Flujo de trabajo de diseño de detección definitiva
Hola,
Ejecuté un diseño de detección definitiva y generé una tabla seleccionando "Agregar bloque con ejecuciones centrales para estimar efectos cuadráticos". Recopilé los datos de respuesta y los agregué a la tabla. Pero cuando intento ejecutar "Ajustar detección definitiva", me aparece este error:
La plataforma Fit Definitive Screening solo se ejecuta cuando oculto o excluyo ejecuciones del bloque 2. ¿Estoy haciendo algo mal? ¿Cómo ejecuto un modelo con todas las ejecuciones incluidas? ¿Tengo que hacer algún tipo de diseño aumentado para incluir el segundo bloque?
Modelado estadístico avanzadoDiseño de experimentosRe: Flujo de trabajo de diseño de detección definitivaHola @sanch1 ,
Intenté reproducir el mismo error creando el mismo tipo de diseño con 8 factores continuos, 2 bloques, 8 ejecuciones adicionales:
Al utilizar una fórmula aleatoria para modelar una respuesta con este diseño, no tengo ningún error y puedo continuar con el análisis:
Tengo el mismo diseño que tú (también lo puedes encontrar adjunto):
Normalmente, recibiría este mensaje de error cuando una o varias ejecuciones experimentales no son parte del diseño y destruyen la estructura plegable; consulte https://community.jmp.com/t5/Discussions/How-can-I-add-extra-runs-into-the-designed-runs-from-Definitive/mp/782561/highlight/true#M96614
Existen muchas otras formas de proceder con el análisis utilizando la plataforma Fit Model si es necesario, utilizando modelos Stepwise, modelos de regresión generalizada, etc...
Pero en tu caso, la fila 18 está perfectamente bien y es la "imagen reflejada" de la fila 17 en el mismo bloque 1, por lo que la estructura de pliegue está presente y se respeta.
¿Cambiaste algún valor de factor en esta fila (o en otras) después de generar el diseño?
¿Has intentado iniciar la plataforma " Fit DSD " desde el menú (menú DOE, Definitive Screening, Fit Definitive Screening)?
¿Puede compartir una versión anónima de su conjunto de datos y diseño?
Espero que este primer inicio de discusión pueda ayudarte.
Re: Flujo de trabajo de diseño de detección definitivaHi Victor,
Hice algunos cambios en la tabla:
1. Ordené la tabla de datos en orden ascendente por bloque para organizarla.
2. Tuve que eliminar el experimento de la ejecución 19 porque falló antes de poder recopilar los resultados.
¿Alguno de estos habría alterado el diseño del DSD?
Re: Flujo de trabajo de diseño de detección definitivaHola @sanch1 ,
Ordenar la tabla de datos no cambia la estructura del diseño ni el análisis. Sin embargo, eliminar un experimento de la tabla destruirá la estructura de diseño desplegable (habrá una ejecución experimental sin su contraparte "imagen reflejada", lo que impedirá el uso de la plataforma de análisis Fit DSD). Se enfrentará al mismo problema y mensaje de error con valores faltantes en la respuesta o al excluir filas en la tabla.
Tengo el mismo mensaje de error que usted cuando elimino cualquier ejecución de la tabla de diseño e intento iniciar la plataforma Fit DSD:
Recomendaría utilizar otras plataformas de modelado (como mencioné en mi respuesta anterior) para realizar el análisis.
Espero que esto responda tu pregunta.
Re: Flujo de trabajo de diseño de detección definitivaSeguí adelante con un método con el enfoque de Todos los modelos posibles a través de Paso a Paso. ¡Muchas gracias por tu ayuda!
Re: Flujo de trabajo de diseño de detección definitivaPerdone mis comentarios (e ignórelos si lo prefiere), pero el método paso a paso no es la forma de analizar el DOE. El método paso a paso es un enfoque aditivo para la construcción de modelos que resulta útil cuando no tiene un modelo en mente (por ejemplo, minería de datos). Cuando realiza experimentos, comienza con un modelo en mente. Este es una función de los factores y niveles (y estrategias para manejar el ruido). Del modelo, elimina los términos insignificantes (un enfoque sustractivo).
