Hola. Mi nombre es Bradley Jones. I dirigir el equipo de Departamento de Energía y fiabilidad en JMP, y I desear a hablar a tú hoy acerca de a familia de ortogonal principal efectos cribado diseños para mezclado nivel factores. Este es a sujeto cual Soy en realidad entusiasmado acerca de. Nosotros tenemos justo enviado a revisión a el papel para este y Soy esperante eso él voluntad conseguir aceptado entonces nosotros poder incluir él a lo largo de con definitivo cribado diseños en el Plataformas del Departamento de Energía en JMP.L y es conseguir comenzó.
Mi colaboradores para este trabajar son Chris Noche en la ciudad, ¿Quién es? a Profesor en el Universidad de Minnesota Carlson Escuela de Negocio, y Ryan Lekivetz, ¿Quién es? a miembro de mi Equipo del Departamento de Energía en JMP.
Aquí está mi orden del día. Soy yendo a comenzar con a pequeño poco de historia y alguno técnico preliminares. Entonces Soy yendo a describir tres diferente construcciones para estos ortogonal mezclado nivel cribado diseños. T aquí son tres diferente maneras eso nosotros poder hacer a ellos.
Enfermo espectáculo tú el JMP secuencias de comandos idioma para creando estos diseño conjuntos. Eso voluntad solo ser necesario hasta nosotros poder conseguir a ellos construido en JMP sí mismo. Entonces Enfermo gastar a pequeño poco de tiempo mirando en el diseño propiedades para diseños construido bajo estos tres métodos. Enfermo conversar datos análisis para estos diseños y espectáculo un ejemplo en JMP, y entonces Enfermo hacer a resumen y alguno recomendaciones en el fin. Vamos comenzar con alguno historia y motivación.
El primero cribado diseños eran fraccionario factorial diseños como departamento diseños, o no regular fraccionario factorial diseños o regular fraccionario factorial diseños. Para estos diseños, cada factor era en dos niveles solo. En ingenieros eso I tener habló a tener sintió incómodo acerca de estos diseños porque ellos sintió eso el mundo tiende a ser no lineal y dos niveles justo no es suficiente a captura no linealidad en el efecto de a factor en a respuesta.
Entonces en 2011, definitivo cribado diseños llegó y aquí todo el factores eran ficticio a ser continuo y cada factor era en tres niveles, cual permite tú a adaptar curvas a el relación entre factores y respuestas. A t el abajo allá es el citación para o el referencia para el papel eso primero introducido estos diseños en 2011.
Ahora, allá son alguno ventajas para nuestro inicial implementación de DSD y también alguno contras. Vamos ir a través de el ventajas primero. El ventajas son eso en el menos en nuestro original implementación, seis factor, ocho factor y factor 10 definitivo pantalla diseños tenía ortogonal principal efectos, pero nosotros eran incapaz a conseguir ortogonal principal efectos para más factores. Él vueltas afuera eso a año más tarde, alguien publicado a lindo forma de conseguir ortogonal diseños para definitivo cribado experimentos para cada incluso número de factores para cual conferencia matrices eran disponible. Eso era a grande avance.
Otro bien cosa acerca de DSD es eso el principal Los efectos son ortogonal dos- factor interacciones entonces eso el estimar de a principal efecto voluntad nunca ser sesgado por cualquier activo dos- factor interacción.
El en realidad emocionante aspecto acerca de DSD es eso todo el cuadrático efectos eran estimable, cual es nunca posible con cribado diseños. Incluso con puntos centrales, tú poder detectar eso allá es a no lineal efecto, tú justo no saber dónde es próximo de.
Entonces finalmente, en DSD, si allá son seis factores o más, y solo tres de el factores doblar afuera a ser importante, entonces en el mismo tiempo tú hacer cribado, tú poder también hacer respuesta superficie mejoramiento. Tú podría tal vez conseguir, si estás afortunado, a cribado diseño y a respuesta superficie diseño t o optimizar a proceso en uno disparo. Tú tener a ser afortunado, de curso, tú tener a tener tres o menos activo efectos o factores.
