809996_es-ES

liliconcom

Tutorial para desarrolladores: Cómo manejar eficazmente las covariables al diseñar experimentos

(Ver en Mis vídeos)

• ¿Qué es una covariable?
  • Variable(s) de entrada que queremos tener en cuenta, pero sobre las que no tenemos control total.
  • Incontrolable, pero observable con antelación.
  • Enfoque de "conjunto de candidatos".
• ¿Por qué es importante el diseño personalizado?
  • Intercambio de coordenadas (diseño personalizado)
    • Empieza con un diseño "aleatorio".
    • Revisa el diseño elemento por elemento y realiza algún cambio si mejora el criterio.
    • Repetir.
    • No se requiere un conjunto de candidatos.
  • Intercambio de filas
    • PROC OPTEX (SAS)
    • Comience con un conjunto de posibles ejecuciones candidatas.
    • El diseño inicial es un subconjunto del conjunto de candidatos.
    • Considere la posibilidad de intercambiar filas que no estén en el diseño, realizando el cambio si mejora el criterio.
• Antes de JMP 16 (a partir de JMP 10)
  • Intercambio de filas en las covariables (D-optimalidad).
  • Intercambio de coordenadas sobre los factores controlables.
  • Las covariables se fijaron desde el principio y no pudimos volver atrás para ver si había algo mejor.
• JMP 16
  • Enfoque híbrido con intercambio de filas o de coordenadas a medida que avanzamos en el diseño.
  • Permite considerar diferentes criterios de optimización para las covariables.
  • Mayor flexibilidad para la creación de tus diseños (lo mejor de ambos mundos).
  • Mucho más visible para el usuario.
  • Cómo usar
    • No requiere JMP Pro.
    • Necesitamos una tabla de datos con el conjunto de candidatos (covariables con nuestras posibles ejecuciones).
    • Agregue covariables en Diseño personalizado usando Agregar factor->Covariable (JMP 10+) o el esquema "Covariables/Conjunto de candidatos" (JMP 16+).
• Dos casos de uso típicos
  • Utilizando todas las filas
    • Tenemos factores observables e incontrolables en nuestras unidades experimentales que queremos tener en cuenta.
    • Queremos imponer una estructura particular a un subconjunto de entradas (que incluso puede ser controlable).
  • Seleccionar un subconjunto de filas
    • Seleccione un subconjunto óptimo (NO un subconjunto aleatorio).
    • Optimizar nuestra información para nuestro presupuesto.

• Ejemplo 1 - Usando todas las filas

  • Queremos 12 secuencias, 5 factores de 2 niveles, pero el factor A necesita 2/3 de los niveles en "L1" y 1/3 en "L2".

• Ejemplo 2 - Usando todas las filas
  • Utilizando el conjunto de datos Big Class, queremos asignar uno de 2 tratamientos a cada estudiante.
  • Queremos tener en cuenta el género, la altura y el peso.
• Ejemplo 3 - Usando todas las filas
  • Bloques de tamaño 4, un factor categórico de 8 niveles y 4 factores continuos.
  • 56 carreras en total.
  • Para empezar, utilice un diseño de bloques incompletos balanceados (BIBD).

• Ejemplo 4 - Uso de un subconjunto de filas

  • Solo quiero seleccionar a 20 estudiantes de la clase grande.

  • ¿Qué ocurre si hay ciertos estudiantes que queremos asegurarnos de que sean seleccionados?

  • Agregue la etiqueta del lote, pero elimínela del modelo.

Covariable.JPG

Recursos

• Meyer, RK y Nachtsheim, CJ. El algoritmo de intercambio de coordenadas para la construcción de diseños experimentales óptimos exactos. Tecnometría , 37 (1), 60-69, 1995. Versión PDF .
• Fedorov, VV. Teoría de los experimentos óptimos . Academic Press, Nueva York, 1992.
• Goos, P. y Jones, B. Diseño óptimo de experimentos: un enfoque de estudio de caso , Wiley, 2011.
• Cómo crear un diseño experimental que sea robusto ante una tendencia temporal lineal en el blog de respuestas de Bradley Jones.
• Documentación de JMP en la covariable DOE
• Lista de deseos de JMP: Sugerencias de productos para nuestro equipo de desarrollo sobre lo que su organización necesita para sacar el máximo provecho de JMP.

Diseño de experimentos