Bloques y puntos centrales para un diseño de cribado definitivoComencé a crear un diseño de screening definitivo con 7 factores y 3 variables de respuesta con JMP. ¡Puse "sin bloques"!. ¿Por qué el número de bloques que se muestra a continuación es igual a 2? Quería agregar solo 2 medidas de puntos centrales. ¿Es "Einzelversuche" igual a las réplicas? ¿Por qué solo puedo agregar 4 medidas adicionales? Sólo puedo poner a cero "Einzelversuche" y el número de bloques ("Anzahl Blöcke") no se puede cambiar en absoluto. ¿Por qué?
Diseño de experimentosRe: Bloques y puntos centrales para un diseño de cribado definitivoHola @Thommy7571 ,
Si has seleccionado la opción "No Block" en la plataforma DSD, el diseño creado no tendrá ningún bloqueo.
Los valores que ve son sólo opciones "predeterminadas" que se activan si selecciona una de las opciones ("Bloque con tramos centrales" o "Bloque sin tramos centrales").
De forma predeterminada, JMP crea un tramo central en el DSD y creará bloques si desea varios tramos centrales (un tramo/bloque central). Pero siempre puedes editar tu tabla de datos para agregar una ejecución central adicional si es necesario.
Sí, las ejecuciones adicionales equivalen a réplicas (ejecuciones independientes), pero no son exactamente réplicas: se crean utilizando "factores falsos", por lo que es posible que no tenga los mismos valores de factor que para otras ejecuciones del diseño. Se pueden agregar tramos adicionales en bloques de cuatro: puede agregar 4 u 8 tramos adicionales en su diseño, por lo que puede cambiar la configuración a 0 (sin tramos adicionales), 4 u 8 tramos adicionales. Puede encontrar información adicional sobre la estructura específica de los DSD aquí: Estructura de los diseños de cribado definitivos
En mi computadora, puedo aumentar la cantidad de bloques y esto cambia la configuración de "Sin bloque" a "Agregar bloques con ejes centrales para estimar efectos cuadráticos":
Espero que esto te ayudará,
Re: Bloques y puntos centrales para un diseño de cribado definitivoPuedes seguir adelante y crear el diseño, y no agregará bloques. De forma predeterminada, el generador DSD agrega 4 puntos centrales, pero puede elegir usar solo 2 puntos centrales, simplemente elimine dos de los puntos centrales en el diseño generado. La razón por la que 4 puntos centrales es el valor predeterminado es que algunas investigaciones demostraron que el poder para detectar efectos importantes es mucho menor con 2 puntos centrales que con 4 puntos centrales.
Re: Bloques y puntos centrales para un diseño de cribado definitivoLas "Carreras Extra" no son puntos centrales.
De forma predeterminada, sin ningún bloque, un DSD incluirá un punto central en JMP. Agregar bloque permite agregar puntos centrales (un punto central para cada bloque).
Las 4 ejecuciones adicionales predeterminadas se utilizan para detectar mejor interacciones y efectos cuadráticos, así como para aumentar la potencia de los efectos principales:
Dado que estas ejecuciones no son réplicas, también brindan grados adicionales de libertad para detectar y estimar más términos de efecto.
Espero que esta respuesta resuelva cualquier ambigüedad.
Re: Bloques y puntos centrales para un diseño de cribado definitivoHola,
<<
Bien, lo resumiré: se puede (probablemente) agregar cualquier número de bloques (es decir, +4, +8, etc.). Se puede agregar una medida de punto central por bloque con 4 medidas.
Esto es desfavorable, por un lado, porque aumenta considerablemente el número de mediciones DSD. Esto reduce el atractivo de los DSD, que se supone que pueden separar los efectos cuadráticos y las interacciones entre los efectos principales sin más mediciones. Por otro lado, ChatGPT también me sugirió agregar varias medidas de puntos centrales, tal como lo había escrito MathStatChem. Bradley no cubrió el tema en detalle en su artículo de DSD. Por lo tanto, no tengo el efecto exacto ni las razones citables para ello.¿Existe algún artículo que examine el efecto de diferentes números de mediciones de puntos centrales agregados y/o bloques de mediciones de puntos centrales?
Según la experiencia, ¿los DSD todavía se pueden utilizar por 7 factores?
No está claro qué deberían ser los “factores falsos”.
tommy7571
Re: Bloques y puntos centrales para un diseño de cribado definitivoHola @Thommy7571 ,
Esto reduce el atractivo de los DSD, que se supone que pueden separar los efectos cuadráticos y las interacciones entre los efectos principales sin más mediciones. Por otro lado, ChatGPT también me sugirió agregar varias medidas de puntos centrales, tal como lo había escrito MathStatChem. Bradley no cubrió el tema en detalle en su artículo de DSD. Por lo tanto, no dispongo del efecto exacto ni de las razones citables.¿Existe algún artículo que examine el efecto de diferentes números de mediciones de puntos centrales agregados y/o bloques de mediciones de puntos centrales?
