Organizado por @HadleyMyers , los entusiastas del DOE compartieron discusiones sobre varios temas.
¡Siéntete libre de continuar las discusiones a continuación!
Vídeo 1: Introducción
Vídeo 2: Cómo lidiar con valores atípicos
Comentarios:
@Victor_G : Y también separar las repeticiones de las réplicas para entender mejor si el problema viene del proceso de medición (repeticiones), o del sistema (con posible incertidumbre en la fijación de los niveles de los factores, visto a través de las réplicas)
Vídeo 3: Usos de los factores covariables
Comentarios:
@Victor_G : Jed Campbell de JMP hizo una excelente publicación de blog sobre las restricciones de factores no lineales: https://community.jmp.com/t5/JMP-Blog/Demystifying-Factor-Constraints/ba-p/619898
Desmitificando las limitaciones de los factores
¿No es la definición de restricciones de factores algo que debería dejar de lado o fingir que no existe? Un hombre sabio no hace nada por restricción. -Marco Tulio Cicerón Si te has sentido intimidado por la definición de restricciones de factores...
@Paul_J : Hice eso todo el tiempo cuando trabajaba en las industrias alimentaria y química.
@Bill_Worley : Soy un gran defensor del uso de conjuntos de candidatos covariables.
@Victor_G : Los conjuntos de covariables son muy útiles en química, cuando se trata de propiedades químicas como entradas, por ejemplo.
Vídeo 4: mejores prácticas para establecer rangos
Comentarios:
@Victor_G : Utilice el rango amplio en la selección (posiblemente con puntos centrales) y refine el rango en la exploración/optimización.
@KimRas2 : ¡Sé valiente!
@shs : Lo que a mí me funciona es que, si empiezas desde cero y no estás seguro de si tus límites funcionan, comiences con el experimento que creas que podría ser el más crítico. En este caso, solo desperdicias un experimento.
@Victor_G : Los diseños de alcance también son muy útiles para definir rangos apropiados y verificar la variabilidad en el espacio de diseño: https://prismtc.co.uk/resources/blogs-and-articles/scoping-designs
Solo puedes probar pruebas con niveles -1 para todos los factores, puntos centrales y niveles +1 para todos los factores.
Y puedes ampliar muy fácilmente tu diseño de alcance a un diseño factorial.
@Nicola_Nuti : De acuerdo, aumentar el tamaño del efecto también otorga más poder.
@Jonas_Rinne : La idea de diseñar alcances es muy útil para comprobar si los alcances tienen sentido, especialmente cuando hay muchos factores en juego.
@SDF1 : Incluso los ensayos que no funcionan siguen proporcionando información muy útil para el DOE y todo el proceso exploratorio.
@shs : Con configuraciones demasiado estrechas, nunca puedes estar seguro de la curvatura, lo que suele suceder con la temperatura.
@Paul_J : establecer los rangos es un buen ejemplo de por qué mantener la ciencia en las estadísticas.
@Bill_Worley : Si tienes algunos datos históricos, puedes crear un modelo y utilizar el Design Space Profiler para ayudar a determinar los rangos óptimos.
@Victor_G : Sí, DoE es un cambio de método, pero con mayor previsibilidad sobre los resultados y los aprendizajes y con una planificación mucho más sencilla (en comparación con intentar un factor a la vez y confiar en la mejor estimación).
@SDF1 : Dependiendo de qué tan "nueva" sea la investigación, a veces es necesario un "pre-DOE" para determinar cuáles son los rangos viables para los factores que estás probando, de modo que cuando realmente te sientes a crear un DOE más detallado/complejo, tengas más probabilidades de que todas las ejecuciones sean exitosas.
Vídeo 5: EOD modernas
@Victor_G : Me gusta mucho la metáfora del techo, ¡gracias por compartir!
@shs : Ya casi no uso diseños clásicos, ya que son grandes en las ejecuciones experimentales. El uso de conceptos como SVEM con diseños pequeños o diseños de cribado definidos, etc., puede brindar diseños que pueden cubrir una gran cantidad de factores con pocas ejecuciones, y eso convence a las personas cuando ven por primera vez cuánto se pueden reducir los esfuerzos experimentales utilizando diseños modernos.
@Victor_G :
A menudo evalúo y comparo diseños modernos con una posible contraparte "clásica", para mostrar mejor el beneficio del diseño moderno.
@KimRas2 : ¿DoE funcional?
@ryan_cooper : A menudo me gusta hacer referencia a algunos de los puntos de Phil Kay en esta discusión de la comunidad. (Sin embargo, el título de la pregunta es engañoso). Algunos debates sobre por qué la mayoría de las cosas se pueden hacer con DSD y diseño personalizado.
https://community.jmp.com/t5/Discussions/Reason-against-using-Custom-Design-DOE-for-everything/td-p/407995
Vídeo 6: Explorador de datos funcionales
@Victor_G : DoE funcional con salida de curva: https://community.jmp.com/t5/Discovery-Summit-Europe-2021/Use-of-Functional-Data-Explorer-in-a-Mixture-Design-for/ta-p/349208
Puede utilizar datos de curva (datos funcionales) como entradas y/o salidas.
Lyndal preguntó: ¿La licencia estándar de JMP cubre el análisis funcional de DoE? Pensé que era necesario JMP Pro.
Sí, solo está en Pro
@Victor_G : Como entrada, puedes usar coeficientes del análisis funcional y vincular estos coeficientes a tus salidas.
@Phil_Kay : @Ben_BarrIngh tiene cierta experiencia en ese campo. Ben estará presente en Discovery Summit en Manchester si puedes asistir.
¡Gracias por las grabaciones y transcripciones @maria_astals !
Si algunos usuarios ( @Nicola_Nuti ?) están interesados en usar datos funcionales como entradas para DoE, @Jed_Campbell hizo una excelente explicación en esta publicación de blog: Uso de datos funcionales como entradas en lugar de salidas
Básicamente, analiza tus diferentes curvas con la FDE, extraes los componentes principales funcionales de cada curva y luego usas estos coeficientes como covariables en un DoE personalizado.
¡Estoy deseando asistir al próximo DoE Club (y al JMP Discovery Summit)!
