Flusso di lavoro di progettazione dello screening definitivo
Ciao,
Ho eseguito un progetto di screening definitivo e generato una tabella selezionando "Aggiungi blocco con esecuzioni centrali per stimare gli effetti quadratici". Ho raccolto i dati di risposta e li ho aggiunti alla tabella. Ma quando provo a eseguire "Fit Definitive Screening", mi viene restituito questo errore:
La piattaforma Fit Definitive Screening funziona solo quando nascondo/escludo le esecuzioni dal blocco 2. Sto sbagliando qualcosa? Come faccio a eseguire un modello con tutte le esecuzioni incluse? Devo fare una specie di progettazione aumentata per includere il secondo blocco?
Modellazione statistica avanzataProgettazione degli esperimentiRe: Flusso di lavoro di progettazione dello screening definitivoCiao @sanch1 ,
Ho appena provato a riprodurre lo stesso errore creando lo stesso tipo di progettazione con 8 fattori continui, 2 blocchi, 8 sequenze extra:
Utilizzando una formula casuale per modellare una risposta con questo progetto, non ho riscontrato errori e posso continuare l'analisi:
Ho lo stesso tuo progetto (lo puoi trovare anche allegato):
Normalmente si riceve questo messaggio di errore quando una o più esecuzioni sperimentali non fanno parte del progetto e distruggono la struttura foldover, vedere https://community.jmp.com/t5/Discussions/How-can-I-add-extra-runs-into-the-designed-runs-from-Definitive/mp/782561/highlight/true#M96614
Esistono molti altri modi per procedere con l'analisi utilizzando, se necessario, la piattaforma Fit Model , utilizzando modelli Stepwise, modelli di regressione generalizzata, ecc...
Ma nel tuo caso, la riga 18 è perfettamente a posto ed è "l'immagine speculare" della riga 17 nello stesso blocco 1, quindi la struttura foldover è presente e rispettata.
Hai modificato i valori dei fattori in questa riga (o in altre) dopo aver generato il progetto?
Hai provato ad avviare la piattaforma " Fit DSD " dal menu (menu DOE, Definitive Screening, Fit Definitive Screening)?
Puoi condividere una versione anonima del tuo set di dati e del tuo progetto?
Spero che questo primo spunto di discussione possa aiutarti,
Re: Flusso di lavoro di progettazione dello screening definitivoCiao Vittorio,
Ho apportato alcune modifiche alla tabella:
1. Ho ordinato la tabella dei dati in ordine crescente per blocco per l'organizzazione
2. Ho dovuto rimuovere l'esperimento della serie 19 perché non era riuscito prima di poter raccogliere i risultati.
uno di questi avrebbe potuto compromettere la progettazione del DSD?
Re: Flusso di lavoro di progettazione dello screening definitivoCiao @sanch1 ,
L'ordinamento della tabella dati non modifica la struttura di progettazione e l'analisi. Tuttavia, la rimozione di un esperimento dalla tabella distruggerà la struttura di ripiegamento della progettazione (ci sarà un'esecuzione sperimentale senza la sua controparte "immagine speculare", che impedirà di utilizzare la piattaforma di analisi Fit DSD). Si incontreranno lo stesso problema e messaggio di errore con valori mancanti nella risposta o escludendo righe nella tabella.
Ho lo stesso messaggio di errore che hai tu quando rimuovi una qualsiasi esecuzione dalla tabella di progettazione e provo ad avviare la piattaforma Fit DSD:
Consiglierei di utilizzare altre piattaforme di modellazione (come accennato nella mia risposta precedente) per effettuare l'analisi.
Spero che questo risponda alla tua domanda,
Re: Flusso di lavoro di progettazione dello screening definitivoSono andato avanti usando un metodo con l'approccio All possible models tramite Stepwise. Grazie mille per il tuo aiuto!
Re: Flusso di lavoro di progettazione dello screening definitivoScusate i miei commenti (e ignorateli se preferite), ma il metodo stepwise non è il modo in cui dovreste analizzare il DOE. Stepwise è un approccio di costruzione di modelli additivi utile quando non avete un modello in mente (ad esempio, data mining). Quando eseguite esperimenti, iniziate con un modello in mente. Questa è una funzione dei fattori e dei livelli (e delle strategie per gestire il rumore). Dal modello rimuovete i termini insignificanti (un approccio sottrattivo).
