No hay manera de saber lo mejor a priori. Mi sugerencia es crear múltiples opciones DOE (diseñar múltiples experimentos). Para cada experimento, enumere el conocimiento potencial que obtendrá (por ejemplo, qué efectos se pueden estimar, qué orden de efectos del modelo se puede estimar, qué es confuso y qué está restringido) y sopese esto con los recursos que tiene disponibles. Predice TODOS los resultados posibles de cada experimento, luego elige uno y ejecútalo sabiendo que este puede ser el primero de una serie de experimentos.
Hola @DRC92 ,
¡Bienvenidos a la Comunidad!
La elección y el análisis del DoE realmente dependen de su conocimiento previo sobre el sistema y de la cantidad de factores, restricciones, restricciones de aleatorización, relación ruido/señal, ...
Mencionaste que puedes tener tan solo 2 o 3 factores y hasta 8 o 9 factores. ¿Conoce ya las influencias e importancias de todos los factores posibles en su sistema?
De lo contrario, recomendaría comenzar con un diseño de detección para detectar efectos y factores importantes en su sistema.
Una vez identificados estos efectos importantes, puede aumentar su diseño para agregar algunos puntos para refinar su modelo (y aumentar la predictibilidad) y optimizar sus respuestas.
Su diseño de detección inicial debe incluir tantos factores como sea posible con un amplio rango de factores, para identificar qué factores son importantes y activos en su sistema.
- El Diseño de Detección Definitivo puede ser una opción interesante en ausencia de restricciones de factores (y para más de 5 factores continuos y un número limitado de factores categóricos de 2 niveles), ya que es un poderoso diseño de detección de 3 niveles que puede detectar efectos e interacciones principales. y efectos cuadráticos, para un presupuesto experimental muy limitado. Tener 3 niveles para factores continuos ayuda a evitar respuestas "binarias" con valores muy altos o muy bajos, o usar sólo configuraciones de "ausencia/presencia" para los niveles altos y bajos de los factores.
- El diseño personalizado (diseños de detección óptimos D/A) también puede ser una alternativa interesante, ya que permite incluir varios tipos de factores, restricciones y restricciones de aleatorización (por ejemplo, si necesita configurar sus experimentos en placa con un número definido de experimentos por fila y columnas), con total flexibilidad sobre el modelo asumido y lo que desea detectar.
Espero que esta primera respuesta te ayude,
