Blocchi e punti centrali per un disegno di screening definitivoHo iniziato a creare un disegno di screening definitivo con 7 fattori e 3 variabili di risposta con JMP. Ho impostato "nessun blocco"!. Perché il numero di blocchi mostrato di seguito è pari a 2? Volevo aggiungere solo 2 misurazioni del punto centrale. "Einzelversuche" è uguale alle repliche? Perché posso aggiungere solo 4 misurazioni aggiuntive? Posso solo impostare su zero "Einzelversuche" e il numero di blocchi ("Anzahl Blöcke") non può essere modificato affatto. Perché?
Progettazione di esperimentiRe: Blocchi e punti centrali per un progetto di screening definitivoCiao @Thommy7571 ,
Se hai selezionato l'opzione "Nessun blocco" nella piattaforma DSD, il disegno creato non avrà alcun blocco.
I valori visualizzati sono solo opzioni "predefinite" che vengono attivate se si seleziona una delle opzioni ("Blocco con tratti centrali" o "Blocco senza tratti centrali").
Per impostazione predefinita, JMP crea una corsa centrale in DSD e crea blocchi se si desidera più corse centrali (una corsa centrale/blocco). Ma puoi sempre modificare il tuo datatable per aggiungere un'ulteriore corsa centrale, se necessario.
Sì, le esecuzioni extra equivalgono alle repliche (esecuzioni indipendenti), ma non sono esattamente repliche: vengono create utilizzando "fattori falsi", quindi potresti non avere gli stessi valori dei fattori di altre esecuzioni del progetto. Le sequenze extra possono essere aggiunte in blocco di quattro: puoi aggiungere 4 o 8 sequenze extra nel tuo disegno, quindi puoi modificare l'impostazione su 0 (nessuna sequenza extra), 4 o 8 sequenze extra. Puoi trovare ulteriori informazioni sulla struttura specifica dei DSD qui: Struttura dei progetti di screening definitivi
Sul mio computer, posso aumentare il numero di blocchi e questo modifica l'impostazione da "Nessun blocco" a "Aggiungi blocchi con corse centrali per stimare effetti quadratici":
Spero che questo ti possa aiutare,
Re: Blocchi e punti centrali per un progetto di screening definitivoPuoi andare avanti e creare il disegno e non aggiungerà blocchi. Per impostazione predefinita, il generatore DSD aggiunge 4 punti centrali, ma puoi scegliere di utilizzare solo 2 punti centrali, basta eliminare due delle sequenze di punti centrali nel disegno generato. Il motivo per cui 4 punti centrali è l'impostazione predefinita è che alcune ricerche hanno dimostrato che la capacità di rilevare effetti importanti è molto inferiore con 2 punti centrali rispetto a 4 punti centrali.
Re: Blocchi e punti centrali per un progetto di screening definitivoLe "Extra Runs" non sono punti centrali.
Per impostazione predefinita, senza alcun blocco, un DSD includerà un punto centrale in JMP. L'aggiunta di un blocco consente di aggiungere punti centrali (un punto centrale per ogni blocco).
Le 4 esecuzioni aggiuntive predefinite vengono utilizzate per rilevare meglio le interazioni e gli effetti quadratici, nonché per aumentare la potenza degli effetti principali:
Poiché queste esecuzioni non sono repliche, forniscono anche un ulteriore grado di libertà per rilevare e stimare più termini di effetto.
Spero che questa risposta risolva ogni ambiguità,
Re: Blocchi e punti centrali per un progetto di screening definitivoCiao,
<<
ok, riassumo: è possibile (probabilmente) aggiungere qualsiasi numero di blocchi (ad esempio +4, +8, ecc.) È possibile aggiungere una misurazione del punto centrale per blocco con 4 misurazioni.
Da un lato ciò è sfavorevole perché aumenta notevolmente il numero di misurazioni DSD. Ciò riduce l’attrattiva dei DSD, che dovrebbero essere in grado di separare gli effetti quadratici e le interazioni tra gli effetti principali senza ulteriori misurazioni. D'altra parte, ChatGPT mi aveva anche suggerito di aggiungere diverse misurazioni del punto centrale, proprio come aveva scritto MathStatChem. Bradley non ha trattato l’argomento in dettaglio nel suo articolo sui DSD. Pertanto non ho l'effetto esatto o le ragioni citabili per questo.Esiste un articolo che esamina l'effetto di diversi numeri di misurazioni del punto centrale aggiunte e/o blocchi di misurazioni del punto centrale?
In base all’esperienza, i DSD sono ancora utilizzabili per 7 fattori?
Non è chiaro quali dovrebbero essere i “fattori falsi”.
Tommy7571
Re: Blocchi e punti centrali per un progetto di screening definitivoCiao @Thommy7571 ,
Ciò riduce l’attrattiva dei DSD, che dovrebbero essere in grado di separare gli effetti quadratici e le interazioni tra gli effetti principali senza ulteriori misurazioni. D'altra parte, ChatGPT mi aveva anche suggerito di aggiungere diverse misurazioni del punto centrale, proprio come aveva scritto MathStatChem. Bradley non ha trattato l’argomento in dettaglio nel suo articolo sui DSD. Pertanto non ho l'effetto esatto o le ragioni citabili per questo.Esiste un articolo che esamina l'effetto di diversi numeri di misurazioni del punto centrale aggiunte e/o blocchi di misurazioni del punto centrale?
