Die Custom-Design-Plattform von JMP ermöglicht es Experimentatoren, maßgeschneiderte Versuchsdesigns für ihre spezifischen Anforderungen zu erstellen, indem sie optimale Designs konstruiert. Der Custom-Designer generiert optimale Designs, indem er mithilfe des Koordinatenaustauschalgorithmus versucht, eines von mehreren Optimalitätskriterien zu maximieren. Der Algorithmus erstellt ein Startdesign, indem er für jeden Faktor und jeden Durchlauf zufällige Werte innerhalb des festgelegten Designbereichs auswählt. Das gefundene Design ist nur lokal optimal, und der Koordinatenaustauschalgorithmus wird mehrfach wiederholt, um die Wahrscheinlichkeit zu erhöhen, ein global optimales Design zu finden. Custom Design liefert das Design, das das Optimalitätskriterium unter allen erstellten Designs maximiert.
Zu den Optimalitätskriterien gehören:
- D-Optimalität
- I-Optimalität
- A-Optimalität
- Alias-Optimalität
Optimalitätskriterien können unter dem roten Dreieck im Bereich „Benutzerdefiniertes Design“ angegeben werden.
Die empfohlenen (standardmäßigen) Optimalitätskriterien sind:
| Im kundenspezifischen Design spezifiziertes Modell |
Standardoptimalitätskriterium |
| Vollständiges quadratisches Modell mithilfe der RSM-Schaltfläche |
I-Optimalität |
| Modelle mit Zwei-Faktor-Wechselwirkungen, die über die Schaltfläche „Wechselwirkungen“ hinzugefügt wurden. |
A-Optimalität |
| In allen anderen Fällen |
D-Optimalität |
Das Ziel des Designs liegt der Begründung sowohl für die verwendeten Standard-Optimalitätskriterien als auch für den Zeitpunkt zugrunde, an dem man vom Standard-Optimalitätskriterium zu anderen Optimalitätskriterien wie dem Alias-Optimalitätskriterium wechseln würde.
Aus übergeordneter Sicht verfolgen experimentelle Versuchsdesigns zwei Ziele: die Identifizierung aktiver Effekte (Screening) und die Optimierung einer Zielgröße (Vorhersage). Modelle erster Ordnung (Haupteffektmodelle) dienen der Identifizierung aktiver Effekte im Screening. D-optimale Modelle minimieren den Fehler der Koeffizienten und eignen sich daher besonders gut zur Identifizierung aktiver Effekte.
Modelle zweiter Ordnung (Haupteffekte plus quadratische Effekte und Wechselwirkungen zweiter Ordnung) werden verwendet, wenn die Betriebsparameter Ihres Prozesses optimiert werden und die Vorhersage der Zielgröße Vorrang vor der exakten Parameterschätzung hat. Das I-optimale Kriterium berücksichtigt die Vorhersagevarianz und ist daher das empfohlene (Standard-)Optimalitätskriterium für Modelle zweiter Ordnung, die über die Schaltfläche „RSM“ bei der Modelldefinition im benutzerdefinierten Design ausgewählt werden.
| Optimalitätskriterium |
Ziel der Versuchsplanung |
Praktisches Ziel |
| I-optimal |
Minimierung der Vorhersagevarianz |
Genaue Vorhersagen |
| D-optimal |
Minimierung des Koeffizientenfehlers |
Faktorenbeziehungen verstehen |
| A-optimal |
Gewichtung verschiedener Teile des Modells |
Faktorenbeziehungen verstehen, wobei der Fokus auf spezifischen Faktoren von Interesse liegt. |
| Alias-Optimalität |
Eliminierung der Korrelationen des Haupteffekts (ME) mit der Zwei-Faktor-Interaktion (2FI). |
Faktorbeziehungen verstehen, bei denen MEs nicht durch mögliche große aktive 2-FIs verzerrt sind |
Beispiel für die Spezifizierung und Identifizierung der Optimalitätskriterien im Custom Design:
