Domanda 1: Analisi del modello DOE
Commenti:
@Phil_Kay
@Victor_G : La selezione graduale potrebbe non essere l'approccio predefinito da consigliare.
È utile come guida e confronto, ma preferirei confrontare i risultati con GenReg e altre piattaforme
I grafici raster possono anche aiutare a vedere le frequenze di inclusione dei termini in molti modelli, per vedere come si confrontano: https://community.jmp.com/t5/JMP-Wish-List/Raster-plots-or-other-visualization-tools-to-help-model/idi-p/730968
@bdclark23 : Approcci basati su modelli multipli con una preponderanza di prove che mostrano costantemente gli stessi effetti nei diversi modelli, ognuno con i propri pregiudizi e presupposti.
Domanda 2: “Approccio covariato” dell’applicazione dei vincoli
Commenti
@Victor_G : Informazioni sui vincoli:
@Ryan_Lekivetz :
@Phil_Kay : Ne ho parlato anche di recente su LinkedIn:
Adoro questa discussione. È relativamente facile passare (JMP!) alla risposta tecnica. Ma è importante anche mettere in discussione il "perché".
@Chandramouli_R :
Video 3: Progettazione fattoriale completa: quanti punti centrali consigliate?
@Phil_Kay : Ho già parlato in precedenza dei punti centrali:
@Victor_G : I punti centrali possono aiutare a rilevare la curvatura, ma non consentono la stima di diversi effetti quadratici
Come si aggiungono punti centrali in un design personalizzato?
UN: 
@Victor_G : Informazioni sui progetti di scoping e sul loro utilizzo come esecuzioni preliminari per controllare lo spazio di progettazione:
Video 4: Come posso reimpostare/eliminare i fattori nei DoE semplici senza modificare la progettazione dell'esperimento?
Commenti:
@Chandramouli_R :
@Victor_G :
- In "analysieren" puoi selezionare gli effetti dentro e fuori dal modello
- Scheda "Analizza" --> Prova "Miglior modello"
- Oppure crea un modello personalizzato con "Fit Model" utilizzando la tabella dati JMP con i tuoi risultati
@Jonas_Rinne : Penso che tu possa farlo anche andando in modalità flessibile in Easy DOE
@Victor_G : Adatta le tue risposte separatamente. Ma penso che ci siano molte risorse per aiutarti a creare e confrontare modelli.
L'OFAT non ha un modello dietro, è solo un approccio comparativo, quindi non è molto utile per guidare il processo decisionale
Video 5: Cultura analitica per l'utilizzo del DOE
Commenti:
@Uwe_Weber : Usa il Profiler e capiranno
@anchildress : Abbiamo più successo in Eastman quando ci concentriamo sulla costruzione di relazioni con i clienti, iniziando in piccolo per costruire la fiducia con voi e le vostre tecniche. Una volta che vedono alcune vittorie o DOE di successo con i colleghi, forse si fidano di più di DOE.
Risultati e risparmio sui costi sono la tecnica più convincente
@DB1 : Cambiare una cultura: pazienza. Lavorare sui bordi. Quando riesci a convincere uno scienziato o un ingegnere, possono essere più convincenti dell'uso del DOE con i loro compagni di squadra rispetto a noi. Come dice Bea, un set di dati DOE davvero valido in un'azienda può convincere molte persone se usato diplomaticamente e mirato al pubblico.
Grazie per la registrazione @maria_astals !
Alcuni commenti per approfondire i punti discussi ieri:
- Selezione graduale
La regressione graduale può essere problematica negli esperimenti progettati, poiché:
- ignora la struttura sperimentale del DoE: principio di gerarchia, principio di scarsità e talvolta principio di ereditarietà, ma quest'ultimo principio può essere forzato nella piattaforma di regressione generalizzata,
- crea stime di parametri distorti/gonfiati, poiché questi termini sono selezionati principalmente a causa della loro entità/dimensione dell'effetto,
- aumenta il rischio di falsi positivi (probabilità di rilevare un effetto attivo che non è attivo) a causa di test multipli senza aggiustamento,
- fornisce valori p inaffidabili, poiché possono essere utilizzati sia per la selezione dei termini che per stimare i test statistici,
- non affronta la multicollinearità, che può essere un problema con forti alias/correlazioni tra termini nel design e/o nel caso di design di miscele,
- ignora completamente il modello presunto correlato al progetto generato.
