Grabaciones del DOE Club del tercer trimestre de 2024: cómo evitar errores y trampas con los experimentos DSD/TaguchiPregunta 2: ¿Cómo evitar los obstáculos?
Comentarios
@Victor_G :
1. No suponga ninguna conclusión o interpretación fuera de su espacio de diseño.
2. ¡Y valida el(los) modelo(s) con puntos de validación!
@Estadísticas_Like_Jazz :
Lección 1: sé valiente al establecer rangos.
Lección 2: Puede haber muchos modelos "buenos" para sus respuestas. Elija un criterio relevante (o varios) vinculado con sus objetivos para evaluar y seleccionar el modelo o los modelos.
Lección 3: si tiene rangos o combinaciones que desea evitar, utilice el filtro de combinación no permitida.
Tengo un vídeo de 4 minutos sobre cómo hacer exactamente eso:
@ryan_cooper:
Yo diría que otro problema (en particular para los principiantes) es pensar demasiado en el DOE. Cualquier cosa es mejor que analizar un factor a la vez. Puedes ir ampliando tu conocimiento del DOE a medida que vayas haciendo más de ellos; no tienes que saberlo todo para empezar.
Pregunta 3: Errores al utilizar diseños de detección definitivos (DSD)
Comentarios:
@Jonas_Rinne
No intentes aprender todo en el primer intento. La gente tiende a intentar incluir todo en el primer diseño. La mayoría de los grandes diseños no funcionan sin un gran conocimiento previo.
@Victor_G
Piense también de forma iterativa. Es muy raro tener todas las respuestas y conclusiones con un solo diseño.
@KimRas2
No agregar suficientes factores potenciales
@Steph_Georges
No aleatorizar las ejecuciones: si el orden de las ejecuciones experimentales no es aleatorio, variables ocultas (como la variación en el tiempo o la temperatura) pueden introducir sesgo en los resultados.
Aquí hay un artículo de Bradley Jones sobre "Uso adecuado e inadecuado de DSD": https://community.jmp.com/t5/JMP-Blog/Proper-and-improper-use-of-Definitive-Screening-Designs-DSDs/ba-p/30703
Pregunta 4: Pasando de los experimentos DoE a los experimentos Taguchi: diseño robusto
Comentarios:
@Victor_G
Dependiendo de dónde/cómo desee encontrar un diseño de proceso robusto, es posible que hoy en día existan mejores alternativas con diseños óptimos.
Y si tiene varios factores categóricos de 2 niveles, intente utilizar diseños OML en su lugar:
@KimRas2
En mi humilde opinión, Taguchi es una forma menos moderna de DoE, en la que hay que comprar libros caros sobre diseños de DoE estandarizados.
Re: Grabaciones del DOE Club del tercer trimestre de 2024: cómo evitar errores y trampas con los experimentos DSD/Taguchi¡Gracias por subir el vídeo y añadir los comentarios @maria_astals !
Algunos comentarios e informaciones complementarias de mi parte:
Pregunta 2: ¿Cómo evitar los obstáculos?
Además de los excelentes puntos mencionados en la discusión y los comentarios, el artículo " Ocho claves para un DOE exitoso " de Quality Digest realmente resume y explica bien los aspectos más importantes a considerar al construir diseños:
- Establezca buenos objetivos
- Medir las respuestas cuantitativamente
- Replicar para amortiguar la variación incontrolable (ruido)
- Aleatorizar el orden de ejecución
- Bloquear fuentes conocidas de variación
- Sepa qué efectos (si los hay) se alias
- Realizar una serie secuencial de experimentos.
- Confirme siempre los hallazgos críticos
Pregunta 3: Errores al utilizar diseños de detección definitivos (DSD)
Se ha desarrollado una plataforma de análisis específica para DSD, The Fit Definitive Screening Platform , para aprovechar la estructura de pliegue específica de DSD para facilitar el análisis y permitir la detección de interacciones de 2 factores y efectos cuadráticos siguiendo el principio de herencia de efectos. Este análisis se puede ampliar y utilizar en cualquier diseño con una estructura de pliegue, no solo para DSD; consulte el artículo de Bradley Jones: A Surprising Use of the Fit Definitive Screening Platform (2022-EU-45MP-1066)
Sin embargo, aunque este método de análisis es muy potente, puede suceder que algunos términos no se detecten incluso si pueden estar activos, debido a la baja potencia para efectos de orden superior y un posible tamaño de efecto bajo, ejemplo: Fit Definitive Screening vs. Stepwise (min. AICC) para selección de modelo
Otras plataformas pueden ser útiles, como The Fit Two Level Screening Platform o Generalized Regression Models (con diferentes métodos de estimación como Mejor subconjunto, Selección podada/de 2 etapas/adelante, ...) , ya que pueden ayudarlo a construir diferentes modelos, utilizando diferentes métodos para detectar efectos activos y estimar parámetros.
Como dice el refrán " Todos los modelos son erróneos, algunos son útiles", la clave es comparar y evaluar diferentes modelos para comprender bien el sistema. Diferentes métodos para seleccionar un modelo pueden generar diferentes soluciones. Elegir una métrica de evaluación relevante para comparar los diferentes modelos (según el objetivo), comparar los diferentes modelos y seleccionar o combinar diferentes métodos de modelado con experiencia en el dominio puede ayudarlo a tener una visión más amplia y precisa sobre lo que más importa. Y a partir de ahí, puede planificar sus próximos experimentos para refinar su modelo y/o preparar algunos puntos de validación para evaluar el rendimiento de su modelo.
(He enviado un resumen para JMP Europe Discovery 2025 utilizando un diseño de selección de niveles mixtos y las diferentes plataformas de modelado mencionadas para el análisis de las respuestas; espero ser seleccionado para presentar esta comparación de plataformas y modelos).
Pregunta 4: Pasando de los experimentos DoE a los experimentos Taguchi: diseño robusto
Puede haber varias definiciones de robustez y diferentes formas de crear un DoE de robustez, dependiendo de los factores con los que desee probar la robustez de su espacio experimental/punto óptimo: contra factores de ruido externo, contra variaciones en los factores del proceso/experimento o contra una combinación de ambos factores. Aquí hay una serie de artículos de Stat-Ease que explican el tipo de diseños según la situación de robustez que le interese:
- Robustez frente a factores de ruido externos: https://statease.com/blog/achieving-robust-processes-via-three-experiment-design-options-part-1/
- Robustez frente a la variación de nuestros puntos de ajuste para los factores de proceso: https://statease.com/blog/achieving-robust-processes-via-three-experiment-design-options-part-2/
- Una combinación de los dos primeros tipos: https://statease.com/blog/achieving-robust-processes-via-three-experiment-design-options-part-3/
Algunos recursos que también pueden ser útiles:
Diseño de productos robustos (2020-US-30MP-539)
Cómo diseñar procesos de producción robustos | JMP
Esperamos que esta información pueda ayudar a los usuarios de JMP, ¡felices experimentos!
Re: Grabaciones del DOE Club del tercer trimestre de 2024: cómo evitar errores y trampas con los experimentos DSD/TaguchiPensé que me había unido al club, pero no me informaron de la "reunión".
