Es gibt keine Möglichkeit, das Beste a priori zu wissen. Mein Vorschlag ist, mehrere DOE-Optionen zu erstellen (mehrere Experimente zu entwerfen). Listen Sie für jedes Experiment auf, welche potenziellen Erkenntnisse Sie gewinnen werden (z. B. welche Effekte geschätzt werden können, welche Reihenfolge der Modelleffekte geschätzt werden kann, was verfälscht und was eingeschränkt ist) und wägen Sie dies gegen die Ressourcen ab, die Ihnen zur Verfügung stehen. Sagen Sie ALLE möglichen Ergebnisse jedes Experiments voraus, wählen Sie dann eines aus und führen Sie es durch, wohl wissend, dass dies das erste einer Reihe von Experimenten sein könnte.
Hallo @DRC92 ,
Willkommen in der Community!
Die Auswahl und Analyse des DoE hängt wirklich von Ihrem Vorwissen über das System und der Anzahl der Faktoren, Einschränkungen, Randomisierungsbeschränkungen, dem Rausch-/Signal-Verhältnis usw. ab.
Sie haben erwähnt, dass Sie möglicherweise nur 2-3 Faktoren oder bis zu 8-9 Faktoren haben. Kennen Sie bereits die Einflüsse und Bedeutungen aller möglichen Faktoren in Ihrem System?
Wenn nicht, würde ich empfehlen, mit einem Screening-Design zu beginnen, um wichtige Effekte und Faktoren in Ihrem System zu erkennen.
Sobald diese wichtigen Effekte identifiziert sind, können Sie Ihr Design erweitern, indem Sie einige Punkte hinzufügen, um Ihr Modell zu verfeinern (und die Vorhersagbarkeit zu erhöhen) und Ihre Antwort(en) zu optimieren.
Ihr anfängliches Screening-Design sollte möglichst viele Faktoren mit einem großen Faktorbereich umfassen, um zu ermitteln, welche Faktoren in Ihrem System wichtig und aktiv sind.
- Das Definitive Screening Design kann eine interessante Wahl sein, wenn keine Faktorenbeschränkungen vorliegen (und für 5+ kontinuierliche Faktoren und eine begrenzte Anzahl von kategorialen Faktoren mit 2 Ebenen), da es sich um ein leistungsstarkes 3-Ebenen-Screening-Design handelt, das Haupteffekte, Wechselwirkungen und quadratische Effekte bei einem sehr begrenzten experimentellen Budget erkennen kann. 3 Ebenen für kontinuierliche Faktoren helfen, „binäre“ Antworten mit sehr hohen oder sehr niedrigen Werten zu vermeiden oder nur „Abwesenheit/Anwesenheit“-Einstellungen für die hohen und niedrigen Ebenen der Faktoren zu verwenden.
- Auch ein benutzerdefiniertes Design (D/A-optimale Screening-Designs) kann eine interessante Alternative sein. Dadurch können verschiedene Faktorentypen, Einschränkungen und Randomisierungsbeschränkungen einbezogen werden (z. B. wenn Sie Ihre Plattenexperimente mit einer definierten Anzahl von Experimenten pro Zeile und Spalte einrichten müssen) und Sie haben volle Flexibilität hinsichtlich des angenommenen Modells und dessen, was Sie erkennen möchten.
Ich hoffe, diese erste Antwort wird Ihnen helfen,
