¿Verificar y utilizar el diseño de pantalla definitiva existente con JMP?Hola,
Obtuve un diseño de pantalla definitivo para un experimento del DOE mediante ChatGPT 4.0. Parece razonable (después de varias discusiones). ¿Puede JMP verificar si el diseño de pantalla definitivo es aceptable? Si tengo un diseño de pantalla definitivo existente, ¿puedo usarlo y luego evaluar los resultados experimentales de dichas mediciones mediante JMP? ¿O JMP solo evalúa sus propios diseños?
Diseño de experimentosRe: ¿Verificar y utilizar el diseño de pantalla definitiva existente con JMP?Sí, tus respuestas siempre son útiles. ¡Gracias!
Re: ¿Verificar y utilizar el diseño de pantalla definitiva existente con JMP?Hola @Ressel ,
Recomiendo encarecidamente leer las publicaciones del blog de Bradley Jones sobre DSD para comprender mejor su uso:
Presentamos diseños de detección definitivos
Uso adecuado e inadecuado de los diseños de detección definitivos (DSD)
Sobre sus preguntas:
- Los DSD no se crearon como un enfoque de selección "universal", sino que apuntaban a optimizar y reducir la cantidad de ejecuciones de experimentos de selección que involucraban 5 o más factores. Por debajo de 5 factores, existen alternativas de diseño "mejores" o más adecuadas para la selección: diseños D-óptimos, diseños de selección clásicos o incluso diseños de superficie de respuesta.
Por debajo de 7 factores, JMP está creando un DSD con ejecuciones mínimas requeridas para 7 factores (17 ejecuciones) y considera los factores no utilizados como "factores falsos" para aumentar la potencia. Eso explica por qué hay una pequeña disminución de la potencia en los diseños que involucran de 2 a 6 factores, ya que cuanto más factores se utilizan en el diseño experimental, menos ejecuciones adicionales están disponibles para aumentar la potencia y la precisión de la estimación de términos. Para el séptimo factor, debe agregar ejecuciones adicionales (4 recomendadas por JMP) para aumentar la potencia, ya que ya no hay factores falsos.
- El número mínimo de ejecuciones evoluciona linealmente para DSD dependiendo del número de factores m:
- 2m+1 cuando el número de factores m es par,
- 2m+3 cuando el número de factores m es desigual.
Esto explica por qué los diseños con 7 y 8 factores, o 9 y 10 factores, tienen el mismo número requerido de ejecuciones.
- Las 4 ejecuciones adicionales recomendadas por JMP corresponden a la adición de 2 factores falsos en un DSD. Puede realizar la prueba y comparar los diseños (DSD con 4 ejecuciones adicionales y DSD con 2 factores falsos), deberían ser idénticos:
Espero que esta respuesta te ayude.:)
Re: ¿Verificar y utilizar el diseño de pantalla definitiva existente con JMP?Hola @Thommy7571 ,
Sí, puedes evaluar cualquier diseño con la plataforma Evaluate Designs (jmp.com) .
Puedes comparar varios diseños con la plataforma Compare Designs (jmp.com) .
Por último, si desea cambiar los rangos de factores, los términos del modelo, las restricciones, agregar puntos centrales, réplicas o cualquier otra cosa, puede utilizar la plataforma Augment Designs (jmp.com) . La aleatorización siempre se propone al final de cualquier construcción de diseño, antes de crear la tabla de datos:
Hay varios ejemplos en la sección de Ayuda de JMP sobre casos de uso para ampliar un diseño: replicar un diseño, agregar puntos centrales, plegar, puntos axiales, aumento para rellenar espacios.
Todas estas operaciones se pueden realizar con cualquier diseño desde cualquier fuente, siempre que pueda cargar los datos en un formato que JMP reconozca: Importar sus datos (jmp.com) Pero como menciona @P_Bartell , es posible que tenga que hacer alguna preparación manual con las propiedades de las columnas de factores y respuestas para agregar propiedades específicas que ayuden a JMP a reconocer cómo manejar los factores y las respuestas de DoE: Propiedades de columna (jmp.com)
Espero que esta respuesta responda tus preguntas.
Re: ¿Verificar y utilizar el diseño de pantalla definitiva existente con JMP?@Victor_G , advertencia, pregunta de novato y disculpa por secuestrar esta conversación. Lo que me sorprende con DSD en JMP es que la cantidad de ensayos para los primeros 6 factores agregados a un diseño invariablemente se mantiene en 17. Solo con el séptimo factor, la cantidad de ensayos aumenta a 21. Para completar, incluí una fila para un factor, aunque esto tiene un sentido limitado.
| Factores | Bloques | Nro. de carreras extra
(JMP predeterminado) | Ensayos
(total) | Fuerza
(interceptar) | Fuerza
(cualquier término excepto intersección) |
| 1 | 1 | 4 | 17 | 0,97 | 0,937 |
| 2 | 1 | 4 | 17 | 0,969 | 0,935 |
| 3 | 1 | 4 | 17 | 0,967 | 0,932 |
| 4 | 1 | 4 | 17 | 0,965 | 0,929 |
| 5 | 1 | 4 | 17 | 0,963 | 0,925 |
| 6 | 1 | 4 | 17 | 0,959 | 0,92 |
| 7 | 1 | 4 | 21 | 0,988 | 0,975 |
| 8 | 1 | 4 | 21 | 0,987 | 0,973 |
| 9 | 1 | 4 | 25 | 0,997 | 0,992 |
| 10 | 1 | 4 | 25 | 0,996 | 0,992 |
Preguntas:
- ¿Por qué JMP sugiere tantas ejecuciones con muy pocos factores y por qué el número de ejecuciones comienza a cambiar solo después de que se introduce el séptimo factor?
