750186_es-ES

liliconcom

Asistencia con el Departamento de Energía

Estoy intentando configurar un DoE en mi organización. Es la primera vez que utilizamos este enfoque. Hay un par de personas observando y quiero hacerlo bien para destacar el valor del DoE y JMP. Por lo tanto, espero que sea aceptable publicar esta pregunta aquí. Se adjuntan tablas de ejemplo.

Esta es la situación. Tenemos:

• 4 respuestas continuas:
  • Rendimiento_A
  • Rendimiento_B
  • Impureza_A
  • Impureza_B
• 4 factores continuos:
  • Concentración de reactivo
  • Tiempo de reacción
  • Temperatura de reacción
  • Relación reactivo-reactivo
• 2 covariables para la materia prima que se utilizará para la prueba, ambas continuas
  • Concentración_compuesto_X
  • Concentración_compuesto_Y
• Un factor nominal de dos niveles, que supongo que puede interpretarse como factor de bloqueo y covariable. Se sospecha que influye en la respuesta y está directamente vinculado a Concentration_compound_X y Concentration_compound_Y a través de un ID de lote:
  • Tipo de proceso

Queremos crear un DoE para un modelo que tenga en cuenta los efectos principales, todas las interacciones bidireccionales, las dos covariables y el ProcessType . Observe nuevamente que la materia prima utilizada en este experimento puede provenir de dos procesos diferentes ( Type_1 y Type_2 ). Cada lote de materia prima tiene su conjunto único de niveles de Concentration_compound_X y Concentration_compound_Y que se utilizarán como covariables en el diseño.

Tengo problemas para entender cuál es la mejor manera de agregar las covariables y el tipo de proceso al diseño . No puedo agregar el tipo de proceso como variable de bloqueo. Después de una investigación inicial, decidimos optar por un diseño personalizado. Mi comprensión me falla después de haber cargado las cuatro respuestas continuas y los cuatro factores continuos en el diálogo DoE. Aquí es donde comienza la saga.

Caso 1 (Agregar tanto covariables como ProcessType como covariables “fáciles de cambiar”):

Los factores y las respuestas ya están en la ventana de diálogo. Luego, presiono el botón “Seleccionar factores de covariable” y agrego las covariables como se muestra a continuación. La tabla de covariables tiene 900 filas y cada fila representa un lote individual.

Dejo todos los factores en la configuración predeterminada “Cambios = Fácil”:

Después de agregar las interacciones, el diseño termina con 900 ejecuciones.

Está claro que se trata de un diseño engañoso. Nadie realizará 900 ejecuciones, al menos no de forma voluntaria.

Caso 2 (Agregar tanto covariables como ProcessType como covariables “difíciles de cambiar”)

En este ejemplo, las covariables y el tipo de proceso se agregaron nuevamente con el rol “Covariable”, pero el cambio de factor se estableció como estricto. Esto crea un diseño de gráfico completo con 45 ejecuciones predeterminadas:

JMP permite al usuario reducir aún más la cantidad de ejecuciones, lo cual es bueno. Sin embargo, no hay puntos centrales en el diseño y tampoco puedo agregar réplicas...

Pensamientos y preguntas:

• ¿Es el caso #2 un diseño aceptable?
• Entre los dos casos anteriores, el diseño sensato obviamente es el caso n.° 2, pero me pregunto por qué JMP no me permite agregar puntos centrales y/o réplicas.
• La configuración de los cambios de factor en estrictos para las dos covariables y el tipo de proceso parece realista, ya que es posible que la fabricación se quede estancada con un solo lote de materia prima. Pero, ¿es correcta esta elección? Podemos elegir casi cualquier lote que queramos para el experimento y la única razón por la que el cambio de factor se estableció en estricto es para evitar generar un diseño de 900 ejecuciones.
• Estoy un poco sorprendido con las 900 ejecuciones generadas en el caso n.° 1. ¿Estoy equivocado al creer que el algoritmo de generación de diseño debería elegir una cantidad adecuada de lotes y ejecuciones? ¿O es mi responsabilidad como usuario indicarle a JMP la cantidad de ejecuciones que considero adecuadas, evaluar el diseño y decidir si necesito mejorarlo agregando más lotes de la tabla de covariables?

¡Gracias por la iluminación!

Diseño de experimentosRe: Asistencia con el Departamento de Energía

¡Genial! Felicitaciones por tu primer (de muchos) experimento. Esperemos que los resultados sean lo suficientemente alentadores como para continuar. Recuerda este punto muy importante: cada vez que planificas y ejecutas un experimento hay dos oportunidades importantes:

1. ¿Qué aprendiste sobre el "proceso" que beneficia a la empresa Y

2. ¿Qué aprendiste tú mismo sobre la experimentación?

El segundo es pensar a largo plazo y puede ser más valioso.

