„Generierungsregeln ändern“ für benutzerdefiniertes Design (gibt es diese Option nur im Screening-Design?)Wenn ich Screening Design verwende, kann ich die Generatoren für die Haupteffekte festlegen, indem ich in diesem Menü Kontrollkästchen ankreuze und dann auf „Übernehmen“ klicke. Ich kann jedoch im Menü „Benutzerdefiniertes Design“ nicht herausfinden, wie das geht. Dieser Abschnitt ist dort nicht vorhanden. Gibt es einen Grund, warum wir die Generierungsregeln für eine gebrochene Fakultät im benutzerdefinierten Design nicht angeben können?
Ich versuche, ein WP/SP-Szenario einzurichten. Andernfalls würde ich einfach das Screening-Design-Menü verwenden.
VersuchsplanungWindowsBetreff: „Generierungsregeln ändern“ für benutzerdefiniertes Design (gibt es diese Option nur im Screening-Design?)Hallo @awelsh ,
Die Erstellung optimaler Screening-Designs (über eine benutzerdefinierte Designplattform ) und des klassischen fraktionalen faktoriellen Designs unterscheidet sich.
- Beim klassischen teilfaktoriellen Design geben Sie den Generator an, der völlig vermischte Terme erstellt, die Sie nicht unterscheiden können (sehr oft Haupteffekte mit Effekten höherer Ordnung, wie 3/4/5-...-Faktorinteraktionen, vorausgesetzt, das Prinzip der Effekthierarchie gilt). Das führt zu Designs, bei denen einige Terme vollständig aliasiert/korreliert sind, aber da Sie die Flexibilität haben, den Generator anzugeben, können Sie eine gewisse Flexibilität haben und versuchen, die interessierenden Terme je nach Auflösung des Designs so präzise und unvoreingenommen wie möglich abzuschätzen. Dies vereinfacht die Designkonstruktion, sodass solche Designs auch manuell erstellt werden können. Diese Option zur Designerstellung ist nur in Screening-Designs der Plattform verfügbar.
- Bei optimalen Screening-Designs erfolgt die Generierung des Designs mithilfe eines Koordinatenaustauschalgorithmus und eines zu erreichenden Ziels, dem sogenannten Optimalitätskriterium . Abhängig von Ihrem experimentellen Ziel können Sie das relevanteste Optimalitätskriterium wählen: Erklärbarkeit durch präzise Schätzung und Filterung der Terme (D- oder A-Optimalitätskriterium) oder Vorhersagbarkeit durch Minimierung der Vorhersagevarianz (I- oder G-Optimalitätskriterium). Da das Design mithilfe dieses Algorithmus und Optimalitätsziels berechnet wird, können Sie keinen Generator direkt angeben: Der Algorithmus versucht, basierend auf Ihrem angenommenen Modell, dem Optimalitätskriterium, dem Budget der experimentellen Durchläufe und allen möglichen Einschränkungen, die Korrelationen zwischen den Termen in Ihrem Modell zu minimieren. Das resultierende Design weist also so weit wie möglich partielle Korrelationen statt vollständiger Konfusion zwischen den Termen auf, wie dies bei klassischen teilfaktoriellen Designs der Fall ist. In manchen Situationen jedoch (beispielsweise beim Generieren eines Designs mit der erforderlichen Mindestanzahl von Durchläufen und ohne Einschränkungen) kann das resultierende optimale Design ein klassisches teilfaktorielles Design sein. Optimale Designs sind eine Verallgemeinerung klassischer „Lehrbuch“-Designs wie teilfaktorieller Designs. Sie können mit Einschränkungen umgehen und bieten dank des angenommenen Modells und der Anzahl der Versuchsdurchläufe mehr Flexibilität bei der Schätzung der Modellterme.
Hoffe, diese Antwort wird Ihnen helfen,
Betreff: „Generierungsregeln ändern“ für benutzerdefiniertes Design (gibt es diese Option nur im Screening-Design?)Vielen Dank für die ausführliche Erklärung mit Links. Das war sehr hilfreich und ich verstehe jetzt den Unterschied.
(Kontext: Ich bin ein erfahrener Lean Six Sigma Master Black Belt und Maschinenbauingenieur. Allerdings verwende ich seit 10 Jahren Minitab und versuche, die erweiterten Funktionen von JMP zu erlernen. Ursprünglich wurde ich in JMP mit den grundlegenden Funktionen geschult.)
Ich habe mit der schwer zu ändernden Funktion gespielt, um ein Fractional Whole Plot / Split Plot-Design zu erstellen, um zu lernen, wie es funktioniert. Ich habe ein Beispiel von Montgomery in seinem Lehrbuch verfolgt. Der Algorithmus hat nicht dasselbe Design wie im Lehrbuch generiert, also habe ich nur versucht, den Generator so einzustellen, dass er es tut. Ich bin sicher, ich könnte ihn einfach die volle Fakultät erstellen lassen und die nicht relevanten Zeilen löschen.
