Definitiver Screening-Design-Workflow
Hallo,
Ich habe ein definitives Screening-Design ausgeführt und eine Tabelle erstellt, indem ich „Block mit Center-Runs hinzufügen, um quadratische Effekte abzuschätzen“ ausgewählt habe. Ich habe die Antwortdaten gesammelt und sie der Tabelle hinzugefügt. Aber wenn ich versuche, „Definitives Screening anpassen“ auszuführen, erhalte ich diesen Fehler:
Die Fit Definitive Screening-Plattform läuft nur, wenn ich Läufe aus Block 2 ausblende/ausschließe. Mache ich etwas falsch? Wie führe ich ein Modell aus, bei dem alle Läufe enthalten sind? Muss ich eine Art erweitertes Design erstellen, um den zweiten Block einzuschließen?
Erweiterte statistische ModellierungVersuchsplanungBetreff: Definitiver Screening-Design-WorkflowHallo @sanch1 ,
Ich habe gerade versucht, denselben Fehler zu reproduzieren, indem ich denselben Designtyp mit 8 kontinuierlichen Faktoren, 2 Blöcken und 8 zusätzlichen Durchläufen erstellt habe:
Wenn ich mit diesem Design eine Zufallsformel zur Modellierung einer Antwort verwende, tritt kein Fehler auf und ich kann mit der Analyse fortfahren:
Ich habe das gleiche Design wie Sie (Sie finden es auch im Anhang):
Normalerweise erhalten Sie diese Fehlermeldung, wenn ein oder mehrere experimentelle Durchläufe nicht Teil des Designs sind und die Foldover-Struktur zerstören, siehe https://community.jmp.com/t5/Discussions/How-can-I-add-extra-runs-into-the-designed-runs-from-Definitive/mp/782561/highlight/true#M96614
Es gibt viele weitere Möglichkeiten, mit der Analyse fortzufahren. Verwenden Sie bei Bedarf die Fit Model- Plattform, indem Sie schrittweise Modelle, verallgemeinerte Regressionsmodelle usw. verwenden.
Aber in Ihrem Fall ist Zeile 18 völlig in Ordnung und stellt das „Spiegelbild“ von Zeile 17 im selben Block 1 dar, die Umschlagstruktur ist also vorhanden und wird beachtet.
Haben Sie nach der Erstellung des Designs Faktorwerte in dieser Zeile (oder in anderen) geändert?
Haben Sie versucht, die Plattform „ Fit DSD “ über das Menü (Menü DOE, Definitive Screening, Fit Definitive Screening) zu starten?
Können Sie eine anonymisierte Version Ihres Datensatzes und Designs weitergeben?
Hoffe, dieser erste Diskussionsstarter könnte Ihnen helfen,
Betreff: Definitiver Screening-Design-WorkflowHallo Victor,
Ich habe einige Änderungen an der Tabelle vorgenommen:
1. Ich habe die Datentabelle zur Organisation aufsteigend nach Block sortiert
2. Das Experiment in Lauf 19 musste ich aufgrund eines Fehlers löschen, bevor ich Ergebnisse sammeln konnte.
Hätte eines davon das DSD-Design durcheinandergebracht?
Betreff: Definitiver Screening-Design-WorkflowHallo @sanch1 ,
Das Sortieren der Datentabelle ändert nicht die Designstruktur und -analyse. Das Entfernen eines Experiments aus der Tabelle zerstört jedoch die Design-Foldover-Struktur (es wird einen Versuchsdurchlauf ohne sein „spiegelbildliches“ Gegenstück geben, was die Verwendung der Fit DSD-Analyseplattform verhindert). Sie werden mit demselben Problem und derselben Fehlermeldung konfrontiert, wenn in der Antwort ein oder mehrere Werte fehlen oder wenn Zeilen in der Tabelle ausgeschlossen werden.