Re: Flusso di lavoro di progettazione dello screening definitivoApproccio interessante! Tuttavia, dato questo particolare approccio in cui ho un punto dati (dato che non sono stato in grado di completare quella corsa), cosa consiglieresti invece per ottenere qualcosa di utile dai dati che ho ancora?
Re: Flusso di lavoro di progettazione dello screening definitivoScusa, non ho seguito tutto il thread e ho visto che Victor stava dando consigli, quindi non ho commentato. Hai eseguito un esperimento con un numero definito di fattori e livelli. A quanto pare hai anche deciso di eseguire blocchi e punti centrali. In ogni caso, dovresti avere un modello che assegni i tuoi DF. E dovresti assolutamente analizzare i dati con quel modello.
Per quanto riguarda i dati mancanti, vedi i miei consigli in questo thread:
https://community.jmp.com/t5/Discussions/JMP-DOE-chromatography-data-table-How-do-I-enter-values-for/mp/782318#M96561
Re: Flusso di lavoro di progettazione dello screening definitivoCiao @statman ,
Grazie mille per il tuo contributo e i tuoi commenti, sempre istruttivi e utili per guidare gli utenti nuovi ed esperti.
Sono propenso a concordare con te sull'approccio Stepwise per quanto riguarda l'aspetto "teorico": per i progetti non (super)saturi, il modello assunto dovrebbe essere quello da cui si parte, prima di considerare di perfezionarlo in base a criteri statistici e valutazione/validazione pratica.
Con i Definitive Screening Design, la situazione tende a essere un po' diversa rispetto ai design tradizionali, poiché non sarai in grado di stimare tutti i possibili termini che potrebbero essere stimati e inseriti nel modello; nella situazione qui con 8 fattori e 1 blocco, ciò significherebbe stimare 1 intercetta, 8 effetti principali (+blocco), 28 interazioni tra 2 fattori e 8 effetti quadratici. Il design utilizzato qui utilizza 26 esecuzioni, quindi non può stimare un modello RSM completo con i 46 termini menzionati prima, quindi non è possibile alcun approccio all'indietro/sottrattivo senza forti ipotesi/semplificazioni.
Da qui la necessità di una strategia di analisi specifica, che rientra nella piattaforma "Fit DSD". Se possibile, l'analisi "Fit DSD" è l'analisi consigliata, in quanto è una strategia di analisi più conservativa rispetto agli approcci Stepwise, presupponendo che i principi di scarsità dei fattori e di ereditarietà degli effetti siano veri, stimando e adattando prima gli effetti principali, prima di considerare le interazioni e gli effetti quadratici con il principio di ereditarietà degli effetti e stimandoli dai residui del modello degli effetti principali.
Quando Fit DSD non è possibile (a causa di valori mancanti, righe escluse, repliche aggiunte, ... qualsiasi cosa che potrebbe distruggere la struttura di foldover e impedire l'utilizzo dell'approccio di analisi consigliato per DSD), allora devi trovare qualcos'altro nella pratica. Stepwise potrebbe essere un'opzione (così come i modelli di regressione generalizzata, con metodi di stima "Two Stage Forward Selection", "Pruned Forward Selection" o "Best Subset" con Effect Heredity applicata, ma disponibile solo in JMP Pro), anche se il suo approccio "brute-force" e greedy potrebbe non essere ottimale nel contesto degli esperimenti progettati.
Mi piace particolarmente l'opzione "Tutti i modelli" nella piattaforma Stepwise (per un numero limitato di fattori e termini nel modello), non per creare direttamente con un approccio brute-force il "miglior" modello, ma per guidare la comprensione e la valutazione di diversi modelli e scegliere i termini attivi più probabili nel modello finale. Questo può essere visualizzato tramite "Grafici raster", introdotti nel contesto della selezione del modello per DoE da Peter Goos, proposti nella JMP Wish List: Grafici raster o altri strumenti di visualizzazione per aiutare la valutazione e la selezione del modello per DoE
Questa visualizzazione aiuta a identificare i termini attivi più probabili e a vedere dove/come i modelli concordano o non concordano. Può anche aiutare a visualizzare l'aliasing tra gli effetti. Esempio da un caso d'uso di Peter Goos:
@sanch1 Alla fine, " Tutti i modelli sono sbagliati ma alcuni sono utili ", quindi è sempre interessante provare a confrontare diverse opzioni di modellazione, e ancora di più quando l'esperienza di dominio può guidare il processo. Alcuni metodi sono più conservativi di altri, ma combinare diverse modellazioni con l'esperienza di dominio può aiutare ad avere una visione più ampia su ciò che conta di più. E da lì, pianifica i tuoi prossimi esperimenti per aumentare il tuo DoE, confermare/affinare/correggere il tuo modello e preparare alcuni punti di convalida per essere in grado di valutare la validità del tuo modello.
