814805_de-DE

liliconcom

DOE-Erweiterungsdesign mit Kovariaten

Was hat diese Wunschliste inspiriert? Experimentelle Einheiten mit bekannten (festen) Kovariaten müssen rekrutiert und im Laufe der Zeit randomisiert auf Faktoren verteilt werden, damit sie unabhängig (oder „ausgeglichen“) von den Kovariaten sind. Derzeit gibt es in JMP 18 keine automatisierte Möglichkeit, dies zu tun.

Welche Verbesserung würden Sie gerne sehen? Ich würde mir wünschen, dass JMP Kovariaten in der Augment Design-Plattform zulässt, sodass neue Versuchseinheiten mit bekannten festen Kovariaten randomisiert auf Designfaktoren verteilt werden können, die das Gleichgewicht des bestehenden Designs wahren.

Warum ist diese Idee wichtig? Sie ist wichtig, um Studien mit wichtigen bekannten Kovariablen und gestaffelter Rekrutierung zu entwerfen.

Konsumenten- und MarktforschungVersuchsplanungBetreff: DOE-Erweiterungsdesign mit Kovariaten - Status geändert in: Bestätigt

Vielen Dank für das Einreichen dieses Vorschlags. Wir prüfen ihn derzeit und berücksichtigen ihn in einer zukünftigen Version.

Betreff: DOE-Verbesserung des Versuchsdesigns mit Kovariaten

Es scheint, dass dies bereits teilweise möglich ist. Ich möchte dieser Anfrage noch eine weitere Idee hinzufügen: partielle Kovariaten. Ich habe beispielsweise eine Tabelle mit Kovariaten, aber für einige dieser Kovariaten sind keine Faktorstufen spezifiziert. Es wäre wünschenswert, diese einbeziehen zu können und JMP die fehlenden Faktorstufen mithilfe eines optimalen Versuchsdesigns ergänzen zu lassen. Ein Beispiel: Ich plane ein Versuchsdesign (DOE), erstelle ein erstes Design, dem alle zustimmen, und füge dann einen oder mehrere weitere Faktoren hinzu. Einige vordefinierte Läufe (z. B. erwartete Worst-Case-Kombinationen, Mittelpunkte) sollen in das Design einbezogen werden, sodass diese Faktorstufen für die neuen Faktoren festgelegt werden. Anstatt von vorne zu beginnen, möchte ich das ursprüngliche Design verwenden, es wie Kovariaten behandeln und dann die verbleibenden fehlenden Faktorstufen für die neuen Faktoren ergänzen, um ein optimales Design zu erhalten.