Ancora una volta, eviterei di utilizzare ChatGPT per risposte precise, in particolare su design moderni come DSD. Le risposte potrebbero essere altamente generiche e non particolarmente adatte al caso d'uso specifico o all'uso dei DSD.
Per quanto riguarda l'effetto dell'aggiunta di punti centrali o di sequenze extra, è possibile cercare pubblicazioni o provare diversi scenari in JMP, creando diversi progetti e confrontandoli . Ho creato 3 DSD per questo scenario:
- DSD per 7 fattori continui, numero minimo di esecuzioni richieste (17 esecuzioni).
- DSD per 7 fattori continui, 21 esecuzioni con 5 punti centrali (1 creato per impostazione predefinita, 4 aggiunti nella tabella dati successiva)
- DSD per 7 fattori continui, 21 esecuzioni con 4 esecuzioni extra.
Ecco le principali differenze:
Con il modello qui specificato (assumendo 3 interazioni e 3 effetti quadratici), puoi vedere che entrambi i progetti DSD "aumentati" (con 21 esecuzioni) hanno una maggiore potenza nel rilevare effetti principali, interazioni ed effetti quadratici. La differenza è:
- DSD con l'aggiunta di punti centrali ha un potere leggermente superiore nel rilevare gli effetti quadratici, ma il guadagno nel rilevamento delle interazioni non è molto elevato rispetto alla situazione con 4 corse extra.
- DSD con 4 esecuzioni extra ha una potenza simile per rilevare gli effetti quadratici e una potenza maggiore per rilevare le interazioni a 2 fattori. Ciò è dovuto al fatto che le corse extra non sono corse replicate (a differenza dei punti centrali che corrispondono alla stessa impostazione/trattamento) e le corse DSD hanno fattori impostati su 3 livelli, quindi le corse extra migliorano significativamente la potenza per gli effetti principali, le interazioni e sono in grado di aumentare la potenza anche per gli effetti quadratici.
Osservando l'errore standard relativo delle stime per il modello assunto, si ha la stessa interpretazione dell'analisi di potenza: l'aggiunta di punti centrali migliora solo in modo significativo la precisione per stimare gli effetti quadratici (e l'intercetta), mentre l'aggiunta di esecuzioni extra consente di migliorare la precisione per stimare termini in modo più uniforme.
In termini di varianza di previsione, i punti centrali consentono di avere una varianza di previsione inferiore e più stabile al centro dello spazio sperimentale. Ciò può essere particolarmente utile se ritieni che il tuo punto ottimale possa essere al centro dello spazio sperimentale. Tuttavia, i DSD con solo punti centrali tendono ad avere una varianza di previsione più elevata negli angoli dell'esperimento, poiché tutti i punti aggiunti sono punti centrali che diminuiscono solo la varianza di previsione attorno al centro dello spazio sperimentale:
Puoi vedere qui massimizzando la varianza di previsione, il DSD con 5 punti centrali ha una varianza di previsione vicina al DSD originale "non aumentato", mentre il DSD con 4 esecuzioni extra consente di ridurre la varianza di previsione in modo più omogeneo ai confini del tuo spazio sperimentale .
- Efficienze:
Puoi vedere che DSD con 4 esecuzioni extra ha efficienze D e G migliori (il riferimento di confronto è il DSD originale a 17 esecuzioni, quindi minore è l'efficienza relativa del DSD originale con un altro DSD, migliore è il guadagno per quest'altro DSD) . Piccolo promemoria sull'efficienza qui: Design Diagnostics (jmp.com) e https://en.wikipedia.org/wiki/Optimal_experimental_design
Quindi avere una migliore efficienza D relativa è utile nella fase di screening, poiché ciò consente di avere una migliore precisione nella stima dei termini dell'effetto. Anche la G-Efficiency può essere utile, poiché consente di minimizzare la massima varianza di previsione, in modo da avere una varianza di previsione più omogenea tra il centro dello spazio sperimentale e i bordi.
L'efficienza relativa A, focalizzata sulla minimizzazione della varianza media dei coefficienti di regressione, e l'efficienza I, focalizzata sulla minimizzazione della varianza media di previsione nello spazio sperimentale, sono leggermente migliori nel disegno con 5 punti centrali rispetto al disegno con 4 punti extra corre.
In base all’esperienza, i DSD sono ancora utilizzabili per 7 fattori?
Se disponi di fattori continui, ti consiglio vivamente di utilizzare DSD per uno screening efficiente per 5+ fattori. Puoi sempre verificare se questo disegno ti sembra utile, creando DSD e altri disegni di retinatura (disegni di retinatura classici con matrici Hadamard, disegni D-/A-Optimal, ...) e utilizzare la piattaforma Confronta disegni (jmp.com) . Tieni presente che la maggior parte dei progetti di screening prevede solo 2 livelli per i fattori, a differenza dei DSD.