El contras de el inicial implementación de definitivo cribado diseños es eso primero, ellos no pude acomodar categórico factores. En segundo lugar, ellos no pude acomodar cualquier bloqueo. En tercer lugar, alguno investigadores tener puntiagudo afuera eso para detector pequeño cuadrático efectos, eso es, cuadrático efectos dónde el tamaño de el efecto es acerca de el mismo orden como el error estándar desviación, allá es bajo fuerza para estos estimaciones, detector a ellos exitosamente. De curso, si el cuadrático efecto es grande, entonces de curso tú poder detectar él, especialmente si es tres veces como grande como el estándar de error desviación.
Ahora, después el original publicación de DSD, nosotros eran Bueno consciente eso él era a problema eso nosotros no pude acomodar dos nivel categórico factores. Entonces nosotros escribió a nuevo papel en Diario de Calidad Tecnología en 2013 eso presentado cómo a incorporar 2- nivel categórico factores.
Entonces en 2016, nosotros escribió otro papel en tecnometría eso presentado cómo a bloquear definitivo pantalla diseños usando ortogonal bloques, bloques eso son ortogonal a el factores. W e eran intentando paso- por- paso a DIRECCIÓN el contras eso eran asociado con original implementación de este metodología. Otro cosa eso nosotros observó era eso gente eran teniendo a pequeño poco de problema conocimiento cómo a analizar definitivo cribado diseños. Nosotros inventado un análisis técnica eso era basado en nuestro comprensión de el estructura de a DSD. Él tomó particular ventaja de el especial estructura de a DSD a hacer el análisis sensible a eso estructura. Bastante que intentando a usar alguno genérico modelo selección herramienta como paso a paso o lazo o uno de aquellos.
Este hecho él posible para a no experto en modelo selección a usar este afuera de el caja automatizado técnica para analizando a definitivo cribado diseño. Eso era en 2017, pero Hay aún problemas.
Primero, nosotros hizo escribir eso papel eso agregado categórico factores a a DSD, pero si tú tenía más que tres, el calidad de el diseño fue abajo, y eso era indeseable. En hecho, si tú tenía también muchos categórico factores, cosas no mirar bien en todo. Eso era un asunto. A ganar, cuadrático efectos tener estado puntiagudo afuera a tener bajo fuerza si ellos son pequeño. El objetivo de este hablar es a introducir a nuevo familia de diseños eso direcciones estos cuestiones. H también nosotros ir.
Primero, I tener a hacer alguno técnico preliminares a explicar qué nosotros necesidad a tener el capacidad a hacer en orden a construir estos diseños. Soy yendo a comenzar afuera por hablando acerca de conferencia matrices. El conferencia matriz es el herramienta eso el segundo papel eso discutido DSD en 2012 y introducido todo el ortogonal DSD para doce factores, 14 factores, 16 factores, y entonces en. Ellos usar conferencia matrices a hacer eso suceder.
I necesidad a espectáculo tú qué a conferencia matriz es. Tú poder ver aquí, conferencia matriz, eso es cuatro factores con cuatro corre, y allá son ceros en el diagonal elementos y unos y menos unos apagado el diagonal. T él Frío cosa acerca de a conferencia matriz es eso si tú multiplicar el transponer de conferencia matriz con el conferencia matriz, tú conseguir un identidad matriz veces el uno menos el número de filas en el diseño. I es un ortogonal diseño.
Ahora, conferencia matrices existir cuando el número de filas y columnas es igual. Ellos son cuadrado matrices y ellos solo existir cuando el número de filas y columnas es un incluso número. Hay a conferencia matriz para cada incluso número de filas y columnas de dos filas o y dos columnas a 30 filas y 30 columnas, excepto para el caso dónde el número de filas y columnas es 22. Es de hecho estado probado eso el caso dónde allá son 2 2 filas y columnas ns, el conferencia matriz tiene estado probado no a existir. Entonces Hay No forma a construir uno, desafortunadamente, a pesar de I no poder probar eso resultado mí mismo.
Bueno, el próximo cosa I necesidad a hablar acerca de es algo llamado a Producto Kronecker, cual usos eso circular símbolo con un X en el medio de él, entonces eso cuando tú ver eso en un ecuación, él medio tú desear a hacer a Kronecker producto. El Producto Kronecker es también llamado a directo producto, y en hecho, JMP secuencias de comandos idiomas, idioma JSL hace Productos Kronecker de matrices usando el directo producto dominio, no el Kronecker producto dominio.
