuovo blocco, come faccio? Non riesco a spiegare perché sembrano errati; l'unico punto a sinistra potrebbe presentare variabilità a causa della bassa concentrazione di batteri (problema di distribuzione di Poisson). Quello a destra mi lascia un po' più perplesso, ma sto lavorando con i batteri, quindi un valore anomalo ogni tanto non è anormale.
Per RMSE: sono un po' confuso a riguardo. Sto monitorando un RMSE basso che dovrebbe essere buono e rifletterebbe la capacità del modello di prevedere i risultati. Non riesco a trovare alcuna letteratura su qualcuno che faccia qualcosa di simile a quello che sto facendo per sapere a cosa paragonarlo. Basandomi su quello che so del sistema, non mi aspetterei molto "rumore" per questo particolare esperimento. Questo particolare batterio e sistema mi danno risultati abbastanza coerenti (ho più variabilità con batteri diversi ma questo è un problema per la prossima settimana).
3. Ho intenzione di rieseguire i due punti "strani". Ho aggiunto le ipotesi di regressione all'allegato "Adatta ai minimi quadrati". Il residuo in base alla trama prevista potrebbe presentare qualche raggruppamento?
Sono d'accordo, il blocco dovrebbe essere un effetto casuale. Ho scoperto in un altro post di discussione che puoi farlo quando inizialmente esegui la progettazione ma non riesco a trovare la "casella" da selezionare (presumo che casuale fosse l'impostazione predefinita ma immagino di no). L'ho reso un effetto casuale, ha influenzato gli effetti dell'ordine pari. La casella "Mancanza di adattamento" però è disattivata... Non sono sicuro del perché o di cosa significhi. In termini semplici, quando c'è un "effetto di ordine pari", cosa significa quando è X_2*X_2. Capisco quando è qualcosa come X_2*X_3 e che c'è interazione tra le due variabili ma non capisco come una variabile interagisce con se stessa.
Grazie per le risorse, sono state estremamente utili, in particolare le "pagine di aiuto". Sono ancora sopraffatto dal livello delle statistiche, ma apprezzo la tua pazienza nell'insegnarmi e nell'aiutarmi a diventare uno scienziato migliore. Questo sarà il mio primo di tanti DSD, sono felice di aver iniziato con quello "più semplice"!
Ri: Interpretazione del DSD e passaggi successiviCiao @Feline614 ,
Grazie per la risposta. La prossima volta potrebbe essere più semplice fornire un file JMP invece di diversi file Excel e file PDF, poiché con un file JMP è possibile mantenere l'analisi tramite script salvati e mantenere tutte le informazioni e le proprietà delle colonne (in particolare per DoE poiché ogni fattore può avere fino a 3 proprietà di colonna, che devo aggiungere manualmente durante l'importazione di dati da Excel).
I diversi modelli che hai creato sembrano abbastanza coerenti con molte somiglianze, quindi è un buon segno.
Sono sorpreso di non vedere alcuna interazione o effetto quadratico in nessun modello, poiché i DSD sono abbastanza efficaci nel rilevarli (se non ce ne sono troppi). Ho appena rilanciato la piattaforma di regressione generalizzata includendo termini di interazione ed effetti quadratici da X2 a X8 (e mantenendo X1 come blocco a effetti fissi), e i modelli sembrano trarre vantaggio da questi termini aggiunti, sia in termini di potere esplicativo (R² aumenta fino a 0,95) e potere predittivo (il RASE diminuisce a 0,05). Sembra che possa esserci un'interazione tra X6 e X8 e un effetto quadratico per X2. Sospetto che il test di adattamento statisticamente significativo osservato sul tuo modello iniziale possa essere collegato a questi termini di ordine superiore mancanti.
I modelli sono molto d'accordo anche tra loro riguardo ai termini inclusi:
Poiché sei interessato allo screening e all'ottimizzazione di questa fase iniziale con DSD, è logico utilizzare un criterio informativo come AICc per il metodo di convalida nella regressione generalizzata, poiché desideri avere un modello che sia allo stesso tempo esplicativo (mantieni solo le variabili più importanti) e predittivo (mantenere le variabili che aiutano a migliorare le previsioni/abbassare RASE/RMSE).
Se stai cercando risorse sulla regressione generalizzata, ecco i miei primi pensieri:
Adattamento di un modello lineare nella regressione generalizzata
Utilizzo della regressione generalizzata in JMP® Pro per creare modelli lineari robusti
Per quanto riguarda gli altri tuoi punti:
- L'aumento può essere effettuato mantenendo i fattori attivi rilevati nell'analisi precedente. Anche se l'X5 potrebbe non essere significativo/importante, è comunque mantenuto nei modelli, quindi lo terrei. Preferisco mantenere un fattore non importante nella fase di aumento piuttosto che rimuovere troppo velocemente un possibile fattore importante per la fase successiva.