- Si se analiza el poder de los factores, la reducción incremental del primer al sexto factor parece marginal. ¿Por qué?
- ¿Hay algo que estoy entendiendo mal?
Re: ¿Verificar y utilizar el diseño de pantalla definitiva existente con JMP?La respuesta corta es "sí". Puede importar prácticamente cualquier diseño a JMP. La ruta general sería crear el diseño en la aplicación de origen y luego guardarlo en algún formato de archivo. JMP tiene la capacidad de importar de forma nativa muchos, muchos formatos de archivo diferentes. Consulte la documentación. Como mínimo, guarde el archivo en algún formato de uso común, por ejemplo, una hoja de cálculo .xls y luego será tan fácil como copiar y pegar en JMP. Una vez que el diseño está en una tabla de datos de JMP, es completamente editable como cualquier otra tabla de datos de JMP.
Pero, en realidad, cuando creas un diseño de forma nativa con JMP, se crean muchos metadatos junto con las combinaciones de tratamientos habituales. JMP utiliza estos metadatos en segundo plano para todo tipo de tareas relacionadas con la visualización y el análisis. Normalmente, ninguno de los metadatos viene con el archivo importado, por lo que puedes terminar dedicando mucho tiempo a agregar los metadatos a cada columna para que JMP se comporte como deseas en tu flujo de trabajo de análisis, resultados e informes de JMP.
Así que mi pregunta moraleja de la historia es... si ya tienes JMP para hacer el análisis... ¿por qué irías a otra parte a crear el diseño? Simplemente no tiene sentido para mí. La única razón que se me ocurre es que alguien más creó el diseño. Realizó el experimento y ahora te pide que analices los resultados.
Re: ¿Verificar y utilizar el diseño de pantalla definitiva existente con JMP?Hola, gracias por la respuesta. Quizás ChatGPT no sea óptimo, pero existen otras opciones, ya sea otro programa o el diseño de un colega. Entonces, ¿esto significa que puedo crear un diseño usando otro software y luego probarlo, editarlo y usarlo con JMP? Sería bueno si también existiera la posibilidad de editar posteriormente un diseño estándar (no aleatorio), es decir, agregar varios puntos centrales, aleatorizar, etc. ¿Es eso posible?
Re: ¿Verificar y utilizar el diseño de pantalla definitiva existente con JMP?Respuesta corta: JMP puede evaluar cualquier conjunto de datos. Si hay algo que ganar con el análisis es otra cuestión.
Re: ¿Verificar y utilizar el diseño de pantalla definitiva existente con JMP?Hola @Thommy7571 ,
Primer punto: si tienes JMP, te recomiendo encarecidamente que lo uses en lugar de confiar en los modelos de lenguaje grandes para crear tu DoE, ya que los LLM no pueden (por diseño) razonar, planificar y calcular. En términos generales, no uses un LLM cuando esperes un hecho, un cálculo o un análisis. Según el conjunto de entrenamiento, puede proporcionar respuestas aceptables, pero no siempre es el caso (y puede que no sea reproducible).
En la propia tabla de datos también hay varios aspectos a comprobar, como por ejemplo:
- Presencia de 3 niveles para cada factor continuo (-1, 0, 1),
- Las carreras en el diseño vienen en pares plegables con una carrera al menos en el centro del espacio experimental.
Si tienes un conjunto de datos y quieres comprobar cómo está organizado, te recomiendo utilizar la plataforma Evaluate Designs (jmp.com) . Hay varios aspectos que puedes notar al utilizar un diseño de cribado definitivo y evaluarlo:
- Al observar el análisis de potencia de los efectos principales, debería tener los mismos valores de potencia (o muy similares) para los mismos tipos de factores (aquí X1 a X5 son continuos, X6 es categórico con 2 niveles):
- Mapa de colores sobre correlaciones: no debería haber correlaciones entre los efectos principales y entre los efectos principales y las interacciones de 2 factores, por lo que terminará con este tipo de patrón:
Aquí, tengo una correlación muy pequeña en el área de efectos principales debido a la presencia del factor categórico X6, pero si solo tienes factores continuos, no tendrás este pequeño borde. Observar la matriz Alias también puede ayudar a verificar si no hay confusión completa (que podría estar presente en diseños factoriales clásicos).
- Mirar una matriz de diagrama de dispersión también puede ayudar a ver la estructura particular del DSD y la ausencia de correlación entre factores:
Ver más aquí: Presentación de diseños de detección definitivos - Comunidad de usuarios de JMP
Por último, si tienes JMP y aún quieres comprobar el diseño generado por ChatGPT 4, puedes generar un DSD con JMP con la misma configuración y número de factores, y utilizar la plataforma Compare Designs (jmp.com) para comprobar si hay irregularidades o diferencias fuertes.
Espero que esta respuesta pueda ayudarte.