Beim Entfernen eines Laufs aus der Entwurfstabelle und beim Versuch, die Fit DSD-Plattform zu starten, wird bei mir dieselbe Fehlermeldung angezeigt wie bei Ihnen:
Ich würde empfehlen, für die Analyse andere Modellierungsplattformen zu verwenden (wie bereits in meiner Antwort erwähnt).
Hoffe, dies beantwortet Ihre Frage,
Betreff: Definitiver Screening-Design-WorkflowIch habe eine Methode mit dem All Possible Models-Ansatz durch Stepwise verwendet. Vielen Dank für Ihre Hilfe!
Betreff: Definitiver Screening-Design-WorkflowEntschuldigen Sie meine Kommentare (und ignorieren Sie sie, wenn Sie möchten), aber Sie sollten DOE nicht schrittweise analysieren. Schrittweise ist ein additiver Ansatz zum Erstellen von Modellen, der nützlich ist, wenn Sie kein Modell im Kopf haben (z. B. Data Mining). Wenn Sie Experimente durchführen, beginnen Sie mit einem Modell im Kopf. Dies ist eine Funktion der Faktoren und Ebenen (und Strategien zum Umgang mit Rauschen). Aus dem Modell entfernen Sie unbedeutende Terme (ein subtraktiver Ansatz).
Betreff: Definitiver Screening-Design-WorkflowInteressanter Ansatz! Aber was würden Sie angesichts dieses speziellen Ansatzes, bei dem ich nur einen Datenpunkt habe (da ich diesen Lauf nicht abschließen konnte), stattdessen empfehlen, um aus den Daten, die ich noch habe, etwas Nützliches herauszuholen?
Betreff: Definitiver Screening-Design-WorkflowEntschuldigung, ich habe den ganzen Thread nicht verfolgt und gesehen, dass Victor Ratschläge gab, also habe ich nicht kommentiert. Sie haben ein Experiment mit einer festgelegten Anzahl von Faktoren und Ebenen durchgeführt. Anscheinend haben Sie sich auch entschieden, Blöcke und Mittelpunkte auszuführen. Unabhängig davon sollten Sie ein Modell haben, das Ihre DFs zuweist. Und Sie sollten die Daten unbedingt mit diesem Modell analysieren.
Beachten Sie meinen Rat aus diesem Thread bezüglich fehlender Daten:
https://community.jmp.com/t5/Discussions/JMP-DOE-chromatography-data-table-How-do-I-enter-values-for/mp/782318#M96561
Betreff: Definitiver Screening-Design-WorkflowHallo @statman ,
Vielen Dank für Ihre Beiträge und Kommentare. Sie sind immer lehrreich und hilfreich bei der Anleitung neuer und erfahrener Benutzer.
Was den „theoretischen“ Aspekt des schrittweisen Ansatzes angeht, stimme ich Ihnen tendenziell zu: Bei nicht (über)gesättigten Designs sollte das angenommene Modell dasjenige sein, mit dem Sie beginnen, bevor Sie eine Verfeinerung anhand statistischer Kriterien und einer praktischen Auswertung/Validierung in Betracht ziehen.
Bei Definitive Screening Designs ist die Situation im Vergleich zu traditionellen Designs tendenziell etwas anders, da Sie nicht alle möglichen Terme schätzen können, die geschätzt und in das Modell aufgenommen werden könnten; in der Situation hier mit 8 Faktoren und 1 Block würde das bedeuten, 1 Achsenabschnitt, 8 Haupteffekte (+Block), 28 Interaktionen zwischen 2 Faktoren und 8 quadratische Effekte zu schätzen. Das hier verwendete Design verwendet 26 Läufe, sodass es kein vollständiges RSM-Modell mit den zuvor erwähnten 46 Termen schätzen kann, sodass ohne starke Annahmen/Vereinfachung kein möglicher Rückwärts-/subtraktiver Ansatz möglich ist.
