Moderiert von @HadleyMyers diskutierten DOE-Enthusiasten über verschiedene Themen.
Sie können die Diskussionen unten gerne fortsetzen!
Video 1: Einführung
Video 2: Umgang mit Ausreißern
Kommentare:
@Victor_G : Und trennen Sie auch Wiederholungen von Replikationen, um besser zu verstehen, ob das Problem vom Messvorgang (Wiederholungen) oder vom System herrührt (mit möglicher Unsicherheit bei der Festlegung der Faktorniveaus, betrachtet durch Replikationen).
Video 3: Verwendung von Kovariatenfaktoren
Kommentare:
@Victor_G : Jed Campbell von JMP hat einen tollen Blog-Beitrag über Einschränkungen durch nichtlineare Faktoren geschrieben: https://community.jmp.com/t5/JMP-Blog/Demystifying-Factor-Constraints/ba-p/619898
Entmystifizierung der Faktorbeschränkungen
Sollte ich die Definition von Faktorbeschränkungen nicht einfach in Ruhe lassen oder so tun, als ob es sie nicht gäbe? Ein weiser Mann tut nichts unter Zwang. -Marcus Tullius Cicero Wenn Sie sich von der Definition eingeschüchtert gefühlt haben...
@Paul_J : Das habe ich ständig gemacht, als ich in der Lebensmittel- und Chemieindustrie gearbeitet habe.
@Bill_Worley : Ich bin ein großer Befürworter der Verwendung von Kovariaten-Kandidatensätzen.
@Victor_G : Kovariatensätze sind in der Chemie sehr nützlich, wenn es beispielsweise um chemische Eigenschaften als Eingaben geht
Video 4: Best Practices zum Festlegen von Bereichen
Kommentare:
@Victor_G : Verwenden Sie den breiten Bereich beim Screening (möglicherweise mit Mittelpunkten) und verfeinern Sie den Bereich bei der Erkundung/Optimierung.
@KimRas2 : Seien Sie mutig!
@shs : Was bei mir funktioniert, ist, wenn Sie bei Null anfangen und sich nicht sicher sind, ob Ihre Grenzen funktionieren. Beginnen Sie mit dem Experiment, das Ihrer Meinung nach am kritischsten sein könnte. Hier verschwenden Sie nur ein Experiment.
@Victor_G : Scoping-Designs sind auch sehr nützlich, um geeignete Bereiche zu definieren und die Variabilität im Designraum zu überprüfen: https://prismtc.co.uk/resources/blogs-and-articles/scoping-designs
Sie versuchen nur Tests mit -1-Stufen für alle Faktoren, Mittelpunkt(e) und +1-Stufen für alle Faktoren.
Und Sie können Ihr Scoping-Design ganz einfach in ein faktorielles Design erweitern.
@Nicola_Nuti : Einverstanden, eine Erhöhung der Effektgröße verleiht auch mehr Leistung.
@Jonas_Rinne : Die Idee, Designs in Bereiche einzuteilen, ist super hilfreich, um zu prüfen, ob Ihre Bereiche Sinn ergeben. Besonders, wenn Sie viele Faktoren haben.
@SDF1 : Selbst Versuche, die nicht funktionieren, liefern immer noch sehr nützliche Informationen für das DOE und den gesamten Sondierungsprozess.
@shs : Bei zu engen Einstellungen kann man sich hinsichtlich der Krümmung nie sicher sein, was bei der Temperatur oft der Fall ist.
@Paul_J : Das Festlegen der Bereiche ist ein gutes Beispiel dafür, warum die Wissenschaft in der Statistik bleiben sollte.
@Bill_Worley : Wenn Sie über einige historische Daten verfügen, können Sie ein Modell erstellen und den Design Space Profiler zur Ermittlung optimaler Bereiche verwenden.
@Victor_G : Ja, DoE ist eine Methodenänderung, aber mit mehr Vorhersagbarkeit hinsichtlich der Ergebnisse, Erkenntnisse und einer wesentlich einfacheren Planung (verglichen mit dem Ausprobieren von „Ein Faktor nach dem anderen“ und dem Verlassen auf bestmögliche Schätzungen).
@SDF1 : Je nachdem, wie „neu“ die Forschung ist, ist manchmal ein „Vor-DOE“ erforderlich, um die praktikablen Bereiche für die von Ihnen getesteten Faktoren zu bestimmen, sodass Sie, wenn Sie sich tatsächlich hinsetzen, um ein detaillierteres/komplexeres DOE zu erstellen, mit größerer Wahrscheinlichkeit alle Durchläufe erfolgreich durchführen können.
Video 5: Modern DOE´s
@Victor_G : Die Metapher mit dem Dach gefällt mir wirklich gut, danke fürs Teilen!
@shs : Ich verwende klassische Designs kaum noch, da sie bei Versuchsdurchläufen sehr groß sind. Die Verwendung von Konzepten wie SVEM mit kleinen Designs oder bestimmten Screening-Designs usw. kann Ihnen Designs liefern, die mit wenigen Durchläufen eine große Anzahl von Faktoren abdecken können, und das überzeugt die Leute, wenn sie zum ersten Mal sehen, wie sehr der Versuchsaufwand bei Verwendung moderner Designs sinken kann.
@Victor_G :
Ich bewerte und vergleiche oft moderne Designs mit einem möglichen "klassischen" Gegenstück, um den Nutzen des modernen Designs besser zu zeigen
@KimRas2 : Funktionales DoE?
@ryan_cooper : Ich beziehe mich in dieser Community-Diskussion oft gerne auf einige Punkte von Phil Kay. (Der Titel der Frage ist jedoch irreführend.) Einige Diskussionen darüber, warum die meisten Dinge mit DSD und benutzerdefiniertem Design erledigt werden können.
https://community.jmp.com/t5/Discussions/Reason-against-using-Custom-Design-DOE-for-everything/td-p/407995
Video 6: Funktionaler Daten-Explorer
@Victor_G : Funktionales DoE mit Kurvenausgabe: https://community.jmp.com/t5/Discovery-Summit-Europe-2021/Use-of-Functional-Data-Explorer-in-a-Mixture-Design-for/ta-p/349208
Sie können Kurvendaten (Funktionsdaten) als Ein- und/oder Ausgabe verwenden.
Lyndal fragte: Deckt die Standardlizenz von JMP funktionale DoE-Analysen ab? Ich dachte, dafür wäre JMP Pro erforderlich?
Ja, es ist nur in Pro
@Victor_G : Als Eingabe können Sie Koeffizienten aus der Funktionsanalyse verwenden und diese Koeffizienten mit Ihren Ausgaben verknüpfen
@Phil_Kay : @Ben_BarrIngh ist auf diesem Gebiet ein Experte. Ben wird beim Discovery Summit in Manchester sein, falls Sie es schaffen.
Danke für die Aufnahmen und Transkripte , @maria_astals !
Wenn einige Benutzer ( @Nicola_Nuti ?) daran interessiert sind, funktionale Daten als Eingaben für DoE zu verwenden, hat @Jed_Campbell in diesem Blogbeitrag eine großartige Erklärung dazu gegeben: Verwenden funktionaler Daten als Eingaben statt als Ausgaben
Grundsätzlich analysieren Sie Ihre verschiedenen Kurven mit der FDE, extrahieren die funktionalen Hauptkomponenten aus jeder Kurve und verwenden diese Koeffizienten dann als Kovariate in einem benutzerdefinierten DoE.
Ich freue mich darauf, am nächsten DoE Club (und JMP Discovery Summit) teilzunehmen!