Re: Asistencia con el Departamento de Energía

@statman , quería agradecerte nuevamente por tu consejo. Ya hemos finalizado nuestro primer DoE en nuestra empresa, y hemos seguido de cerca tus recomendaciones. Si bien no recibimos ningún aporte adicional de expertos en estadística, todo salió muy bien. Tan bien, de hecho, que creo que la gerencia estará ansiosa por ver este enfoque experimental aplicado a diferentes áreas.

Re: Asistencia con el Departamento de Energía¡Gracias! Probablemente podré transmitir con éxito los puntos principales de este mensaje. Y me siento aliviado: no hay OFAT.Re: Asistencia con el Departamento de Energía

Lo siento, mi consejo es que deberías conseguir a alguien con experiencia que te guíe en el proceso de selección de diseño, siempre y cuando no quieras perder tiempo y dinero. Si bien la experimentación es probablemente siempre mejor que OFAT, DOE requiere planificación. Recuerda que el mayor problema con OFAT es el espacio de inferencia. Mantener los factores constantes mientras manipulas uno te permite sacar conclusiones sobre ese factor que dependen de dónde se establezcan los otros factores. Si alguno de ellos cambia en el futuro, tus conclusiones pueden no ser válidas. Esto también se aplica al ruido.

No me obsesionaría con las covariables. Simplemente agregue una columna para cada covariable al diseño que elija. Registre un valor de cada covariable para cada tratamiento. El análisis se puede realizar posteriormente para manejar las covariables.

NO INTENTES CONSEGUIR TODO EN UN SOLO EXPERIMENTO.

Comenzaría la investigación con un RCBD (Randomized Complete Block Design). Realizaría un factorial fraccional en los 4 factores de diseño. Res IV es un buen lugar para comenzar. Establézcalos en niveles audaces, pero razonables. Para el bloque, confunda las diferentes concentraciones para X e Y. Para el primer bloque (-1), seleccione uno de los ProcessTypes y elija niveles bajos de concentración para X e Y (esto puede requerir algún muestreo para obtener una estimación de la concentración antes de ejecutar el experimento). Para el segundo bloque (1), use el otro ProcessType y establezca los niveles de concentración en el lado alto. No me preocuparía por la curvatura todavía. Ejecute el primer bloque, analice los datos. ¿Qué aprendió? Ejecute el segundo bloque, compare los resultados del primer y segundo bloque. ¿Qué aprendió? ¿Los efectos encontrados en el primer bloque fueron los mismos que en el segundo bloque? ¿O cambian? Si sus resultados son similares entre ambos bloques, podría decir que los 4 efectos de los factores de diseño son robustos a las concentraciones entrantes, si no, tendrá que iterar para crear un proceso robusto.

Re: Asistencia con el Departamento de Energía

@statman , como siempre muy útil!

Algunas restricciones:

• Tenemos poco tiempo y carecemos de la competencia para comparar las diferentes opciones de diseño con respecto a sus fortalezas y debilidades.
• Por triste que parezca, soy la persona responsable de este esfuerzo. Lamentablemente, me embarqué en esto con el mantra del JMP "el DoE siempre es mejor que el OFAT" en mi cabeza. Sus comentarios me preocupan y me quitan la confianza.

En respuesta a tus balas:

1. En realidad, estamos tratando de comprender los efectos individuales y las interacciones de cuatro factores continuos en la respuesta. La optimización es una ventaja, pero entiendo que, utilizando DoE, es probable que sea posible realizar al menos cierta optimización casi independientemente de los detalles de la elección del diseño una vez que se haya elegido una categoría de diseño principal (superficie personalizada o de respuesta).
2. Sí.
3. Es una idea interesante, pero por ahora sólo queremos entender el efecto de los factores y, posiblemente, optimizarlos a corto plazo. Estamos convencidos de que la variabilidad de la materia prima influye en la respuesta.
4. Estamos muy seguros de que todos los factores propuestos tienen un efecto, pero no estamos seguros de qué tan grande es en cada caso. La clasificación no es del todo clara y queríamos analizar esto de manera agnóstica, por lo que inicialmente consideramos un diseño de detección. Sin embargo, un diseño de detección JMP no permite covariables o interacciones en la configuración del DoE, por lo que pasamos a la solución de navaja suiza "diseño personalizado".
5. Respecto a las covariables, queremos incluirlas en el diseño porque tenemos razones sólidas para suponer que afectarán algunas de las respuestas.
   1. No podría tratar con confianza los bloques experimentales como efectos fijos y aleatorios (se requiere más lectura, ver "algunas restricciones")
   2. Sí, hemos pensado en estudiar las concentraciones de la materia prima entrante. De hecho, conocemos su composición aproximada. Si los valores no son verdaderamente representativos, esto también es una información interesante porque descubre una fuente de variación que puede añadir ruido a nuestros datos del DoE. Esta es una de las razones por las que queremos configurarlo de forma económica y responsable, para poder culpar más adelante a la falta de un conocimiento preciso de la composición de nuestra materia prima por el ruido. Para lograrlo, queríamos incluir las covariables.
6. No es que no quiera hacerlo, pero además de la limitación de tiempo frente a la lectura exhaustiva que se recomienda, vender esto y presentarlo como parte del proceso de decisión hacia el diseño experimental es un desafío. No soy muy bueno actuando. Una venta infinitamente más fácil sería sugerir un DoE con o sin covariables (muchas o pocas ejecuciones).