El Producto Kronecker de a vector uno apilados en arriba de negativo uno con a conferencia matriz pilas C en arriba de negativo C como abajo. Qué el Kronecker producto hace es para cada elemento en el primero matriz, él sustitutos eso elemento veces el segundo matriz. Entonces uno veces el conferencia matriz es justo el conferencia matriz, y negativo uno veces el conferencia matriz es negativo de el conferencia matriz.
Básicamente, a Kronecker producto de uno menos uno con a conferencia matriz justo pilas el conferencia matriz en arriba de sí mismo. Entonces Aquí está a caso dónde I hizo justo eso. Tú tener a cuatro por cuatro conferencia matriz en arriba de es doblar , cual es también cuatro por cuatro, y si tú eran a agregar a fila cero, tú lo harías tener a cuatro factor definitivo cribado diseño.
Conferencia matrices son útil, Productos Kronecker son también muy útil para construyendo diseños, como él vueltas afuera. I tener a pocos más preliminares a ir encima. Dejar a mí hablar a pequeño poco acerca de Matrices de Hadamard. Matrices de Hadamard son también cuadrado matrices, pero ellos son construido de unos y menos unos. Nosotros tener Matrices de Hadamard construido en JMP para cada múltiple de cuatro corre o cuatro filas y cuatro columnas arriba a 668 filas y 668 columnas. Entonces cada múltiple de cuatro, nosotros poder apoyo a Hadamard matriz.
Eso Bueno conocido. Diseños de Hadamard son el Plackett–Burman diseños y el dos nivel fraccionario factorial diseños. Estos son ambos Matrices de Hadamard. Hadamard fue a Francés matemático OMS vivido en el tarde siglo XIX siglo, y él inventado este idea. I f Tenía mi matriz como m filas, es transpuesto veces sí mismo. Es m veces el identidad matriz.
T tiene medio el Hadamard matriz es ortogonal, número uno, y número dos, él tiene el el más grande posible información acerca de el filas y el columnas en el matriz eso es posible, dado eso estás usando números entre negativo uno y uno. Ellos son muy valioso herramientas para construyendo diseños.
Ahora nosotros tener todo eso nosotros necesidad a espectáculo cómo a construir estos nuevo diseños. Nosotros llamar a ellos ortogonal mezcla nivel diseños o OML. Ellos son mezclado nivel porque medio de el columnas o medio de el factores son tres niveles. Por lo tanto, el tres nivel continuo factores y medio de el columnas o factores son dos niveles, y ellos son para categórico factores o para continuo factores para cual eran no preocupado acerca de no lineal efectos.
Aquí está el primero método para construyendo uno de nuestro OML. Si C sub K es a k por k conferencia matriz y H sub 2k es a 2k Hadamard matriz, entonces H sub 2K es a Matriz de Hadamard cual tiene dos veces como muchos filas y columnas como el conferencia matriz tiene.
Entonces si nosotros pila a conferencia matriz en arriba de es plegable y entonces reproducir exactamente eso, nosotros conseguir este matriz DD, cual es justo C negativo DO, C negativo DO, todo apilados en arriba de cada otro. DD es dos DSD apilados arriba cada otro, menos el dos centro corre eso DSD normalmente tener.
Ahora, S.S es porque DD termina arriba teniendo 4k corre porque allá son cuatro conferencia matrices con K filas y columnas apilados en arriba de cada otro. Entonces allá son 4k filas en este diseño y K columnas. S.S es justo Hatamard matriz apilados en arriba de es doblar encima diseño.
Desde H tiene dos k filas y columnas ya, apilado él en arriba de sí mismo marcas él tener 4k filas justo como el DD matriz tiene. Él vueltas afuera eso tú poder justo concatenar estos dos matrices horizontalmente a hacer un ortogonal multinivel diseño. El DD parte de él todo tiene tres niveles por factor. Y el S.S parte de él tiene dos niveles por factor. Y tú poder ver eso allá son k, tres nivel factores y dos k dos nivel factores. Por lo tanto, una 4k fila diseño tú poder tener como muchos como 3k columnas.
Para ejemplo, si su diseño K era seis, tú lo harías tener 24 filas y 18 columnas. Seis de el factores quería ser tres niveles y doce de a ellos quería ser dos niveles. Ahora tú tener forma más dos- nivel factores y tú no lo han hecho perdido cualquier de el características de el definitivo cribado diseño. El principal efectos de este diseño son ortogonal a cada otro.