Re: Flujo de trabajo de diseño de detección definitiva¡Un enfoque interesante! Sin embargo, dado este enfoque particular en el que tengo un punto de datos (ya que no pude completar esa ejecución), ¿qué recomendarías en cambio para obtener algo útil de los datos que aún tengo?
Re: Flujo de trabajo de diseño de detección definitivaLo siento, no he estado siguiendo todo el hilo y vi que Víctor estaba dando consejos, así que no comenté. Realizaste un experimento con una cantidad determinada de factores y niveles. Aparentemente, también decidiste ejecutar bloques y puntos centrales. De todas formas, deberías tener un modelo que asigne tus factores de desarrollo y definitivamente deberías analizar los datos con ese modelo.
Vea mi consejo de este hilo sobre los datos faltantes:
https://community.jmp.com/t5/Discussions/JMP-DOE-chromography-data-table-How-do-I-enter-values-for/mp/782318#M96561
Re: Flujo de trabajo de diseño de detección definitivaHola @statman ,
Muchas gracias por sus aportes y comentarios, siempre instructivos y reflexivos para guiar a usuarios nuevos y experimentados.
Tiendo a estar de acuerdo contigo sobre el enfoque Stepwise en el aspecto "teórico": para diseños no (super)saturados, el modelo asumido debe ser el que se utiliza al comenzar, antes de considerar refinarlo en función de criterios estadísticos y evaluación/validación práctica.
Con los diseños de cribado definitivo, la situación tiende a ser un poco diferente en comparación con los diseños tradicionales, ya que no podrá estimar todos los términos posibles que podrían estimarse e ingresarse en el modelo; en la situación aquí con 8 factores y 1 bloque, eso significaría estimar 1 intersección, 8 efectos principales (+bloque), 28 interacciones entre 2 factores y 8 efectos cuadráticos. El diseño utilizado aquí utiliza 26 ejecuciones, por lo que no puede estimar un modelo RSM completo con los 46 términos mencionados anteriormente, por lo que no es posible un enfoque regresivo/sustractivo sin suposiciones sólidas/simplificación.
De ahí la necesidad de una estrategia de análisis específica, que se encuentra bajo la plataforma "Fit DSD". Si es posible, el análisis "Fit DSD" es el análisis recomendado, ya que es una estrategia de análisis más conservadora que los enfoques Stepwise, asumiendo que los principios de escasez de factores y herencia de efectos se mantienen, estimando y ajustando los efectos principales primero, antes de considerar las interacciones y los efectos cuadráticos con el principio de herencia de efectos y estimándolos a partir de los residuos del modelo de efectos principales.
Cuando no es posible ajustar DSD (debido a valores faltantes, filas excluidas, réplicas agregadas, etc.) que puedan destruir la estructura de plegado y evitar que se utilice el enfoque de análisis recomendado para DSD), entonces hay que encontrar algo más en la práctica. El método por pasos puede ser una opción (así como los modelos de regresión generalizada, con métodos de estimación de "selección hacia adelante en dos etapas", "selección hacia adelante podada" o "mejor subconjunto" con herencia de efectos aplicada, pero solo disponible en JMP Pro), incluso si su enfoque de "fuerza bruta" y ambicioso puede no ser óptimo en el contexto de experimentos diseñados.
Me gusta especialmente la opción "Todos los modelos" en la plataforma Stepwise (para un número limitado de factores y términos en el modelo), no para crear directamente en un enfoque de fuerza bruta el "mejor" modelo, sino para guiar la comprensión y evaluación de varios modelos, y elegir los términos activos más probables en el modelo final. Esto se puede visualizar a través de "Gráficos ráster", introducidos en el contexto de la selección de modelos para DoE por Peter Goos, propuestos en la Lista de deseos de JMP: Gráficos ráster u otras herramientas de visualización para ayudar a la evaluación y selección de modelos para DoE
Esta visualización ayuda a identificar los términos activos más probables y a ver dónde y cómo concuerdan o no los modelos. También puede ayudar a visualizar el aliasing entre efectos. Ejemplo de un caso de uso de Peter Goos:
@sanch1 Al final, " todos los modelos son erróneos, pero algunos son útiles ", por lo que siempre es interesante probar y comparar diferentes opciones de modelado, y más aún cuando la experiencia en el dominio puede guiar el proceso. Algunos métodos son más conservadores que otros, pero combinar diferentes modelos con la experiencia en el dominio puede ayudar a tener una visión más amplia sobre lo que más importa. Y a partir de ahí, planifique sus próximos experimentos para aumentar su DoE, confirmar/refinar/corregir su modelo y preparar algunos puntos de validación para poder evaluar la validez de su modelo.
