Im Rahmen unserer fortlaufenden Blogserie zum Testen von Software machen wir einen kleinen Umweg und gehen noch einmal auf die Grundprinzipien der faktoriellen Effekte ein.
Insbesondere bei Screening-Designs können die Eigenschaften, nach denen wir in einem Design suchen, gut mit den grundlegenden Prinzipien geplanter Experimente zusammengefasst werden. Wir erläutern diese sogar in unserer Dokumentation .
- Wirkungshierarchie: Dieses Prinzip besagt, dass Hauptwirkungen wahrscheinlich wichtiger sind als Wirkungen zweiter Ordnung, die wiederum wichtiger sind als Wirkungen dritter Ordnung und so weiter. Darüber hinaus sind Wirkungen gleicher Ordnung wahrscheinlich gleich wichtig.
- Effektsparsity: Nach diesem Prinzip ist es wahrscheinlich, dass nur eine kleine Anzahl von Effekten in einem faktoriellen Experiment signifikant ist. Die meisten Effekte werden als vernachlässigbar angenommen, was den Modellauswahlprozess vereinfacht.
- Effektvererbung: Dieses Prinzip besagt, dass ein Interaktionseffekt wahrscheinlich nur dann signifikant ist, wenn mindestens einer seiner übergeordneten (Haupt-)Effekte ebenfalls signifikant ist. Diese Spezifikation hilft dabei, inkompatible Modelle während des Modellsuchprozesses auszuschließen.
Wenn Sie nun genügend Experimente durchgeführt haben, werden Sie wahrscheinlich Beispiele haben, bei denen diese Prinzipien nicht gelten. Es gibt jedoch empirische Belege dafür, dass dies vernünftige Annahmen sind, die man beim Experimentieren treffen kann (eine Übersicht finden Sie bei Li et al. 2006).
Das Prinzip der Effekthierarchie ist die Grundlage vieler Designentscheidungen in teilfaktoriellen Designs durch Auflösung und minimale Aberration, die Sie möglicherweise in einem Kurs zur Versuchsplanung gelernt haben. In Kombination mit der Sparsity, bei der wir die wichtigsten Faktoren finden möchten, sind dies aktive Forschungsbereiche (siehe beispielsweise Definitive Screening Designs und Mixed-Level-Screening Designs ). Wenn Sie die Custom Design-Plattform verwenden, ist das Standardmodell ein Haupteffektmodell.
Ich möchte darauf hinweisen, dass beim Sparsity-Prinzip die Angabe „wahrscheinlich signifikant“ eher eine Reflektion der Identifizierung der „wichtigsten“ Effekte ist. Wenn Sie eine ausreichend große Laufgröße haben, werden viele (möglicherweise die meisten) Ihrer faktoriellen Effekte statistisch signifikant sein – ich stelle mir das Sparsity-Prinzip gerne so vor, dass Sie die größten Effekte erzielen, also das Beste für Ihr Geld bekommen, wenn Sie Ihre Antwort ändern, indem Sie bestimmte entsprechende Eingaben ändern.
Über das Prinzip der Effektvererbung denke ich normalerweise nur beim Modellieren nach. Aber wir werden sehen, dass es auch beim Testen relevant ist.
Warum dieser Umweg? Hat das etwas mit dem Testen zu tun?
Wir hätten Sie zwar einfach auf die Dokumentation in meinem nächsten Blogbeitrag verweisen können, werden aber sehen, wie wir das Testproblem unter Verwendung derselben Prinzipien formulieren können.
Li, X., Sudarsanam, N. und Frey, DD, 2006. Regelmäßigkeiten in Daten aus faktoriellen Experimenten. Complexity , 11 (5), S. 32-45.
Toller Artikel, @Ryan_Lekivetz !
Ich habe auch mein Bestes getan, um die Grundprinzipien für die Konstruktion von Designs (basierend auf den Prinzipien von Fisher: Replikation, Randomisierung, lokale Kontrolle/Blockierung) und Designanalyse (Effektsparsität, Hierarchie und Vererbung) in diesem Artikel zu erklären: „ Prinzipien der Versuchsplanung: Die Schlüsselkonzepte für die Konstruktion und Analyse von Versuchsplanungen “.
Vielen Dank fürs Lesen, @Victor_G – und danke für den Link zu Ihrem Artikel. Ich freue mich, wenn Sie die Botschaft von DOE verbreiten!