Aquí está un ejemplo dónde I construido un OML de a 6 por 6 conferencia matriz y a 12 por 12 Hadamard matriz. Tú poder ver allá son 24 filas en este matriz y 18 columnas. El primero seis de a ellos son el seis, tres- nivel columnas, y el próximo doce son el doce dos- nivel columnas.
Ahora, de curso, tú no necesidad a usar cada columna de este diseño. Tú podría aún usar este diseño incluso si tú tenía decir, cuatro o cinco tres nivel factores y Siete dos nivel factores. Tú justo eliminar cinco de el dos nivel factores y a pareja de el tres nivel factores, y es clasificar de arbitrario cual unos tú podría eliminar.
Aquí está el segundo construcción acercarse aquí. C sub K es a K por K conferencia matriz, y H sub K es a K por K Hadamard matriz. Ahora eran yendo a crear DD el mismo forma nosotros hizo antes. DD es justo a definitivo cribado diseño apilados en arriba de sí mismo, menos el dos sinergias. S.S es a replicado Hadamard matriz en arriba de el mismo Hadamard matriz doblado encima dos veces.
Ahora si tú mirar en el dos columnas de unos y menos unos, tú podría aviso eso aquellos dos vectores son ortogonal a cada otro. Eso es qué marcas este particular construcción en realidad, en realidad poderoso. En este caso, el diseño tiene 4K filas y solo dos K columnas. K de el factores son en tres niveles y K factores son en dos niveles.
El número de corre en este diseño es dos veces el número de columnas. Pero eso es aún a muy eficiente número de corre dado el número de factores. Es el mismo efecto de definitivo cribado diseños en hecho. Definitivo cribado diseños tener dos veces como muchos, dos veces como muchos más uno corre que factores.
Aquí está un ejemplo creado usando a 4 por 4 conferencia matriz y a 4 por 4 H Adamardo matriz. Cuando tú pila a ellos en arriba de cada otro cuatro veces, tú conseguir ocho columnas y 16 filas. Columnas A a través de D, tú poder ver son tres niveles porque tú poder ver aquellos ceros y allá son cuatro ceros en cada columna.
I debería punto afuera eso si tú tenía a definitivo cribado diseño, allá son solo tres ceros en cada columna. Teniendo un extra cero marcas el fuerza para detector a cuadrático efecto a pequeño más alto que para el definitivo examinado diseño. Eso es el segundo construcción método.
El tercero construcción método es muy similar a el segundo, excepto eso tú tener dos diferente maneras de añadiendo Hadamard matrices a el ejemplo. Aquí nosotros tener el DD parte es el mismo como el primero dos construcción métodos. El S.S parte, allá son dos S.S cosas. Uno con el vector 1, 1 -1 , -1 , y el otro uno con el vector 1, -1 , -1, 1 . El tres vectores eso son unos y negativo unos son todo ortogonal a cada otro. Eso rendimientos un ortogonal principal efectos diseño. En este caso, el tercero construcción de nuevo tiene 4K filas y 3K columnas, eso es K factores en tres niveles y dos K factores en dos niveles.
Aquellos son el tres métodos. Aquí está un ejemplo de eso construcción con usando a 4 por 4 conferencia matriz y a 4 por 4 Hadamard matriz. El resultado es a doce- columna diseño con 16 filas. Doce factores en 16 filas. Muy eficiente diseño para mirando en doce factores. Es también ortogonal para el principal efectos. Principal efectos son ortogonal a dos- factor interacciones.
Ahora I desear a espectáculo tú tres guiones para creando estos diseños usando JSL. En el mientras tanto, antes nosotros gota este metodología en JMP, tú poder crear estos diseños con a muy simple JSL guion. El primero dominio es creando a conferencia matriz, en este caso conferencia matriz con seis filas y seis columnas.
Entonces D es el directo producto de el vector 1, -1 , 1, -1 y DO. Eso da tú el matriz DD eso nosotros sierra en nuestro construcciones. Entonces ocho es a Hadamard matriz con doce filas y doce columnas. Aviso eso doce es dos veces seis. Nosotros eran requiriendo eso para el primero construcción, el Hadamard matriz tiene a tener dos veces como muchos filas y columnas como el conferencia matriz.