Daher ist eine spezielle Analysestrategie erforderlich, die auf der Plattform „Fit DSD“ basiert. Wenn möglich, wird die „Fit DSD“-Analyse empfohlen, da sie eine konservativere Analysestrategie als schrittweise Ansätze darstellt. Dabei wird vorausgesetzt, dass die Prinzipien der Faktorsparsität und Effektvererbung zutreffen. Zunächst werden die Haupteffekte geschätzt und angepasst, bevor Wechselwirkungen und quadratische Effekte mit dem Prinzip der Effektvererbung berücksichtigt und anhand der Residuen des Haupteffektmodells geschätzt werden.
Wenn „DSD anpassen“ nicht möglich ist (aufgrund fehlender Werte, ausgeschlossener Zeilen, hinzugefügter Replikate usw., was die Überlappungsstruktur zerstören und die Verwendung des empfohlenen Analyseansatzes für DSD verhindern könnte), müssen Sie in der Praxis etwas anderes finden. „Schrittweise“ kann eine Option sein (ebenso wie verallgemeinerte Regressionsmodelle mit den Schätzmethoden „Zweistufige Vorwärtsauswahl“, „Beschnittene Vorwärtsauswahl“ oder „Beste Teilmenge“ mit erzwungener Effektvererbung, aber nur in JMP Pro verfügbar), auch wenn der „Brute-Force“- und „Greedy“-Ansatz im Kontext der geplanten Experimente möglicherweise nicht optimal ist.
Mir gefällt besonders die Option „Alle Modelle“ in der Stepwise-Plattform (für eine begrenzte Anzahl von Faktoren und Begriffen im Modell), nicht um direkt mit roher Gewalt das „beste“ Modell zu erstellen, sondern um das Verständnis und die Bewertung mehrerer Modelle zu leiten und die wahrscheinlichsten aktiven Begriffe im endgültigen Modell auszuwählen. Dies kann durch „Rasterdiagramme“ visualisiert werden, die im Zusammenhang mit der Modellauswahl für DoE von Peter Goos eingeführt und in der JMP-Wunschliste vorgeschlagen wurden: Rasterdiagramme oder andere Visualisierungstools zur Unterstützung der Modellbewertung und -auswahl für DoEs
Diese Visualisierung hilft, die wahrscheinlichsten aktiven Begriffe zu identifizieren und zu sehen, wo/wie Modelle übereinstimmen oder nicht übereinstimmen. Sie kann auch dabei helfen, Aliasing zwischen Effekten zu visualisieren. Beispiel aus einem Anwendungsfall von Peter Goos:
@sanch1 Letztendlich gilt: „ Alle Modelle sind falsch, aber manche sind nützlich “, daher ist es immer interessant, verschiedene Modellierungsoptionen zu vergleichen, und noch interessanter, wenn Fachkenntnisse den Prozess leiten können. Einige Methoden sind konservativer als andere, aber die Kombination verschiedener Modelle mit Fachkenntnissen kann dabei helfen, einen umfassenderen Überblick über das Wesentliche zu erhalten. Und von da an planen Sie Ihre nächsten Experimente, um Ihr DoE zu erweitern, Ihr Modell zu bestätigen/verfeinern/korrigieren und einige Validierungspunkte vorzubereiten, um die Gültigkeit Ihres Modells beurteilen zu können.
Wenn Sie weitere Informationen benötigen oder tiefer in die Analyse des DSD-Themas eintauchen möchten, gibt es andere Ressourcen/Beiträge, die Ihnen helfen könnten:
Ich hoffe, diese ergänzende Antwort kann hilfreich sein,
Betreff: Definitiver Screening-Design-WorkflowNun, wir müssen uns darauf einigen, dass wir unterschiedlicher Meinung sind. Ich habe das DSD, das Sie früher im Thread angehängt haben, mit einem gesättigten Modell angehängt (Spaß mit dem Skript „Modell anpassen“). Von dort subtrahieren Sie Terme.
Nur weil Sie die DFs nicht zuweisen, heißt das nicht, dass dies nicht möglich ist (zugegebenermaßen erlauben randomisierte Replikate keine Zuweisung).