Non è chiaro quali dovrebbero essere i “fattori falsi”.
I "fattori falsi" sono fattori aggiunti nella creazione del DSD per generare un numero maggiore di esecuzioni nel progetto, ma che non hanno alcun interesse pratico: non sono legati a uno specifico fattore sperimentale che si desidera modificare, qui semplicemente per aumentare il dimensione della matrice. L'aggiunta di esecuzioni con "fattori falsi" è un trucco per consentire una migliore stima degli effetti e una maggiore potenza, nonché per aumentare il grado di libertà disponibile per adattare termini aggiuntivi nel modello.
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
Ho aggiunto i tre disegni generati come esempio se vuoi riprodurre l'analisi e il confronto.
Spero che questa risposta ti possa aiutare,
Re: Blocchi e punti centrali per un progetto di screening definitivoGrazie mille per questo studio. Solo alcune osservazioni. Secondo Bradly, il minimo è 15 esecuzioni per 7 fattori, tranne che il disegno dovrebbe essere ortogonale, cosa che accadrà con 17 esecuzioni. È interessante vedere che sono inclusi i punti fattoriali, come ho già considerato. Pertanto, è meglio includere anche i punti d'angolo. Ho appena riletto l'articolo e prendendo 8 fattori per la progettazione eliminando successivamente l'ultima colonna dovrebbe corrispondere al tuo suggerimento. I risultati sono abbastanza logici: più si replica in una data regione maggiore affidabilità della previsione nella regione rinuncerò a ChatGPT per quanto riguarda i progetti... C'era il suggerimento di utilizzare un design ottimale A come standard (un video dei collegamenti del tuo ultime risposte). Ecco perché anch'io l'ho preso di mira. Devo passare a G-ottimale per lo screening? Perché?
Re: Blocchi e punti centrali per un progetto di screening definitivoCiao @Thommy7571 ,
Secondo Bradly, il minimo è 15 esecuzioni per 7 fattori, tranne che il disegno dovrebbe essere ortogonale, cosa che accadrà con 17 esecuzioni.
Siamo spiacenti, ma le informazioni sul numero minimo di corse sono incomplete. È possibile accedere alle informazioni complete sul numero minimo di esecuzioni richieste qui: Struttura dei progetti di screening definitivi
Per riassumere il contenuto:
- Se hai un numero pari di fattori continui, hai bisogno di 2k+1 esecuzioni
- Se hai un numero dispari di fattori continui, hai bisogno di 2k+3 esecuzioni
Quindi per 7 fattori, sono necessarie un minimo di 17 corse, e per 8 fattori il minimo è anche 17. Questa dimensione della corsa è una specificità di DSD menzionata e scoperta anche dai membri di questa comunità, ad esempio in questo post: https:/ /community.jmp.com/t5/Discussions/Verify-and-use-existing-Definitive-Screen-design-with-JMP/mp/752286/highlight/true#M93376
Puoi anche verificarlo utilizzando la piattaforma Disegni di screening definitivi e generando progetti per un numero diverso di fattori. Si noti che questa regola dipende dall'esistenza di una matrice di conferenza della dimensione richiesta, vedere un esempio qui: Risolto: Re: 49 factor dsd design - JMP User Community
Ho appena riletto l'articolo e prendendo 8 fattori per la progettazione eliminando successivamente l'ultima colonna dovrebbe corrispondere al tuo suggerimento.
Sì, per aggiungere esecuzioni extra, puoi aggiungere fattori "falsi" e quindi rimuovere le relative colonne; ecco come vengono generate le corse extra nella piattaforma DSD.
C'è stato il suggerimento di utilizzare un design ottimale A come standard (un video dei collegamenti delle tue ultime risposte). Ecco perché anch'io l'ho preso di mira. Devo passare a G-ottimale per lo screening? Perché?
I criteri di ottimalità D e A sono più mirati per i progetti di screening, poiché si concentrano sulla stima precisa o sulla riduzione della varianza delle stime dei coefficienti, in modo da consentire di selezionare e filtrare in modo più efficiente i fattori non importanti da quelli importanti, in base alla significatività statistica, da confermare con significato pratico e competenza nel settore.
Bradley Jones sottolinea infatti l'uso dei disegni di screening A-Optimal, in quanto consentono prestazioni simili (se non migliori) rispetto ai disegni di screening D-Optimal, e consentono anche di aggiungere un'enfasi diversa sulla stima di alcuni termini (ad esempio dare più importanza /peso per la stima precisa degli effetti principali anziché delle interazioni): progetti di screening del 21° secolo (2020-US-45MP-538)
I criteri di ottimalità G e I sono più mirati per la progettazione di modelli di superfici di risposta, in cui l'attenzione è rivolta alle prestazioni predittive nello spazio sperimentale per consentire l'ottimizzazione. Il criterio di ottimalità G focalizza e minimizza la varianza di previsione massima , mentre l'ottimalità I minimizza la varianza di previsione media .
Spero che questa risposta ti possa aiutare,