Nosotros hacer S.S por multiplicando 1, -1 por usando el directo producto, el Carnegie Producto Construcción. Eso da tú a 24- correr S.S diseño. El H cosa tiene 24 corre y doce columnas. Entonces el último paso es a horizontalmente concatenar D y S.S a producir ML cual I justo acortado, acortado OML a M.L. Entonces el como mesa dominio marcas a mesa afuera de eso matriz.
El OML eso nosotros justo creado tiene 24 filas y 18 columnas. Seis de el columnas son factores en tres niveles, y doce de el factores son en dos niveles. Ahora, el seis en el primero línea poder ser reemplazado por ocho, diez, 12, 14 arriba a 30, excepto para 22. El doce en el tercero línea debe ser dos veces lo que número tú poner en el primero línea. Tú poder usar este construcción a crear todo tipos de OML diseños justo por cambio el números en el primero y tercero columnas.
Aquí está el segundo construcción método guion. I comenzar de nuevo con el conferencia matriz. Este tiempo Soy haciendo a conferencia matriz de cuatro filas y cuatro columnas. D es a directo producto de 1, -1 , 1, -1 y DO. Eso es el mismo como antes.
Este tiempo I hacer H ser en Hadamard de cuatro en cambio de dos veces el número en el primero línea. I tener a tener a vector con cuatro elementos a directo producto con H. Yo uso 1, 1, -1, -1, usar el crónica producto de eso o el directo producto en JMP y JSL hablar. I conseguir a diseño eso tiene 16 filas y ocho columnas por horizontalmente concatenando eso doble vertical línea cosa horizontalmente concatena dos matrices y entonces el S mesa marcas el mesa afuera de él. Este segundo construcción tiene 16 filas y ocho columnas. Allá son cuatro factores en tres niveles y cuatro factores en dos niveles. El cuatro en el primero y tercero pauta poder ser reemplazado con cualquier incluso número para cual a conferencia matriz existe.
I necesidad a correcto mí mismo. El conferencia matriz tiene a ser a múltiple de cuatro en orden para este a trabajar, porque el Hadamard matriz es a múltiple de cuatro.
Aquí está el último construcción método. De nuevo, nosotros tener a conferencia matriz de cuatro, pero él podría ser cuatro, él podría ser ocho, o doce o dieciséis. Nosotros hacer a directo producto de este vector de unos y negativo unos y C a conseguir el replicado definitivo cribado diseño. Aquí nosotros crear a Hadamard matriz de cuatro, pero nosotros tener dos diferente directo productos. El primero uno dónde eran haciendo a crónica producto de 1, 1, -1, -1 con Yo, y el segundo uno eran haciendo a crónica producto o directo producto de 1, -1 , -1 , 1 y H.
Aquellos son dos diferente matrices y ellos suceder a ser ortogonal a cada otro. Entonces nosotros horizontalmente concatenar todo tres de estos matrices y hacer a mesa de eso. Este diseño ahora tiene 16 filas porque es cuatro corre en el conferencia matriz veces cuatro. Tú tener 16 filas y doce columnas. Allá son cuatro factores en tres niveles y ocho factores en dos niveles. Aquí son tres muy fácil JSL guiones. A hacer estos diseños, Enfermo poner JSL en el... Cuando él va en el JMP comunidad, Enfermo agregar el JSL. Enfermo también agregar varios ejemplos de estos OML diseños eso tú poder usar.
Ahora I desear a hablar acerca de a pequeño poco acerca de el propiedades de estos diseños. Aquí nosotros ver el diseño propiedades para método uno y el color mapa y el correlaciones espectáculos eso allá son No correlaciones entre cualquier de el 12 factores en este o de hecho 18 factores en este diseño. El tres- nivel factores son acerca de 10% menos eficientemente estimando que el principal efectos que el dos- nivel factores. Eso es porque de el ceros en cada de aquellos columnas. Eso no ayuda tú, el ceros no ayuda tú estimar principal efectos.
Ahora I desear a espectáculo tú el alias matrices para este diseño construcción método. Tú poder ver eso allá son a lote de principal efectos eso son no correlacionado con dos- factor interacciones, pero allá son también a lote de principal efectos eso son correlacionado con dos- factor interacciones.