Si necesita más información o está interesado en profundizar en el análisis del tema DSD, existen otros recursos/publicaciones que podrían ayudarlo:
Espero que esta respuesta complementaria pueda ser de ayuda,
Re: Flujo de trabajo de diseño de detección definitivaBueno, tenemos que estar de acuerdo en que no estamos de acuerdo. He adjuntado el DSD que adjuntaste anteriormente en el hilo con un modelo saturado (es divertido el script Fit Model). A partir de ahí, restas términos.
El hecho de que no asignes los DF no significa que no puedan hacerlo (las réplicas aleatorias agradables no permiten la asignación)
Re: Flujo de trabajo de diseño de detección definitivaDescargo de responsabilidad : no soy estadístico, pero utilizo las estadísticas de la forma más práctica y pragmática. Lo siento si mi comprensión es limitada o si mis explicaciones no son claras o correctas. Estoy aprendiendo constantemente. 
:)
@statman No sé qué modelo especificas, pero no usamos el mismo modelo asumido (cuadrático completo + bloque posible con un DSD). Al especificar un modelo cuadrático completo, tendrías una singularidad para el término de interacción X1.X2 que es una combinación lineal de otros términos (consulta el archivo con el script agregado).
Tienes razón en que puedes agregar tantos términos como quieras en el modelo aquí. Pero, en la práctica, ¿cómo sabes qué términos restar del modelo completo si tienes estimaciones sesgadas (puestas a cero, sesgadas o sin ninguna estimación de error estándar en tu script), valores p faltantes y falta de métricas para guiar la selección/refinamiento de tu modelo? Básicamente, no tienes ninguna estimación de error ni referencia para comparación/prueba.
- En su situación y modelo asumido, no hay ninguna indicación sobre qué término restar (no hay valores p, no hay error estándar para las estimaciones de los términos, ...), y los nuevos usuarios pueden mantener el modelo como está, ya que "R² es igual a 1", por lo que es un modelo perfecto".
- En el modelo que asumí, solo los efectos principales y el efecto de bloque se pueden estimar y probar adecuadamente al ajustar el modelo completo a los datos. Pero el resto de los demás términos no se pueden estimar adecuadamente, por lo que puede resultar muy complicado refinar el modelo a partir de esta situación.
Los métodos por pasos y otros métodos relacionados son útiles para guiar al usuario y probar muchos modelos diferentes, pero no se debe confiar únicamente en los modelos en función de la precisión estadística o las métricas de ajuste. La experiencia en el dominio y las ejecuciones de validación son esenciales para confirmar la confiabilidad de un modelo.
Espero que esta respuesta aclare mi respuesta.
Re: Flujo de trabajo de diseño de detección definitivaSolo una nota: el único motivo por el que publiqué fue el título del hilo. Menciona el flujo de trabajo.
Te recomendaré a Cuthbert Daniel (Daniel Plots, también conocidos como gráficos normales y seminormales) y GEP Box (también agrega gráficos de Bayes) para métodos de análisis de modelos saturados. Los gráficos de Pareto en los que se indica la significancia práctica en el eje Y también son bastante útiles. Simplemente dejar términos fuera del modelo sesga la estimación de MSE y puede llevar a una mala interpretación de los datos.
Daniel, Cuthbert (1959), Uso de gráficos seminormales para interpretar experimentos factoriales de dos niveles, Technometrics , noviembre, vol. 1, n.º 4
Box, GEP, Daniel Meyer, (1993), “ Encontrar los factores activos en experimentos de cribado fraccionado ”, Journal of Quality Technology , vol. 25, n.º 2, abril
Vea cómo el Dr. Box analiza los experimentos en este artículo:
Box, GEP, Stephen Jones (1992), “ Diseños de parcelas divididas para experimentación robusta de productos ”, Journal of Applied Statistics , vol. 19, n.º 1