Preguntas y más pensamientos (si me lo permiten):

Siempre que sea posible, en referencia directa a sus viñetas.

1. Después de tus comentarios, ya no estoy convencido de que lo que había planeado para el caso n.° 2 sea bueno. Ahora estoy pensando en "superficie de respuesta", pero:
   1. Esto también parece impedir que se utilicen covariables en el diseño (al menos en JMP).
   2. Con cuatro factores continuos, el diseño mínimo predeterminado (Box-Behnken) tiene 27 ejecuciones (sin considerar las covariables como factores por derecho propio)

6. Ahora tengo la tentación de ejecutar un diseño personalizado completo para solo uno de los dos tipos de materia prima (que, por supuesto, había etiquetado de manera un tanto estúpida como ProcessType , ya que su diferencia surge de diferencias en el proceso de fabricación).
Esto permitiría la inclusión de las covariables y la estimación de todas las interacciones bidireccionales en "solo" 22 ejecuciones. Pero, nuevamente, la inclusión de covariables no permite puntos centrales...
Sin tener en cuenta las covariables, podríamos estimar todos los efectos principales y las interacciones bidireccionales para una materia prima bx en incluso menos ejecuciones, lo que permitiría tal vez uno o dos puntos centrales para acomodar la curvatura. Esto es comparativamente barato y podría ayudar a que la gerencia se familiarice con la idea de realizar más experimentos una vez que hayan desarrollado el gusto por el perfilador de diseño.
Probablemente podría vender esto, argumentando que a.) solo tenemos un presupuesto limitado y b.) más adelante podemos intentar replicar estos resultados con algunos lotes de materia prima seleccionados del segundo tipo de proceso.

• Mi mayor preocupación es la moral. ¿Deberíamos rendirnos y volver a la OFAT? Con suerte, esto es lo peor que podríamos hacer. Si no, estoy condenado.

Re: Asistencia con el Departamento de Energía

No entiendo el proceso ni la situación lo suficientemente bien como para brindar un consejo específico, pero aquí hay algunas cosas para pensar:

1. ¿Estás intentando elegir un ganador o estás interesado en la estructura causal que afecta a las 4 variables de respuesta?

2. ¿Comprende la variación/capacidad del sistema de medición para cada una de las 4 respuestas?

3. Si le interesa comprender la estructura causal y la solidez de las concentraciones de material entrante, probablemente le recomendaría la experimentación secuencial. Comience con un espacio de diseño grande (muchos factores establecidos en niveles en negrita, espacio de inferencia grande).

4. ¿Cuál es el orden de clasificación previsto de los efectos del modelo (incluidos los lineales de primer y segundo orden y los no lineales de segundo orden)?

5. En lo que respecta específicamente a las covariables. Si ha elegido esta opción, estará creando un modelo mixto (modelo de efectos fijos y aleatorios). Le sugiero que empiece por el bloque (tipo de proceso). Puede intentar tratar este bloque como un efecto fijo y un efecto aleatorio. Aunque puede seguir midiendo las concentraciones y registrar esos valores para un análisis posterior, no empezaría con las covariables en el modelo. Añadir covariables puede aumentar considerablemente la cantidad de efectos fijos que "necesita". ¿Ha pensado en estudiar las concentraciones de los materiales entrantes con el muestreo? Saber cuánto varían es útil para determinar la utilidad de las covariables. Recuerde que está poniendo un valor para cada tratamiento. ¿Qué pasa si ese valor no es representativo de la concentración? ¿Qué pasa con los errores de medición adicionales? ¿Qué pasa con el efecto de retardo?

6. Diseñe múltiples opciones, por ejemplo:

• Diseño de 4 factores en fracción media res IV ejecutado en dos bloques completos, 16 tratamientos
• 4 factores se ejecutan en 2 bloques incompletos, res III, 8 tratamientos
• 4 factores se ejecutan en 2 bloques incompletos res V, 16 tratamientos
• Factorial completo de 4 factores en 2 bloques completos, resolución completa, 32 tratamientos
• Agregue múltiples puntos centrales a cualquiera de los anteriores (un DF para probar la curvatura en el espacio de diseño y posiblemente para evaluar la estabilidad en el espacio de diseño)
• Agregue repeticiones a cualquiera de los anteriores (dentro del ruido del tratamiento, errores de medición)

Para cada diseño posible, determine qué se puede aprender (cuál es el modelo, qué se confunde, tamaño del espacio de inferencia) y compárelo con los recursos necesarios. Prediga todos los resultados posibles y lo que hará en cada caso. Elija un diseño que cumpla con sus criterios y prepárese para iterar.