El tres- nivel factores principal efectos son no alias con cualquier de su dos factor interacción. El mismo es también verdadero de el dos- nivel factores. Su principal efectos son no alias con su dos- factor interacciones porque ambos lados de este diseño son construido de doblar- encima diseños. W e ver eso Hay bastante a poco de potencial alias de principal efectos de activo de dos factores interacciones. En alguno sentido, método uno es a pequeño más arriesgado a usar que el otro métodos.
Aquí son el diseño propiedades para método dos. Tú poder ver eso aquí Soy haciendo a diseño eso tiene 16 factores y ocho columnas, quiero decir 16 filas f o ocho factores. El tres- nivel factores tener 15% más extenso confianza intervalos que el dos- nivel factores. De nuevo, eso es porque aquellos cuatro factores todo tener cuatro ceros. Cuatro de el 16 corre son cero en cambio de 1 o -1.
El Frío cosa acerca de el segundo diseño construcción es eso ninguno de el principal efectos es correlacionado con cualquier dos- factor interacciones. Eso tiene muchos de el deseable efecto o características de a definitivo cribado diseño. Hay a lote de ortogonalidad entre pares de dos- factor interacciones, pero allá son también alguno correlaciones. Tú poder ver aquí son alguno correlaciones, aquí son alguno, y entonces en.
Finalmente, el diseño propiedades para método tres espectáculo eso tres- nivel factores son a pequeño menos eficientemente estimado que dos -nivel factores 15%, 15,5%. Nosotros poder ver eso Hay alguno alias entre principal efectos y dos- factor interacciones, pero no como mucho como para el diseño construcción número uno. En términos de riesgo, este acomoda más factores con menos riesgo que el primero construcción método.
Identificación como ahora a comparar DSD a un ortogonal principal efecto o mezclado- nivel diseño. Tú poder hacer a DSD con ocho factores, ocho, tres- nivel factores, y eso quería tener 17 corre. I f tú conseguir deshacerse de el centro correr, tú quería tener a correr eso es directamente comparable con a multi- nivel 16- correr diseño eso tú tienes visto en diseño construcción también.
Ahora, si nosotros comparar el eficiencia para estimando principal efectos, el definitivo cribado diseño es solo 91% D eficiente con respeto a el mezclado- nivel diseño, el G eficiencia es 92%, el A eficiencia es apenas 90% y el I eficiencia es apenas 82%. Y o poder ver eso el fracción de el diseño espacio trama espectáculos eso el curva para el mezclado- nivel diseño es abajo el curva para el definitivo pantalla diseño bonito mucho en todos lados. Este diseño es claramente preferible a el acusado pantalla diseño para estimando principal efectos en el menos.
Ahora I desear a hablar acerca de datos análisis y usar un ejemplo. Yo tengo creado a diseño usando el segundo construcción y I creado a Y vector por añadiendo aleatorio normal errores a a específico función con ambos principal efectos y dos- factor interacciones y redondeo él a dos decimal lugares. El verdadero ecuación, el verdadero función es este uno aquí. Él tiene A, B, E y F principal efectos son todo activo y el AB, BE y SI dos- factor interacciones son todo activo.
Eso es a función sin error. I agregado normal aleatorio errores con a estándar desviación de uno. Qué I usado era desde este diseño poder ser adaptar usando el Adaptar Definitivo Cribado Diseño plataforma dentro JMP, eso es qué I usado. Aquí tú ver eso el Adaptar Definitivo Cribado Diseño hallazgos todo Siete real efectos y no encontrar cualquier espurio efectos. Él obtiene el exacto correcto colocar de efectos.
El desviación entre el verdadero parámetro valores y el estimado parámetro valores son bonito pequeño. Para ejemplo, el verdadero parámetro valor para factor A es 2.03 y es estimar es 2.45 más o -35. Eso es uno estándar desviación entonces es justo a pequeño poco más que uno estándar desviación de es verdadero valor.
Aquí eso el verdadero valor de el coeficiente de B es 3.88 y I conseguir 3.94, cual es muy cerca a es exacto correcto valor. Tú poder ver para tú mismo el estimado valor de el raíz significar al cuadrado error es 1.2 y el verdadero cantidad de aleatorio error I agregado era exactamente uno. Tú poder ver de nuevo, este análisis procedimiento tiene en realidad preferido el exacto correcto análisis.