Nachdem ich diesen Beitrag verfasst hatte, wurde mir jedoch klar, dass diese benutzerdefinierte Designfunktion möglicherweise trotzdem nicht funktioniert. Es war ein nicht repliziertes Beispiel ohne Freiheitsgrad für Fehler und das vollständig gesättigte Modell erzeugt kein NPP oder Pareto, da es REML verwendet. Das Montgomery-Beispiel verwendet nur die grafischen Ausgaben für die Analyse.
Ich werde WP/SP einfach weiter so analysieren, wie ich es vor 10 Jahren mit JMP gemacht habe, indem ich zwei separate Datentabellen analysiert habe. WP-Zusammenfassung der Tabelle zu den gesamten Diagrammen und Anpassung der WP-Freiheitsgrade. Und dann verwende ich für SP die ursprüngliche vollständige Datentabelle, passe aber nur den SP-Freiheitsgrade in das Modell an. Und dann führe ich einfach eine praktische/grafische Analyse mit NPP durch, indem ich die PSE-Linie der blauen Linie und das Pareto verwende.
Ich wechsle von Minitab, mit dem ich WP/SP auskenne, und es wird eine separate WP- und SP-Analyse mit NPP und Pareto und korrektem SS in der ANOVA ausgeben. Das ist ganz nett, aber es ist restriktiv, was die Designs angeht, die man auswählen kann. Sehr restriktiv, normalerweise nur ein paar Optionen. Aber soweit ich sehe, kann JMP das nicht. JMP kann jedoch viel komplexere und optimiertere Designs erstellen.
Die ausgefallenen Dinge faszinieren mich intellektuell, in der Praxis neige ich jedoch dazu, nur sequenzielle klassische Bruch- und Vollfaktorrechnungen auszuführen. Manchmal gibt es Einschränkungen aufgrund der Ausführungsreihenfolge, der Materialien oder der Einstellungen. Daher meine Motivation, die schwer zu ändernden Dinge im benutzerdefinierten Design auszuprobieren.
Betreff: „Generierungsregeln ändern“ für benutzerdefiniertes Design (gibt es diese Option nur im Screening-Design?)Hallo @awelsh ,
Es kann tatsächlich etwas schwierig sein, genau dasselbe Design wie in einem Lehrbuch oder einer spezifischen Fallstudie zu erstellen.
Abhängig von Ihren Anforderungen (Reproduzieren einer Analyse und/oder Erstellen eines Designs) gibt es möglicherweise verschiedene Problemumgehungen, die Ihnen dabei helfen, die Reproduzierbarkeit Ihrer Designgenerierung und -analyse zu verbessern:
- Für den Unterricht können Sie mit der Plattform für benutzerdefiniertes Design einen Zufallsstartwert festlegen, sodass alle Schüler dasselbe Design erhalten. Siehe „Ist es möglich, die DOE-Generierung reproduzierbar zu machen?“
- Ich weiß nichts über das konkrete Beispiel, das Sie erwähnt haben, aber es könnte trotzdem möglich sein, das Design mit einem klassischen fraktionalen faktoriellen Design für den Split-Plot-Teil zu reproduzieren (um die volle Kontrolle über den Generator und das Aliasing zu haben) und diesen Teil in mehrere ganze Plots zu replizieren. Wenn Sie interessiert sind, können Sie das Design freigeben, damit ich versuchen kann, es zu reproduzieren?
- Eine weitere Möglichkeit besteht darin, die Designtabelle aus der Quelle (Lehrbuch, Excel, ...) in JMP zu kopieren und einzufügen und die richtigen Spalteneigenschaften für Faktoren einzurichten. Auf diese Weise können Sie die Analyse mit den richtigen Freiheitsgraden für ANOVA beispielsweise zwischen den gesamten Diagrammen und den Split-Plot-Teilen reproduzieren. Sie können die hier bereitgestellten Beispiele überprüfen und testen : Beispiel einer Split-Plot-Designanalyse und Beispiel eines Split-Plot-Experiments . Diese direkte Analyse kann Ihnen, sobald die Faktoren richtig eingerichtet sind, helfen und eine einfachere Analyse anstelle von zwei verschiedenen Tabellen und zugehörigen Analysen erstellen.
Wenn Sie nicht darauf beschränkt sind, ein Design aus der Literatur exakt zu reproduzieren, können Sie schließlich auch den Koordinatenaustauschalgorithmus arbeiten lassen und das resultierende Design dank der Plattform Compare Designs mit dem Design aus dem Lehrbuch vergleichen. Sie werden sehen, dass die Designleistungen beider Designs ähnlich sein sollten.
Ich hoffe, diese ergänzende Antwort könnte Ihnen helfen,
Betreff: „Generierungsregeln ändern“ für benutzerdefiniertes Design (gibt es diese Option nur im Screening-Design?)Danke. Ich unterrichte, daher könnte die Korrektur des Zufallszahlengenerators nützlich sein.
