Cuando uso Screening Design, puedo configurar los generadores para los efectos principales marcando casillas en ese menú y luego haciendo clic en aplicar. Sin embargo, no puedo encontrar cómo hacer esto en el menú de Diseño personalizado. Esa sección no está allí. ¿Hay alguna razón por la que no podamos especificar las reglas de generación para un factorial fraccionario en el diseño personalizado?
Estoy intentando configurar un escenario WP/SP. De lo contrario, simplemente usaría el menú de diseño de pantalla.
Hola @awelsh ,
La generación de diseños de cribado óptimos (a través de la plataforma de diseño personalizado ) y el diseño factorial fraccional clásico es diferente.
- En el caso del diseño factorial fraccional clásico, se especifica el generador que creará términos confusos completos que no se podrán diferenciar (muy a menudo, efectos principales con efecto de orden alto, como interacciones de factores 3/4/5-..., suponiendo que el principio de jerarquía de efectos se cumple). Eso da como resultado diseños en los que algunos términos están completamente alias/correlacionados, pero como se tiene la flexibilidad de especificar el generador, se puede tener cierta flexibilidad e intentar estimar de la forma más precisa e imparcial posible los términos de interés según la resolución del diseño . Esto facilita la construcción del diseño, por lo que es posible crear dicho diseño a mano. Esta opción de creación de diseño solo está disponible en la plataforma Screening Designs .
- En el caso de los diseños de cribado óptimos, la generación del diseño se realiza gracias a un algoritmo de intercambio de coordenadas y un objetivo a alcanzar, denominado criterio de optimalidad . Dependiendo de su objetivo experimental, puede elegir el criterio de optimalidad más relevante: explicabilidad a través de la estimación y filtrado de términos precisos (criterio de optimalidad D o A) o predictibilidad a través de la minimización de la varianza de la predicción (criterio de optimalidad I o G). Como el diseño se calcula gracias a este algoritmo y al objetivo de optimalidad, no puede especificar directamente un generador: el algoritmo intentará, en función de su modelo asumido, criterio de optimalidad, presupuesto de ejecuciones experimentales y cualquier restricción posible, minimizar las correlaciones entre los términos de su modelo. Por lo tanto, en la medida de lo posible, el diseño resultante tendrá correlaciones parciales en lugar de una confusión completa entre términos como los diseños factoriales fraccionales clásicos. Sin embargo, en algunas situaciones (por ejemplo, generar un diseño con el número mínimo requerido de ejecuciones y sin restricciones), el diseño óptimo resultante puede ser un diseño factorial fraccional clásico. Los diseños óptimos son una generalización de los diseños clásicos de "libros de texto", como los diseños factoriales fraccionados, capaces de manejar restricciones, con mayor flexibilidad en las estimaciones de los términos del modelo gracias al modelo asumido y al número de ejecuciones experimentales.
Espero que esta respuesta te ayude.
Gracias por la explicación detallada con enlaces. Fue muy útil y ahora entiendo la diferencia.
(contexto: soy un ingeniero mecánico y cinturón negro maestro Lean Six Sigma con experiencia. Sin embargo, he estado usando Minitab durante los últimos 10 años y tratando de aprender funciones avanzadas de JMP. Originalmente, me capacitaron en JMP usando funciones básicas)
Estaba jugando con la función difícil de cambiar para crear un diseño de gráfico entero fraccional/gráfico dividido para aprender cómo funciona. Estaba siguiendo un ejemplo de Montgomery en su libro de texto. El algoritmo no generaba el mismo diseño que el libro de texto, así que solo estaba tratando de configurar el generador para que lo hiciera. Estoy seguro de que podría hacer que creara el factorial completo y eliminara las filas no relevantes.
Sin embargo, después de hacer esta publicación, me di cuenta de que esta característica de diseño personalizado podría no funcionar de todos modos. Era un ejemplo no replicado sin DoF para errores y el modelo completamente saturado no produce un NPP o Pareto ya que usa REML. El ejemplo de Montgomery solo usa los resultados gráficos para el análisis.
Continuaré analizando el WP/SP de la misma manera que lo hacía con JMP hace 10 años, analizando dos tablas de datos independientes. Resumiré el WP de la tabla en todos los gráficos y ajustaré el DoF del WP. Luego, para el SP, utilizaré la tabla de datos completa original, pero solo ajustaré el DoF del SP en el modelo. Y luego haré un análisis práctico/gráfico con NPP utilizando la línea PSE de Lenth azul y el Pareto.