Ahora I desear a hacer a pequeño JMP manifestación eso espectáculos básicamente el actual por profético trama eso tú ver allá abajo. Entonces este trama espectáculos eso el derechos residuales de autor no tener cualquier indicación de cualquier problema como Bueno. Soy yendo a dejar PowerPoint para a segundo y justo ir a JMP. Aquí está mi datos, Aquí está el función con No error. I poder espectáculo tú eso, eso es justo este fórmula eso I presentado tú en el deslizar.
Entonces Aquí está el datos dónde Yo tengo agregado aleatorio error a cada de estos valores con él. Entonces qué delta es, es el diferencia entre el predicción fórmula de Y y el Y con No error. Estos valores son cómo lejos nosotros omitido el verdadero valor de Y para cada punto.
Si I hacer el Adaptar Definitivo Cribado Diseño de Y, I conseguir qué I presentado tú antes y I conseguir el correcto principal efectos y también el correcto dos factor interacciones. Entonces cuando I combinar a ellos, I conseguir el correcto modelo con el correcto arte, muy cerca a el verdadero estimar de sigma.
Si I correr este modelo usando Adaptar modelo, este es el actual por previsto trama I conseguir. Este es el residual trama I conseguir. Aquí está el predicción perfilador eso espectáculos el profético valor de Y. Tú poder ver eso si tú mirar en el pendiente de el línea de B y ver como I cambiar el valor de A, el pendiente de B cambios. Si I cambiar este B, el pendiente de A cambios, si I cambiar Y, el pendiente de F cambios.
Este indica interacciones acontecimiento. Si I buscado a maximizar este función, I quería elegir el alto valor para cada de el factores. Entonces uno de el cosas I hizo era I creado a perfilador eso dónde I mirar en este es el verdadero función, este es mi profético fórmula y este es el diferencia entre aquellos dos funciones.
Este es el configuración eso dirige a el más grande diferencia entre el profético valor y el verdadero valor de el función. Eso es qué I buscado a espectáculo tú en JMP y Enfermo mover atrás a mi diapositivas ahora. Dejar a mí resumir, nosotros tenemos habló acerca de definitivo pantalla diseños con su ventajas y contras.
I entonces introducido el idea de a Cronista producto y presentado cómo a construir estos ortogonal multinivel diseños en tres diferente maneras. I presentado tú el JSL guiones, I compartido el JSL guiones para construyendo estos diseños.
Tú poder usar este guion por cambio el números en el primero y tercero pauta a hacer diseños eso con cada vez más grande números de corre. I habló acerca de el estadístico propiedades de estos diseños y particular presentado eso su ortogonalidad, pero también en el caso de diseño construcción dos, no solo son ellos ortogonal para el principal efectos, pero el principal efectos son ortogonal a el dos factor interacciones.
Diseño construcción dos solo existe para diseños eso tener a múltiple de 16 filas y columnas, cual es a leve desventaja comparado, Hay más flexibilidad con el otro aproches. Entonces finalmente I presentado cómo a analizar estos diseños. Dejar a mí hacer a pareja de recomendaciones.
Diseño construcción método dos es el más seguro acercarse porque de todo de el ortogonalidad involucrado y el hecho eso el dos factor interacciones son no correlacionado con principal efectos. I puntiagudo afuera ya eso tú no tener a usar todo el columnas.
Tú poder crear uno de estos diseñado y entonces tirar lejos cierto columnas en orden a acomodar el verdadero número de factores eso tú tener. El ventaja de haciendo eso es eso tú voluntad también conseguir mejor estimaciones de el error diferencia.
Entonces es importante a recordar eso el tres nivel factores son para continuo factores solo. Él no lo haría hacer sentido a tener tres nivel categórico factores para estos columnas porque allá son lejos menos cero elementos que unos y más unos.
A pareja de más cosas. Cuadrático efectos él vueltas afuera, son levemente mejor estimado por un ortogonal principal mezclado nivel diseño que a DSD. Pero si tú buscado a mejorar el cuadrático efecto estimación, tú podría agregar dos filas de ceros a el continuo factores. Aquellos quería ser como puntos centrales.
Entonces para el categórico factor, tú poder elegir cualquier vector de más unos eso tiene más unos y menos unos en él. Entonces el otro, el segundo fila quería tener justo el doblar encima de el primero fila en el unos y menos unos. Eso es todo I tener para tú hoy. Agradecer tú muy mucho para su atención.