Falls Sie neugierig sind, ich schaue mir gerade 14.3 auf Seite 639 von Design and Analysis of Experiments, 8. Auflage, an. So ein fantastisches Lehrbuch. Es ist ein 2^5-1-Plasmaätzszenario. Mir gefällt, dass es sich hier um ein Beispiel für eine grafische Analyse handelt, da viele meiner Studenten gerade erst DOE lernen und ANOVA-Tabellen nicht ganz verstehen. JMP gab die Foldover-Identität für ABCDE an. Das Lehrbuch war 1 und JMP gab alle -1 an.
Betreff: „Generierungsregeln ändern“ für benutzerdefiniertes Design (gibt es diese Option nur im Screening-Design?)Hallo @awelsh ,
In der Tat ein ausgezeichnetes Buch und eine schöne Fallstudie. Um dasselbe Design zu erstellen, sind möglicherweise mehrere Schritte erforderlich (und einige manuelle Feinabstimmungen/Spezifikationen):
- Create a replicated Full Factorial design for the Hard-to-change factors A, B and C, with Run order sorted "Right to Left" (16 experiments):
DOE(
Screening Design,
{Add Response( Maximize, "Y", ., ., . ), Add Factor( Continuous, -1, 1, "A", 0 ),
Add Factor( Continuous, -1, 1, "B", 0 ), Add Factor( Continuous, -1, 1, "C", 0 ),
Set Random Seed( 1751432727 ), Replicates( 1 ), Make Design( 2 ),
Simulate Responses( 0 ), Save X Matrix( 0 )}
);
It should create the "Whole plot part" of the design, and since the runs are all replicated once with a specific run order, it will create a whole plot structure (2 runs per whole plot) that you can further specify, by adding a column "Random Block" in your table with the right column properties set for the analysis : Design Role = Random Block and Value Order (to sort the value from 1 to 8).
You will also have to change the Factor Changes property of the factors A, B and C from "Easy" to "Hard" to be able to run the correct analysis once the complete design will be done.
- Create the split plot part with a Full Factorial design for factors D and E, with Run Order sorted "Randomize". You might need some trials to have the same corresponding order than in the textbook :
DOE(
Screening Design,
{Add Response( Maximize, "Y", ., ., . ),
Add Factor( Continuous, -1, 1, "D", 0 ),
Add Factor( Continuous, -1, 1, "E", 0 ), Set Random Seed( 1907388151 ),
Make Design( 1 ), Simulate Responses( 0 ), Save X Matrix( 0 )}
);
Once this 4-runs full factorial is done, you can replicate it with the same order using the platform Designs erweitern, specifying a "Replicate" augmentation choice with 4 as the number of times to perform each run. You should then obtain the complete "split-plot part" of the design :
- Join datatables "Whole Plot part" and "Split plot part" by row number :
// → Data Table( "Plasma Etching Tools Design" )
Data Table( "1_Whole Plot part" ) << Join(
With( Data Table( "2_Split Plot part" ) ),
Select( :Pattern, :Whole Plots, :A, :B, :C ),
SelectWith( :D, :E, :Y ),
By Row Number,
Output Table( "Plasma Etching Tools Design" )
);
This last action should give you the same design as in the textbook. I have attached the different tables used and the last table with response values if you want to reproduce the design creation and/or analysis.
Als Randbemerkung und „praktische“ Überlegung sei erwähnt, dass die Verwendung der Custom Design-Plattform direkt die Erstellung eines Designs mit derselben Leistung (hinsichtlich Leistung und Vorhersagevarianz) ermöglicht:
Aber eine andere Aliasing-Struktur (um eine völlige Verwirrung zu vermeiden):
So generieren Sie es in JMP (eine Datentabelle für benutzerdefiniertes Design ist ebenfalls beigefügt):
DOE(
Custom Design,
{Add Response( Maximize, "Y", ., ., . ), Add Factor( Continuous, -1, 1, "A", 1 ),
Add Factor( Continuous, -1, 1, "B", 1 ), Add Factor( Continuous, -1, 1, "C", 1 ),
Add Factor( Continuous, -1, 1, "D", 0 ), Add Factor( Continuous, -1, 1, "E", 0 ),
Set Random Seed( 1361270547 ), Number of Starts( 29927 ), Add Term( {1, 0} ),
Add Term( {1, 1} ), Add Term( {2, 1} ), Add Term( {3, 1} ), Add Term( {4, 1} ),
Add Term( {5, 1} ), Add Alias Term( {1, 1}, {2, 1} ),
Add Alias Term( {1, 1}, {3, 1} ), Add Alias Term( {1, 1}, {4, 1} ),
Add Alias Term( {1, 1}, {5, 1} ), Add Alias Term( {2, 1}, {3, 1} ),
Add Alias Term( {2, 1}, {4, 1} ), Add Alias Term( {2, 1}, {5, 1} ),
Add Alias Term( {3, 1}, {4, 1} ), Add Alias Term( {3, 1}, {5, 1} ),
Add Alias Term( {4, 1}, {5, 1} ), Set N Whole Plots( 8 ), Set Sample Size( 16 ),
Simulate Responses( 0 ), Save X Matrix( 0 ), Make Design}
);
Ich hoffe, diese Antwort kann Ihnen helfen.