Estoy haciendo la transición desde Minitab, con el que estoy familiarizado en cuanto a cómo hacer WP/SP allí, y generará un análisis WP y SP separado con NPP y Pareto y SS correcto en el ANOVA. Lo cual es bastante bueno, pero es restrictivo en cuanto a qué diseño te permitirá elegir. Muy restrictivo en realidad, generalmente solo a unas pocas opciones. Pero por lo que veo, JMP no lo hará. Sin embargo, JMP puede hacer diseños mucho más complejos y optimizados.
Las cosas sofisticadas me fascinan intelectualmente, sin embargo, en la práctica, tiendo a ejecutar simplemente operaciones factoriales secuenciales clásicas fraccionarias y completas. A veces, estas operaciones tienen líneas de restricciones debido al orden de ejecución, los materiales o las configuraciones. De ahí mi motivación para probar las cosas difíciles de cambiar en el diseño personalizado.
Hola @awelsh ,
De hecho, puede resultar un poco complicado generar exactamente el mismo diseño que en un libro de texto o en un estudio de caso específico.
Dependiendo de sus necesidades (reproducir un análisis y/o crear un diseño), puede haber varias soluciones alternativas que le ayuden a mejorar la reproducibilidad de la generación y el análisis de su diseño:
- Para la enseñanza, la plataforma de diseño personalizado le permite fijar una semilla aleatoria para que todos los estudiantes puedan obtener el mismo diseño. Consulte ¿Es posible hacer que la generación de DOE sea reproducible?
- No sé cuál es el ejemplo específico que mencionaste, pero aún podría ser posible reproducir el diseño utilizando un diseño factorial fraccional clásico para la parte de parcela dividida (para tener control total sobre el generador y el aliasing) y replicar esta parte en varias parcelas completas. Si estás interesado, ¿puedes compartir el diseño para que pueda intentar reproducirlo?
- Otra opción es copiar y pegar la tabla de diseño de la fuente (libro de texto, Excel, ...) en JMP y configurar las propiedades de columna correctas para Factores . De esta manera, puede reproducir el análisis con los grados de libertad correctos para ANOVA entre las parcelas completas y las partes de las parcelas divididas, por ejemplo. Puede verificar y probar los ejemplos proporcionados aquí Ejemplo de un análisis de diseño de parcela dividida y Ejemplo de un experimento de parcela dividida . Este análisis directo, una vez que los factores están configurados correctamente, puede ayudarlo a crear un análisis más sencillo en lugar de dos tablas diferentes y análisis asociados.
Por último, si no estás limitado a reproducir exactamente un diseño de la literatura, también puedes dejar que el algoritmo de intercambio de coordenadas trabaje y comparar el diseño resultante con el diseño obtenido en el libro de texto gracias a la plataforma Compare Designs . Verás que los rendimientos de diseño deberían ser similares entre los dos diseños.
Espero que esta respuesta complementaria pueda ayudarte.
Gracias. Doy clases, por lo que la corrección aleatoria de semillas podría ser útil.
Si tienes curiosidad, estoy mirando el 14.3 en la página 639 de Diseño y análisis de experimentos, octava edición. Un libro de texto fantástico. Es un escenario de grabado de plasma 2^5-1. Me gusta cómo este es un ejemplo de análisis gráfico, ya que muchos de mis estudiantes recién están aprendiendo DOE y no comprenden completamente las tablas ANOVA. JMP estaba dando la identificación de plegado para ABCDE. El libro de texto era 1 y JMP estaba dando todo -1.
Hola @awelsh ,
De hecho, es un libro excelente y un buen estudio de caso. Para crear el mismo diseño, es posible que necesite varios pasos (y algunos ajustes y especificaciones manuales):
- 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 Aumentar diseños, 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.
Como nota al margen y como consideración "práctica", el uso directo de la plataforma de diseño personalizado permite crear un diseño con el mismo rendimiento (en términos de potencia y variación de predicción):
Pero una estructura de alias diferente (evitando una confusión total):
Aquí se explica cómo generarlo en JMP (también se adjunta una tabla de datos para el diseño personalizado):
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}
);
Espero que esta respuesta pueda ayudarte.
