Diseño de aumento que no respeta los factores covariablesEstoy analizando una reacción utilizando un diseño personalizado que generó 6 factores continuos y 2 factores covariables, con 1 factor continuo configurado para que sea difícil de cambiar, 3 gráficos completos, 24 ejecuciones. Ya he ejecutado 8 reacciones y el factor difícil de cambiar (temperatura) es más fácil de cambiar de lo que pensé inicialmente. Por lo tanto, quiero cambiar el diseño a uno que tenga más poder para predecir los efectos de la temperatura.
Intenté hacer esto modificando los cambios del factor de temperatura para que sean más fáciles, eliminando los 16 experimentos que no he ejecutado y usando Augment Design para agregar 16 ejecuciones nuevas. Sin embargo, esto no funcionó, ya que las ejecuciones generadas no respetaron los factores de covarianza. ¿Cómo hago para que Augment Design respete los factores de covarianza?
He adjuntado el archivo JMP, estoy usando JMP Pro 17.
Diseño de experimentosRe: El diseño de aumento no respeta los factores covariablesHola @DecilePlatypus ,
¡Bienvenido a la Comunidad!
Creo que la forma más fácil de continuar con tu DoE es utilizando la plataforma Augment Designs como también notaste.
En su caso, las covariables PC1 y PC2 no son independientes, ya que están vinculadas a solventes específicos. Por lo tanto, solo se necesita un valor de covariable para identificar el solvente utilizado en el diseño.
Puede cambiar la propiedad Cambio del factor de temperatura de "Difícil" a "Fácil" y luego agregar sus 7 factores como X (6 factores continuos + PC1) y el Rendimiento como Y en la ventana de diseño de Aumento:
Luego, puede marcar la opción "Agrupar nuevas ejecuciones en un bloque separado" y hacer clic en "Aumentar" (o especificar un tipo diferente de aumento de diseño).
Asegúrese de que todos los efectos principales de sus factores estén ingresados en el panel Modelo (con el efecto "Bloque" agregado si ha marcado la opción para agrupar nuevas ejecuciones en un bloque separado) y defina una cantidad adecuada de ejecuciones (incluidas las 8 ejecuciones ya realizadas). En este ejemplo, especifiqué 20 ejecuciones en total:
Después de iniciar la generación de diseño aumentada y crear la tabla, puedo agregar las columnas PC2 y el nombre del solvente actualizando la tabla de diseño con la información de la tabla de datos de covariables (con PC1 como variable de unión).
Los disolventes elegidos en las ejecuciones se realizan de manera que tengan la mayor diferencia/variabilidad:
Puedes probar varios diseños mejorados y compararlos gracias a la plataforma Compare Designs para elegir el diseño adecuado a tus necesidades. Algunas sugerencias adicionales:
- También puede comenzar con menos solventes en esta etapa de selección (por ejemplo, 3) y seleccionarlos según la diferencia máxima y la variabilidad química (por ejemplo, Tributilamina, TMU y Metilciclohexano).
- También puede ser más útil utilizar un factor categórico (nombre del solvente) para la creación del diseño para evitar cualquier desequilibrio en la distribución de los solventes utilizados y luego agregar PC en la tabla y usarlos para el análisis.
Algunas discusiones previas podrían ayudarte:
DOE eficiente de una variable categórica multinivel (3+) y muchas variables continuas
Re: Si la variable independiente del experimento es una variable categórica y la respuesta es una variable continua, ¿se puede utilizar un diseño ortogonal para la detección? - Comunidad de usuarios de JMP
Adjunté su tabla de datos con un script agregado para el diseño aumentado generado.
Ojalá que esta primera respuesta te ayude.
Re: El diseño de aumento no respeta los factores covariablesHola @Victor_G
Gracias por la ayuda. El problema de aumentar solo con una columna es que el diseño resultante no explorará tanto espacio en PC2. El uso de su método solo genera ejecuciones con TMU o tributilamina, lo que maximiza PC1 pero deja mucho que desear en PC2.
Re: El diseño de aumento no respeta los factores covariablesHola @DecilePlatypus ,
Sí, la mejor opción aquí sería aumentar las ejecuciones originales utilizando el nombre del solvente como un factor categórico, para asegurarse de que el diseño aumentado no esté desequilibrado con respecto a la elección del solvente.
Utilizando 20 ejecuciones en total en el diseño aumentado, tengo un diseño más equilibrado con respecto a la elección del solvente en los experimentos:
Y la potencia para PC1 y PC2 es más homogénea:
Entonces, la mejor opción podría ser usar el nombre en la generación del diseño, pero usar los PC en el análisis (usar la tabla de actualización con la tabla de covariables para agregar los PC en la tabla de diseño aumentada, con Nombre como variable de unión).
Puedes leer las sugerencias adicionales en mi publicación anterior, una estaba vinculada a la situación que describiste (desequilibrio en la elección del solvente en los experimentos) y la otra es sobre la cantidad de solventes diferentes investigados.
Por lo general, eliminar el dioxano de la lista de solventes en las covariables podría ayudar. Aquí está el análisis de potencia con 12 ejecuciones agregadas (20 en total) pero sin considerar el dioxano en la lista de covariables:
Adjunto la tabla de datos con los scripts agregados para el primer diseño (equilibrado) y el segundo (sin dioxano) como ejemplo.