Se hai bisogno di maggiori informazioni o sei interessato ad approfondire l'analisi dell'argomento DSD, ci sono altre risorse/post che potrebbero aiutarti:
Spero che questa risposta complementare possa essere utile,
Re: Flusso di lavoro di progettazione dello screening definitivoBene, dobbiamo accettare di non essere d'accordo. Ho allegato il DSD che hai allegato prima nel thread con un modello saturo (fun the Fit Model script). Da lì sottrai i termini.
Solo perché non stai assegnando i DF non significa che non possano esserlo (le repliche casuali gradevoli non consentono l'assegnazione)
Re: Flusso di lavoro di progettazione dello screening definitivoDisclaimer : non sono uno statistico, ma piuttosto uso le statistiche nel modo più pratico e pragmatico. Mi dispiace se la mia comprensione è limitata o le mie spiegazioni non sono chiare/corrette, sto imparando costantemente 
:)
@statman Non so quale modello specifichi, ma non abbiamo usato lo stesso modello assunto (quadratico completo + blocco possibile con un DSD). Specificando un modello quadratico completo, avresti una singolarità per il termine di interazione X1.X2 che è una combinazione lineare di altri termini (vedi file con script aggiunto).
Hai ragione, puoi ancora aggiungere tutti i termini che vuoi nel modello qui. Ma in pratica, come fai a sapere quali termini sottrarre dal modello completo se hai stime distorte (azzerate, distorte o senza alcuna stima dell'errore std nel tuo script), valori p mancanti e mancanza di metriche per guidare la selezione/l'affinamento del tuo modello? Fondamentalmente non hai alcuna stima dell'errore e riferimento per il confronto/test?
- Nella tua situazione e nel modello ipotizzato, non c'è alcuna indicazione su quale termine sottrarre (nessun valore p, nessun errore standard per le stime dei termini, ...), e i nuovi utenti possono mantenere il modello così com'è, poiché "R² è uguale a 1", quindi è un modello perfetto".
- Nel mio modello ipotizzato, solo gli effetti principali e l'effetto blocco possono essere stimati e testati correttamente quando si adatta il modello completo ai dati. Ma il resto di tutti gli altri termini non può essere stimato correttamente, quindi può diventare molto complicato rifinire il modello all'indietro da questa situazione.
I metodi stepwise e altri metodi correlati sono utili per guidare l'utente e testare molti modelli diversi, ma i modelli non dovrebbero essere basati esclusivamente su metriche di accuratezza statistica/adattamento. La competenza di dominio e le esecuzioni di convalida sono essenziali per confermare l'affidabilità di un modello.
Spero che questa risposta chiarisca la mia risposta,
Re: Flusso di lavoro di progettazione dello screening definitivoSolo una nota, l'unica ragione per cui ho postato è stato il titolo del thread. Menziona workflow.
Ti rimando a Cuthbert Daniel (Daniel Plots, ovvero grafici normali e semi-normali) e GEP Box (che aggiunge anche i grafici di Bayes) per i metodi di analisi dei modelli saturi. Anche i grafici di Pareto in cui indichi la significatività pratica sull'asse Y sono piuttosto utili. Escludere semplicemente i termini dal modello distorce la stima MSE e può portare a un'interpretazione errata dei dati.
Daniel, Cuthbert (1959), Utilizzo di grafici semi-normali nell'interpretazione di esperimenti fattoriali a due livelli, Technometrics , novembre, vol. 1, n. 4
Box, GEP, Daniel Meyer, (1993), “ Trovare i fattori attivi negli esperimenti di screening frazionato ”, Journal of Quality Technology , Vol. 25, No. 2, aprile
Guarda come il Dott. Box analizza gli esperimenti in questo articolo:
Box, GEP, Stephen Jones (1992), “ Progetti split-plot per la sperimentazione di prodotti robusti ”, Journal of Applied Statistics , Vol. 19, No. 1
