¿Cuándo se deben evaluar únicamente los efectos principales? (No los efectos principales + interacción de segundo orden)Hola,
Me gustaría saber cuándo una situación requiere evaluar solo los efectos principales, ignorando los efectos de interacción.
Un colega y yo tenemos enfoques diferentes sobre cómo se realizan los diseños de detección, por lo que me gustaría entender lo que piensan los demás.
Podemos asumir lo siguiente:
- Este es un diseño de detección (digamos 4 factores - 2 niveles)
- Hasta el momento no se sabe nada de las interacciones y, en teoría, podría existir cualquier interacción.
- El material (n.° de experimento) y el tiempo no están limitados
- Se pueden realizar DoE de seguimiento para ampliar el modelo.
Valoro la eficiencia y siempre orientaré los experimentos hacia la mentalidad del "científico codicioso" cuando sea posible, sin embargo, no haré esto comprometiendo el modelo en sí. Mi preocupación es que cuando las interacciones podrían estar presentes, es posible que no se identifiquen si se implementa un diseño que solo tenga en cuenta los efectos principales. Si se elimina un factor de la pantalla debido a que se considera que el efecto principal es insignificante, ¿no puede eso correr el riesgo de identificar el verdadero óptimo si existiera la posibilidad de que estuviera presente una interacción positiva?
Diseño de experimentosRe: ¿Cuándo se deben evaluar únicamente los efectos principales? (No la interacción principal + de segundo orden)Esa es una gran pregunta, pero lamentablemente la respuesta no es definitiva. Si bien consideramos que los principios de escasez, jerarquía y herencia (para que un efecto de orden superior esté activo, al menos uno de los padres debe estar activo) son principios rectores , no son absolutos. Curiosamente, los efectos principales F=ma... m (masa) y a (aceleración) no están en el modelo. Solo la interacción.
En algunos casos, la estructura de alias se puede conocer y, por lo tanto, se pueden suponer los posibles efectos (confusos) que están activos. Estos se pueden separar en estudios posteriores (por ejemplo, con un pliegue). Los experimentos con alias parcial son más difíciles de desagregar. Si bien lo que realmente hará en la próxima iteración del experimento no se decidirá hasta que analice el primer experimento, debe predecir todos los resultados posibles y anticipar todas las posibilidades.
Re: ¿Cuándo se deben evaluar únicamente los efectos principales? (No la interacción principal + de segundo orden)Gracias por la explicación detallada. Solo para confirmar, si una interacción se ve confundida por el diseño de detección, ¿se identificará cada factor en la interacción como significativo? ¿Se puede hacer un seguimiento con más experimentos para buscar factores confusos a través de las interacciones?
Ejemplo:
Pantalla de efectos principal:
Modelo: X1, X2, X3, X4
Factores significativos encontrados: X1, X2, X3
D/I óptimo:
Modelo: X1, X2, X3, X1*X2, X2*X3 (Potencialmente X1^2, X2^2, X3^2)
Y en este ejemplo, ¿hay evidencia razonable para decir que X4 no proporcionó ninguna interacción con X1-X3?
Gracias
Re: ¿Cuándo se deben evaluar únicamente los efectos principales? (No la interacción principal + de segundo orden)Aquí están mis pensamientos:
En primer lugar, una aclaración: cuando se ejecutan diseños factoriales, las interacciones están presentes, pero pueden tener alias y, por lo tanto, no ser asignables específicamente. Sus inquietudes son legítimas. Sin embargo, si se compromete con la experimentación secuencial, los errores que cometa en la interpretación de los experimentos iniciales se descubrirán en la siguiente iteración.
No existe un único enfoque correcto para la experimentación. Dada la situación que planteas, tengo los siguientes comentarios:
1. El diseño de detección de 4 factores no es muy adecuado. Se pueden utilizar 4 factores en resIV en 8 tratamientos. Creo que los diseños de detección tienen ≥5 factores, en cuyo caso se empiezan a apreciar los beneficios del fraccionamiento y el diseño secuencial.
2. Siempre empiezo con el conocimiento del dominio (SME) como base para determinar la resolución. Sugiero predecir el orden de clasificación de los efectos de primer y segundo orden. ¿Son posibles/probables los efectos de segundo orden? A medida que los efectos de segundo orden aumentan en el orden de clasificación, considere diseños de mayor resolución.
3. Considere el espacio de diseño. Los efectos de orden superior (por ejemplo, interacciones y curvatura) ocurren dentro del espacio . Por lo tanto, el primer objetivo es mover su espacio a un nivel "casi" óptimo (por supuesto, nadie sabe dónde está el nivel óptimo... confiamos en SME para brindar orientación). Luego, aumente el espacio. Si está lejos del nivel óptimo, puede que no sea eficiente estudiar dentro del espacio. Todos sabemos que el camino más rápido entre dos puntos es una línea recta, por lo que se utilizan factores en 2 niveles para mover el espacio. Esta es la idea detrás del cribado. Experimente con muchos factores con la esperanza de encontrar factores que muevan el espacio rápidamente y concéntrese en los factores significativos.
4. No ignore el ruido. En casi todos los casos, la cantidad de factores que manipula es siempre un pequeño subconjunto de todos los factores. ¿Qué hace con los demás? La respuesta correcta NO es mantenerlos constantes. ¿Qué estrategia debería utilizar para dividir y asignar el ruido (por ejemplo, repeticiones, réplicas, bloques, parcelas divididas, anidamiento)? Esta es, en mi humilde opinión, la parte más desafiante de la experimentación y la que menos se enseña. Lamentablemente, el software no ofrece orientación.
En todos los casos, diseñe varios experimentos. Compárelos y contraste. ¿Qué hará cada uno en términos de asignación, confusión y restricción de los efectos de los factores? Compare esto con los recursos y elija uno.
"El mejor diseño que jamás diseñarás es el que diseñes después de ejecutarlo"