Nuevamente, evitaría usar ChatGPT para obtener respuestas precisas, particularmente en diseños modernos como DSD. Las respuestas pueden ser muy genéricas y no particularmente adecuadas para su caso de uso específico o el uso de DSD.
En cuanto al efecto de agregar puntos centrales o ejecuciones adicionales, puede buscar publicaciones o probar varios escenarios en JMP, creando varios diseños y comparándolos . Creé 3 DSD para este escenario:
- DSD para 7 factores continuos, cantidad mínima de ejecuciones requeridas (17 ejecuciones).
- DSD para 7 factores continuos, 21 ejecuciones con 5 puntos centrales (1 creado de forma predeterminada, 4 agregados en la tabla de datos después)
- DSD por 7 puntos continuos, 21 carreras con 4 carreras adicionales.
Aquí están las principales diferencias:
Con el modelo especificado aquí (suponiendo 3 interacciones y 3 efectos cuadráticos), puede ver que ambos diseños DSD "aumentados" (con 21 ejecuciones) tienen mayor poder para detectar efectos principales, interacciones y efectos cuadráticos. La diferencia es :
- DSD con puntos centrales agregados tiene un poder ligeramente mayor para detectar efectos cuadráticos, pero la ganancia en la detección de interacciones no es muy alta en comparación con la situación con 4 ejecuciones adicionales.
- DSD con 4 ejecuciones adicionales tiene un poder similar para detectar efectos cuadráticos y un poder mayor para detectar interacciones de 2 factores. Esto se debe al hecho de que las carreras adicionales no son réplicas (a diferencia de los puntos centrales que corresponden al mismo entorno/tratamiento) y las carreras DSD tienen factores establecidos en 3 niveles, por lo que las carreras adicionales mejoran significativamente la potencia de los efectos principales, las interacciones y son capaz de aumentar la potencia para efectos cuadráticos también.
Al observar el error estándar relativo de las estimaciones para el modelo supuesto, se tiene la misma interpretación que con el análisis de potencia: agregar puntos centrales solo mejora significativamente la precisión para estimar los efectos cuadráticos (y interceptar), mientras que agregar ejecuciones adicionales permite mejorar la precisión para estimar. términos de manera más uniforme.
En términos de varianza de predicción, los puntos centrales permiten tener una varianza de predicción más baja y más estable en el centro del espacio experimental. Esto puede resultar especialmente útil si cree que su punto óptimo puede estar en el centro del espacio experimental. Sin embargo, los DSD con solo puntos centrales tienden a tener una varianza de predicción mayor en las esquinas del experimental, ya que todos los puntos agregados son puntos centrales que solo disminuyen la varianza de predicción alrededor del centro de su espacio experimental:
Puede ver aquí que, al maximizar la varianza de la predicción, el DSD con 5 puntos centrales tiene una varianza de la predicción cercana a la del DSD original "no aumentado", mientras que el DSD con 4 ejecuciones adicionales permite reducir la varianza de la predicción de manera más homogénea en los límites de su espacio experimental. .
- Eficiencias :
Puede ver que DSD con 4 ejecuciones adicionales tiene mejores eficiencias D y G (la referencia de comparación es el DSD original de 17 ejecuciones, por lo que cuanto menor sea la eficiencia relativa del DSD original con otro DSD, mejor será la ganancia para este otro DSD) . Un pequeño recordatorio sobre la eficiencia aquí: Design Diagnostics (jmp.com) y https://en.wikipedia.org/wiki/Optimal_experimental_design
Por lo tanto, tener una mejor eficiencia D relativa es útil en la etapa de selección, ya que permite tener una mejor precisión en la estimación de los términos del efecto. La eficiencia G también puede ser útil, ya que permite minimizar la varianza de predicción máxima, para tener una varianza de predicción más homogénea entre el centro del espacio experimental y los bordes.
Las eficiencias A relativas, enfocadas en minimizar la varianza promedio de los coeficientes de regresión, y la eficiencia I, enfocadas en minimizar la varianza de predicción promedio en el espacio experimental, son ligeramente mejores en el diseño con 5 puntos centrales que en el diseño con 4 puntos extra. carreras.
Según la experiencia, ¿los DSD todavía se pueden utilizar por 7 factores?
Si tiene factores continuos, le recomiendo encarecidamente utilizar DSD para realizar una detección eficaz de más de 5 factores. Siempre puedes comprobar si este diseño te parece útil creando DSD y otros diseños de cribado (diseños de cribado clásicos con matrices de Hadamard, diseños D-/A-Optimal, ...) y utilizando la plataforma Compare Designs (jmp.com). . Tenga en cuenta que la mayoría de los diseños de detección solo tienen 2 niveles para los factores, a diferencia de los DSD.
No está claro qué deberían ser los “factores falsos”.
