809996_de-DE

liliconcom

Entwicklertutorial – Effektiver Umgang mit Kovariaten bei der Versuchsplanung

(in „Meine Videos“ ansehen)

• Was ist eine Kovariate?
  • Eingabevariable(n), die wir berücksichtigen möchten, über die wir aber keine vollständige Kontrolle haben.
  • Unkontrolliert, aber im Voraus beobachtbar.
  • „Kandidatenmengen“-Ansatz.
• Warum ist das für Custom Design wichtig?
  • Koordinatenaustausch (kundenspezifisches Design)
    • Beginnen Sie mit einem „zufälligen“ Design.
    • Gehen Sie jedes Designelement einzeln durch und nehmen Sie eine Änderung vor, wenn sich dadurch das Kriterium verbessert.
    • Wiederholen.
    • Es besteht keine Anforderung an einen Kandidatensatz.
  • Reihenaustausch
    • PROC OPTEX (SAS)
    • Beginnen Sie mit einer Kandidatenmenge möglicher Läufe.
    • Der Ausgangsentwurf ist eine Teilmenge der Kandidatenmenge.
    • Erwägen Sie, Zeilen zu tauschen, die nicht im Entwurf enthalten sind, und führen Sie den Tausch durch, wenn sich dadurch das Kriterium verbessert.
• Vor JMP 16 (beginnend mit JMP 10)
  • Zeilenaustausch der Kovariaten (D-Optimalität).
  • Koordinatenaustausch über die kontrollierbaren Faktoren.
  • Die Kovariaten wurden von Anfang an festgelegt, und wir konnten nicht zurückgehen, um zu sehen, ob es etwas Besseres gibt.
• JMP 16
  • Hybridansatz mit Zeilen- oder Koordinatentausch während des Entwurfsprozesses.
  • Ermöglicht die Berücksichtigung unterschiedlicher Optimalitätskriterien für die Kovariablen.
  • Mehr Flexibilität bei der Gestaltung Ihrer Designs (das Beste aus beiden Welten).
  • Für den Benutzer wesentlich besser sichtbar.
  • Anleitung zur Verwendung
    • JMP Pro wird nicht benötigt.
    • Wir benötigen eine Datentabelle mit Kandidatensätzen (Kovariaten unserer möglichen Durchläufe).
    • Fügen Sie Kovariaten im benutzerdefinierten Design über Add Factor->Covariate (JMP 10+) oder die Gliederung "Covariates/Candidate Set" (JMP 16+) hinzu.
• Zwei typische Anwendungsfälle
  • Alle Zeilen verwenden
    • Wir haben beobachtbare, unkontrollierbare Faktoren für unsere Versuchseinheiten, die wir berücksichtigen wollen.
    • Wir wollen für eine Teilmenge der Eingaben eine bestimmte Struktur erzwingen (die möglicherweise sogar steuerbar ist).
  • Auswahl einer Teilmenge von Zeilen
    • Wählen Sie eine optimale Teilmenge (KEINE zufällige Teilmenge).
    • Wir maximieren den Informationsausstoß im Rahmen unseres Budgets.

• Beispiel 1 – Verwendung aller Zeilen

  • Wir benötigen 12 Läufe, 5 Faktoren mit 2 Ebenen, wobei Faktor A 2/3 der Ebenen bei "L1" und 1/3 bei "L2" benötigt.

• Beispiel 2 – Verwendung aller Zeilen
  • Ich verwende den Big Class-Datensatz und möchte jedem Schüler eine von zwei Behandlungen zuweisen.
  • Wir möchten Geschlecht, Größe und Gewicht berücksichtigen.
• Beispiel 3 – Verwendung aller Zeilen
  • Blöcke der Größe 4, ein kategorialer Faktor mit 8 Stufen und 4 kontinuierliche Faktoren.
  • Insgesamt 56 Läufe.
  • Verwenden Sie zunächst einen balancierten unvollständigen Blockplan (BIBD).

• Beispiel 4 – Verwendung einer Teilmenge von Zeilen

  • Ich möchte nur 20 Schüler aus der großen Klasse auswählen.

  • Was ist, wenn wir sicherstellen wollen, dass bestimmte Studierende ausgewählt werden?

  • Fügen Sie die Chargenbezeichnung hinzu, entfernen Sie sie aber aus dem Modell.

Covariate.JPG

Ressourcen

• Meyer, RK, & Nachtsheim, CJ Der Koordinatenaustauschalgorithmus zur Konstruktion exakter optimaler Versuchspläne. Technometriken , 37 (1), 60-69, 1995. PDF-Version .
• Fedorov, VV Theorie optimaler Experimente . Academic Press, New York, 1992.
• Goos, P & Jones, B. Optimale Versuchsplanung – Ein Fallstudienansatz , Wiley, 2011.
• Wie man ein Versuchsdesign erstellt, das gegenüber einem linearen Zeittrend robust ist – ein Blogbeitrag von Bradley Jones.
• JMP-Dokumentation auf Kovariate DOE
• JMP-Wunschliste: Produktvorschläge für unser Entwicklungsteam darüber, was Ihre Organisation benötigt, um das Beste aus JMP herauszuholen.

Versuchsplanung