Quindi, basandomi esclusivamente sui risultati dei modelli (da confermare con la tua esperienza nel settore), manterrei i fattori X2, X5, X6 e X8 per la fase di aumento. Per quanto riguarda il numero di esecuzioni, è difficile dirlo in quanto dipende dai possibili fattori che cambiano, dal modello presupposto e dalla certezza/precisione che si desidera per il modello. Poiché mantieni un numero basso di fattori (4), puoi aumentare il tuo progetto assumendo un modello di superficie di risposta, quindi facendo clic su "RSM" verranno aggiunte tutte le interazioni a 2 fattori nonché gli effetti quadratici per i fattori selezionati.
Il problema che hai menzionato è più presente quando gli intervalli dei fattori sono disconnessi/disgiunti tra lo screening iniziale e l'aumento, ma poiché vuoi solo aumentare un po' di più o spostare un po' di più gli intervalli dei fattori, puoi comunque trarre vantaggio dalle informazioni del tuo progetto iniziale corre.
- Ancora una volta, nessuna risposta definitiva alla tua domanda. Se si ottengono risultati diversi, è possibile ripetere gli esperimenti più volte (per avere maggiore fiducia nella risposta misurata).
A seconda se hai realizzato nuovi esperimenti "da zero" e li hai misurati in modo indipendente, puoi aggiungere nuove righe con i valori: questi nuovi punti saranno repliche di quelli precedenti. Se ripeti solo la parte di misurazione sugli stessi esperimenti, puoi sostituire il valore originale con la media delle misurazioni: questi nuovi punti sono solo ripetizioni degli esperimenti (quindi nessuna nuova esecuzione indipendente, nessuna riga aggiunta).
È quindi possibile confrontare se i cambiamenti nei valori di questi 2 punti migliorano la qualità dei modelli.
- Non sembra esserci uno schema specifico nei tuoi residui. Il raggruppamento che vedi potrebbe essere causato dal fatto che le misurazioni della tua risposta sono alte o basse e non hai molti valori medi (ad eccezione dei due punti "strani"). Pertanto, esaminando Residui e valori previsti vedrai 2 gruppi di punti, uno per i valori di risposta previsti bassi e uno per quelli più alti.
L'aspetto positivo dell'utilizzo del Blocco come effetto casuale è che, attraverso un modello misto, è possibile valutare se la variabile di blocco ha un effetto statisticamente significativo sulla varianza della risposta. Nel tuo caso, non sembra essere il caso, quindi puoi rimuovere questa variabile di blocco dal tuo modello. L'esecuzione di modelli con questa variabile di blocco come effetto fisso mostra anche che questo effetto di blocco non ha un impatto statisticamente significativo sulla risposta media, quindi può essere rimosso dall'analisi futura.
Per quanto riguarda il termine X2.X2, non è un'interazione ma un effetto quadratico di X2: significa che la risposta è collegata a X2 da una funzione/termine quadratico: Y = X2² (+ altri termini nel modello).
Ho allegato il file JMP con tutti i modelli e gli script testati per questa risposta.
Spero che questo follow-up ti possa aiutare,
Ri: Interpretazione del DSD e passaggi successivi@Victor_G
Mi dispiace che tu abbia dovuto inserire tutti i dati a mano. Inoltre, mi scuso per il ritardo ma volevo rispondere con la prossima serie di risultati. Credo di aver allegato il formato corretto questa volta.
Ho eseguito il modello aumentato. Ho rimosso solo 1 termine in base alla mia "competenza" e ho lasciato tutti gli altri fattori significativi e non significativi dal DSD originale. Le corse 1-22 sono il DSD originale; le corse 23-34 sono il design aumentato; le esecuzioni 35 e 36 sono repliche indipendenti della riga 5; le esecuzioni 37 e 38 sono repliche indipendenti della riga 10 (le righe 5 e 10 erano "valori anomali" nel DSD originale).
Potete controllare la mia logica in modo da poter confermare che sto eseguendo e analizzando i dati correttamente?
- Ho eseguito un modello misto con il blocco come effetto casuale per verificarne la significatività. Non era significativo nel modello, quindi posso eliminare la variabile. I miei residui non sembrano “casuali” come prima, ma non penso che sia terribile.
- Ho eseguito la regressione generalizzata con più modelli con AIC. Credo che tutte le interazioni siano state aggiunte. So che l'ultima volta hai dichiarato di aver aggiunto interazioni, quindi voglio confermare di aver progettato correttamente il modello questa volta.
Come hai creato il grafico che hai incorporato? Ho trovato queste indicazioni ma non ho prodotto il bel confronto visivo che hai fornito: https://www.jmp.com/support/help/en/16.1/?os=win&source=application#page/jmp/model-comparison .shtml#
- Ho aggiunto il profiler di previsione ai modelli. Quando stavo cercando di trovare le condizioni ottimali per massimizzare l'output mi sono reso conto che il modello prevede >1.0; tuttavia, l'output è una proporzione e teoricamente 1 è il valore più alto possibile. Quindi ho provato a modificare l'intervallo per l'output con il minimo come 0, il centro come 0,5 e il massimo come 1 ma non sembrava cambiare il profilo del predittore...