Los "factores falsos" son factores añadidos en la creación del DSD para generar un mayor número de ejecuciones en el diseño, pero que no tienen ningún interés práctico: no están vinculados a un factor experimental específico que quieras cambiar, simplemente aquí para aumentar el tamaño de la matriz. Agregar ejecuciones con "factores falsos" es un truco para permitir una mejor estimación de los efectos y una mayor potencia, y también aumentar el grado de libertad disponible para ajustar términos adicionales en el modelo.
Algunos recursos que le ayudarán a comprender los DSD:
Presentamos diseños de cribado definitivos - Comunidad de usuarios de JMP
Diseño de cribado definitivo - Comunidad de usuarios de JMP
La plataforma de detección definitiva Fit (jmp.com)
Uso de diseños de detección definitivos para obtener más información en menos ensayos - Comunidad de usuarios de JMP
Y de manera más general sobre DoE:
Recursos del DoE - Comunidad de usuarios de JMP
Agregué los tres diseños generados como ejemplo si quieres reproducir el análisis y comparación.
Espero que esta respuesta te ayude,
Re: Bloques y puntos centrales para un diseño de cribado definitivoMuchas gracias por este estudio. Sólo algunas observaciones. Según Bradly, el mínimo son 15 corridas para 7 puntos, excepto que el diseño debe ser ortogonal, como será el caso con 17 corridas. Es interesante ver que se incluyen los puntos factoriales, como ya he considerado. Por lo tanto, también es mejor incluir los puntos de esquina. Acabo de releer el artículo y tomar 8 factores para el diseño y eliminar la última columna después debería corresponder a su sugerencia. Los resultados son bastante lógicos: más réplicas en una región determinada mayor confiabilidad de la predicción en la región. Renunciaré a ChatGPT en cuanto a diseños... Hubo una sugerencia de usar un diseño óptimo como estándar (un video de los enlaces de su últimas respuestas). Por eso también lo apunté. ¿Debo cambiar a G-óptimo para la prueba? ¿Por qué?
Re: Bloques y puntos centrales para un diseño de cribado definitivoHola @Thommy7571 ,
Según Bradly, el mínimo son 15 corridas para 7 puntos, excepto que el diseño debe ser ortogonal, como será el caso con 17 corridas.
Lo sentimos, pero la información sobre el número mínimo de carreras está incompleta. Se puede acceder a la información completa sobre el número mínimo requerido de ejecuciones aquí: Estructura de diseños de cribado definitivos
Para resumir el contenido:
- Si tiene un número par de factores continuos, necesita 2k+1 ejecuciones
- Si tiene un número impar de factores continuos, necesita 2k+3 ejecuciones
Entonces, para 7 factores, necesita un mínimo de 17 ejecuciones, y para 8 factores el mínimo también es 17. Este tamaño de ejecución es una especificidad de DSD también mencionada y descubierta por miembros de esta comunidad, por ejemplo en esta publicación: https:/ /community.jmp.com/t5/Discussions/Verify-and-use-existing-Definitive-Screen-design-with-JMP/mp/752286/highlight/true#M93376
También puede verificar esto utilizando la plataforma Definitive Screening Designs y generando diseños para diferentes números de factores. Tenga en cuenta que esta regla depende de la existencia de una matriz de conferencia del tamaño requerido, vea un ejemplo aquí: Resuelto: Re: Diseño dsd de 49 factores - JMP User Community
Acabo de releer el artículo y tomar 8 factores para el diseño y eliminar la última columna después debería corresponder a su sugerencia.
Sí, para agregar ejecuciones adicionales, puede agregar factores "falsos" y luego eliminar sus columnas; así se generan las tiradas extra en la plataforma DSD.
Hubo la sugerencia de utilizar un diseño óptimo A como estándar (un video de los enlaces de sus últimas respuestas). Por eso también lo apunté. ¿Debo cambiar a G-óptimo para la prueba? ¿Por qué?
Los criterios de optimización D y A son más específicos para los diseños de selección, ya que se centran en la estimación precisa o la reducción de la varianza de las estimaciones de los coeficientes, por lo que permiten seleccionar y filtrar de manera más eficiente los factores no importantes de los importantes, en función de la significación estadística. debe ser confirmado con importancia práctica y experiencia en el dominio.
De hecho, Bradley Jones enfatiza el uso de diseños A-Óptimo para la evaluación, ya que permiten desempeños similares (si no mejores) que los diseños de evaluación D-Óptimo, y también permiten agregar un énfasis diferente en la estimación de algunos términos (por ejemplo, dar más importancia /peso para la estimación precisa de los efectos principales en lugar de interacciones): 21st Century Screening Designs (2020-US-45MP-538)
Los criterios de optimización G e I están más dirigidos a diseños de modelos de superficie de respuesta, donde la atención se centra en el rendimiento predictivo en el espacio experimental para permitir la optimización. El criterio de optimización G se centra y minimiza la varianza de predicción máxima , mientras que la optimización I minimiza la varianza de predicción promedio .
Espero que esta respuesta te ayude,