Betreff: Definitiver Screening-Design-WorkflowHaftungsausschluss : Ich bin kein Statistiker, sondern verwende Statistiken auf die praktischste und pragmatischste Weise. Entschuldigen Sie, wenn mein Verständnis begrenzt ist oder meine Erklärungen nicht klar/korrekt sind, ich lerne ständig dazu. 
:)
@statman Ich weiß nicht, welches Modell Sie angeben, aber wir haben nicht dasselbe angenommene Modell verwendet (vollständig quadratisch + Block möglich mit einem DSD). Wenn Sie ein vollständig quadratisches Modell angeben, hätten Sie eine Singularität für den Interaktionsterm X1.X2, der eine lineare Kombination anderer Terme ist (siehe Datei mit hinzugefügtem Skript).
Sie haben Recht, dass Sie hier im Modell immer noch so viele Terme hinzufügen können, wie Sie möchten. Aber woher wissen Sie in der Praxis, welche Terme Sie vom Gesamtmodell abziehen müssen, wenn Sie verzerrte Schätzungen haben (auf Null gesetzt, verzerrt oder ohne Standardfehlerschätzung in Ihrem Skript), fehlende p-Werte und fehlende Metriken zur Orientierung bei der Modellauswahl/-verfeinerung? Sie haben im Grunde keine Fehlerschätzung und keine Referenz zum Vergleichen/Testen?
- In Ihrer Situation und bei Ihrem angenommenen Modell gibt es keinen Hinweis darauf, welcher Term subtrahiert werden soll (keine p-Werte, kein Standardfehler für Termschätzungen, ...), und neue Benutzer können das Modell so belassen, wie es ist, da „R² gleich 1 ist“ und es sich daher um ein perfektes Modell handelt.
- In meinem angenommenen Modell können nur die Haupteffekte und der Blockeffekt richtig geschätzt und getestet werden, wenn das vollständige Modell an die Daten angepasst wird. Aber alle anderen Terme können nicht richtig geschätzt werden, sodass es sehr schwierig werden kann, das Modell aus dieser Situation heraus rückwärts zu verfeinern.
Schrittweise und andere ähnliche Methoden sind hilfreich, um den Benutzer anzuleiten und viele verschiedene Modelle zu testen, aber man sollte sich bei den Modellen nicht ausschließlich auf statistische Genauigkeit/Anpassungsmetriken verlassen. Fachwissen und Validierungsläufe sind unerlässlich, um die Zuverlässigkeit eines Modells zu bestätigen.
Hoffe, diese Antwort klärt meine Antwort,
Betreff: Definitiver Screening-Design-WorkflowNur eine Anmerkung, der einzige Grund für meinen Beitrag war der Titel des Threads. Darin wird der Workflow erwähnt.
Ich verweise Sie auf Cuthbert Daniel (Daniel Plots, auch bekannt als normale und halbnormale Diagramme) und GEP Box (fügt auch Bayes-Diagramme hinzu) für Methoden zur Analyse gesättigter Modelle. Pareto-Diagramme, bei denen Sie die praktische Bedeutung auf der Y-Achse angeben, sind ebenfalls recht nützlich. Das bloße Weglassen von Termen im Modell verzerrt die MSE-Schätzung und kann zu Fehlinterpretationen der Daten führen.
Daniel, Cuthbert (1959), Verwendung von halbnormalen Diagrammen zur Interpretation faktorieller zweistufiger Experimente, Technometrics , November, Vol. 1, Nr. 4
Box, GEP, Daniel Meyer, (1993), „ Finden der aktiven Faktoren in fraktionierten Screening-Experimenten “, Journal of Quality Technology , Vol. 25, Nr. 2, April
Sehen Sie in diesem Artikel, wie Dr. Box Experimente analysiert:
Box, GEP, Stephen Jones (1992), „ Split-Plot-Designs für robuste Produktexperimente “, Journal of Applied Statistics , Vol. 19, Nr. 1