Dal punto di vista biologico le variabili contrassegnate come significative hanno un senso. Ciò che non ha senso per me è X_6, l'intervallo DSD originale era 1-5; è stato aumentato per fare 1-20. Fare biologicamente qualcosa di più di 20 non dovrebbe fare la differenza, che è ciò che mostra il modello dei minimi quadrati ma non gli altri.
Come faresti a sapere quale modello scegliere? Come si spiega il fatto che il valore di output massimo sia 1.0? Come faresti per esaminare i parametri ottimali per le variabili?
- Mi è stato detto di includere X_1 come variabile nel modello, ma in realtà non sono convinto che dovrebbe essere una variabile perché nel "mondo reale" non è una variabile che posso controllare. Posso controllarlo solo in un ambiente di laboratorio. Tuttavia, l'output è in realtà la proporzione tra recupero e avvio e X_1 è il numero iniziale, quindi è il denominatore della variabile di output. Pensavo che X_1 dovesse essere mantenuto costante e il modello ottimizzato su quella costante, ma è stato sostenuto che vogliamo sapere come interagiscono le variabili se X_1 cambia. Immagino che la mia confusione sia: la variabile X_1 dovrebbe essere inclusa se è il denominatore dell'output?
Grazie!
Ri: Interpretazione del DSD e passaggi successiviCiao @Feline614 ,
Per quanto riguarda la tua osservazione su X6, aumenti l'intervallo a 20, ma non estrapolerei le previsioni del modello al di fuori dell'intervallo testato. Quindi sembra che ci sia un trend lineare crescente della risposta riguardante X6, ma forse questo trend si ferma dopo che X6 raggiunge il valore 20. O forse no, e questo sarebbe un fatto/conoscenza nuova per te. Ma non puoi esserne sicuro a meno che non effettui il test al di fuori di questo intervallo. È possibile creare punti di validazione/test al di fuori dell'intervallo e confrontare i valori misurati con i valori previsti, per vedere se c'è qualche deviazione dal modello che indicherebbe che la tendenza lineare crescente potrebbe arrestarsi o essere diversa al di fuori dell'intervallo testato per X6.
Poiché esiste effettivamente un effetto quadratico per X6 incluso nel modello dei minimi quadrati e supportato dalla tua conoscenza del dominio, puoi anche forzare l'inclusione di questi termini (effetti principali ed effetti quadratici per X6) nella costruzione del modello: Controlli avanzati (jmp. com)
Per quanto riguarda la tua domanda generale, non esiste un modello definitivo da scegliere: puoi selezionare diversi modelli simili, se ha senso statisticamente e sperimentalmente (competenza nel settore). Quello che farei è:
- Avvia un modello misto con X7 come effetto casuale per valutare la significatività statistica di questo blocco casuale.
- Avvia diversi modelli GenReg e confronta i termini inclusi nei modelli, nonché le prestazioni dei modelli per avere una visione migliore di quali termini sono importanti/attivi. Valutare e selezionare modelli informativi basati sulla valutazione statistica e sulle competenze del settore.
- Poiché l'effetto del blocco casuale è significativo nel modello completo, crea un modello misto perfezionato con i termini importanti, basato sull'apprendimento acquisito dai due passaggi precedenti. Valuta se l'effetto del blocco casuale è ancora significativo e crea un modello (misto o basato su modelli di regressione generalizzata) che meglio si adatta ai tuoi apprendimenti. La convalida dei tuoi modelli può aiutarti ad acquisire fiducia nei modelli e puoi anche combinare diversi modelli utilizzando la piattaforma Confronto modelli (jmp.com) con le colonne della formula di previsione salvate dei tuoi modelli.
Per quanto riguarda X1, questo è collegato al tuo obiettivo e a cosa vuoi fare con i risultati: stai studiando il sistema solo in ambiente di laboratorio o vuoi che i tuoi risultati vengano utilizzati in un altro ambiente? Se si tratta della seconda opzione, è possibile eseguire alcune esecuzioni di conferma/convalida in questo nuovo ambiente, per assicurarsi che i risultati su scala di laboratorio possano essere trasposti/utilizzati in un ambiente diverso. Potrebbe non essere un problema se X1 viene gestito in modo diverso tra il laboratorio e un altro ambiente da un punto di vista analitico: nel tuo ambiente di laboratorio, puoi massimizzare la desiderabilità senza vincoli aggiunti nel profiler. Nell'altro ambiente, conoscendo il valore fisso di X1, puoi bloccare il valore X1 e ottimizzare gli altri fattori per massimizzare la desiderabilità: imposta o blocca i valori dei fattori (jmp.com)
Spero che questo follow-up ti possa aiutare,