Potrebbero esserci altri motivi, è possibile trovare facilmente letteratura e discussioni su questo argomento:
SP0016 Gradini o non-gradini? Cosa fare e cosa non fare nella modellazione multivariata | Annals of the Rheumatic Diseases
L'utilizzo della regressione graduale per affrontare la multicollinearità non è appropriato - PMC
Perché odiamo la regressione graduale | Modellazione statistica, inferenza causale e scienze sociali
La selezione graduale delle variabili nella regressione è malvagia.
La selezione graduale può comunque essere utile come modello di riferimento e, se il numero di fattori non è troppo elevato, l' opzione All Possible Models può essere interessante per vedere come diversi modelli concordano e non concordano sui termini selezione e stima. Ma il confronto e la selezione dei modelli dovrebbero essere guidati dal modello assunto alla base del progetto e dall'esperienza di dominio.
Alcune discussioni e post nella Community relativi agli approcci graduali sui dati DoE:
COME adattare due modelli con termini diversi allo stesso tempo
Regressione all'indietro per l'analisi DOE della miscela con JMP normale (non professionale)?
Analisi di una miscela DOE con regressione graduale
Problemi del modello DoE Aumento
Screening definitivo di adattamento vs. graduale (min. AICC) per la selezione del modello
- Vincoli
È possibile aggiungere vincoli in due modi:
- Aggiungendo vincoli e limiti tramite il pannello Definisci vincoli di fattore , che limiteranno la generazione di punti di progettazione in base ai vincoli,
- Limitando direttamente i punti di progettazione che possono essere utilizzati per la generazione della progettazione utilizzando un approccio Candidate Set: Candidate Set Designs: Adattamento dei vincoli DOE al problema (2021-EU-30MP-784)
Il post del blog di @Jed_Campbell sui vincoli fattoriali demistificati è una lettura obbligata su questo argomento.
- Punti centrali
La scelta di aggiungere punti centrali è spesso più legata a obiettivi e ragioni pratiche: rilevamento della curvatura, garanzia del processo di stabilità della misurazione durante gli esperimenti, stima dell'errore puro/variabilità, stima al centro dello spazio di progettazione (nel contesto dell'analisi di robustezza rispetto allo spazio dei fattori/Qualità per progettazione), ... A seconda del modello assunto e del tipo di progettazione, i punti centrali potrebbero non essere necessari; quelli classici come i progetti compositi centrali e i progetti di screening definitivi hanno punti centrali, mentre i progetti ottimali calcolati potrebbero non richiederli.
Alcune pubblicazioni su questo argomento:
5.3.3.7. Aggiunta di punti centrali
Punti centrali: trovare il centro matematico dei tuoi dati - isixsigma.com
https://www.statease.com/blog/importance-center-points-central-composite-designs/
E alcune discussioni e post nella Community:
effetto dei punti centrali
Re: Forzare i punti centrali a essere distribuiti equamente tra i blocchi di progettazione personalizzata
Quanti punti centrali aggiungere in un disegno?
@maria_astals Come suggerimento per i prossimi incontri, sarebbe fantastico se alcuni degli argomenti potessero essere votati e preparati in anticipo: poiché il club DoE è un incontro trimestrale, avremmo abbastanza tempo per creare un sondaggio con argomenti diversi e votarli prima del prossimo incontro del club. Ciò garantirebbe discussioni più approfondite e una maggiore varietà negli argomenti (e forse più partecipazione/coinvolgimento). Un mix tra argomenti preparati/votati e argomenti/domande spontanei potrebbe essere una buona idea per i futuri incontri?
È stato fantastico averti all'incontro Bill @statman . Mi piace molto imparare da te.
Grazie per i chiarimenti @Victor_G !
C'è un argomento per la sezione di discussione in questa comunità: https://community.jmp.com/t5/Design-of-Experiments-Topic/idb-p/doe-grouphubidea-board
Raccogliamo alcune idee dal gruppo e inviamo in anticipo il sondaggio.
