Consulta sobre Diseño Experimental con JMPHola,
Tengo una inquietud. Soy principiante en diseño experimental y estoy realizando ensayos de formulación de medicamentos.
Para comenzar, examiné una serie de factores y variables para limitar los factores a los que se aplicarían en mi diseño experimental.
Ahora quisiera optimizar. Los parámetros son los siguientes:
- 3 respuestas: Y1, Y2, Y3
- 4 factores, de los cuales 3 son continuos (cada uno con 3 niveles) y 1 es categórico con 2 niveles.
Soy un principiante con JMP y me pregunto si debería utilizar un plan DOE óptimo, un plan clásico o un diseño de detección definitivo.
Además, tengo dificultades para establecer el número de niveles para los factores continuos, que son 3 niveles.
Mi pregunta es, en mi caso ¿cuantos experimentos serían el mínimo requerido para que sea representativo?
¿Cuál es el modelo ideal para mi diseño experimental? ¿Cuántas réplicas recomendarías?
Le agradezco sinceramente de antemano su ayuda.
Diseño de experimentosRe: Consulta sobre diseño experimental con JMPHola @PolygonGiraffe5 ,
¡Bienvenido a la Comunidad!
Como sugiere el nombre, un diseño de cribado definitivo es un diseño de cribado potente que se utiliza al principio de un proyecto, con un gran número de factores potenciales, para cribar factores activos e importantes y optimizar las respuestas, si el número de factores activos es suficientemente bajo. Los diseños clásicos como el diseño de superficie de respuesta se pueden utilizar para la optimización, pero no aprovecharán los experimentos anteriores que ya haya realizado y pueden ser menos flexibles en términos del número de experimentos necesarios. Otra última opción podría ser el uso de diseños de relleno de espacio , que son más flexibles ya que no dependen de un modelo preespecificado, pero pueden ser más costosos de ejecutar, ya que los puntos se generan para cubrir el espacio experimental de manera homogénea.
Si ya ha realizado una fase de selección con los factores identificados para la fase de optimización, puede intentar utilizar directamente estas ejecuciones preliminares de su diseño de selección y aumentar su diseño en sus factores activos con varias estrategias, como el aumento basado en modelos o el aumento independiente del modelo (que llena el espacio).
En el caso de una ampliación basada en modelos, la cantidad de niveles de los factores continuos dependerá de la complejidad del modelo asumido: si especifica términos cuadráticos (=2.º orden) para el factor A, se necesitarán 3 niveles para este factor. Seleccionar esta ampliación y especificar un modelo de superficie de respuesta (con efectos principales, interacciones de 2 factores y efectos cuadráticos) podría ser un buen primer paso para crear su diseño.
En el caso de aumento de relleno de espacio, la cantidad de niveles para sus factores continuos dependerá del tipo de relleno de espacio y, lo que es más importante, de la cantidad total de ejecuciones permitidas: cuantas más ejecuciones en total, más niveles tendrá cada factor.
En cuanto a la cuestión de la "representatividad" y las réplicas (en términos más generales, sobre las opciones de creación de diseños), se trata de una pregunta que debe responderse con experiencia en el dominio y herramientas estadísticas como la plataforma Compare Designs : ¿cuál es su objetivo (explicabilidad, predictibilidad, ambas?) y la precisión requerida (varianza de predicción máxima y promedio, por ejemplo)? ¿Cuál es su presupuesto experimental máximo?
Estas preguntas pueden ayudarle a encontrar el mejor compromiso al evaluar y comparar sus diseños con la plataforma Compare Designs.
Espero que estas respuestas te ayuden.
Re: Consulta sobre diseño experimental con JMPHola @Victor_G ,
Gracias por su respuesta detallada y clara; será de gran ayuda para la toma de decisiones.
Todavía tengo dificultades para modificar el número de niveles para factores continuos, ya que parece estar limitado a 2 en JMP.
Gracias una vez más por todas las aclaraciones que nos has aportado.
Atentamente,
Re: Consulta sobre diseño experimental con JMPHola @PolygonGiraffe5 ,
En cuanto al número de niveles para factores continuos en su diseño, puede consultar las soluciones de los niveles de fuerza posteriores en DoE
En la plataforma de diseño personalizado, puedes:
- Especificar en el modelo efectos de orden superior para "forzar" la generación del diseño a introducir niveles adicionales (número de niveles dependiendo de los órdenes más altos de los términos introducidos en el modelo),
- Utilice el tipo de factor numérico discreto (en particular si desea que los diferentes niveles no sean equidistantes) y especifique los términos apropiados en el modelo (JMP debería hacerlo de manera predeterminada con estos términos especificados como "Si es posible").
Espero que esto aclare y resuelva su problema.
Re: Consulta sobre diseño experimental con JMP¡Es perfecto!
Pude establecer tres niveles por factor para los factores numéricos discretos. De manera predeterminada, el modelo JMP incorpora el parámetro "Si es posible" en su configuración.
Gracias de nuevo por tu ayuda
Re: Consulta sobre diseño experimental con JMP¡Bienvenido a la comunidad!
Ver más...Para el diseño experimental, recomiendo comenzar con un plan de DOE óptimo, ya que manejará de manera eficiente los 3 factores continuos y 1 categórico. Con 3 factores continuos en 3 niveles, necesitará al menos 27 ejecuciones, pero agregar réplicas mejorará la confiabilidad. Para su modelo, considere usar un modelo lineal o un modelo cuadrático según las interacciones. Una sola réplica está bien para la detección, pero más para la optimización. Completar una tesis parecía una tarea imposible hasta que busqué ayuda en
https://academized.com/write-my-thesis Academized. Su servicio "Write My Thesis" fue excepcional. El escritor proporcionó una tesis original y bien investigada que se adhirió a mis pautas. También entregaron el trabajo antes de lo previsto, lo que me dio tiempo para revisarlo y sugerir cambios menores. Estoy increíblemente impresionado con su profesionalismo y definitivamente usaré sus servicios nuevamente en el futuro.
