Hallo,
Mein Versuchsplan enthält mehrere Faktoren mit jeweils unterschiedlichen Ausprägungen von 3 bis 5. Ich kann keinen vollfaktoriellen Versuchsplan erstellen, da die Gesamtzahl der Durchläufe 20.000 übersteigt. Stattdessen habe ich versucht, einen benutzerdefinierten Versuchsplan zu erstellen, der nur Haupteffekte und keine Interaktionseffekte enthält. Die Anzahl der bereitgestellten Tests beträgt 21. Wie kann ich die Zuverlässigkeit dieses benutzerdefinierten Versuchsplans sicherstellen? Gibt es außerdem eine Methode, mit der ich Interaktionseffekte nachträglich zu den bereits ausgefüllten Antwortwerten hinzufügen kann? Wenn ich Interaktionseffekte hinzufüge, muss ich die Antworttabelle neu ausfüllen. Vielen Dank.
Hallo @faizarizmin ,
Willkommen in der Community!
Da Sie anscheinend ein Neuling in Sachen DoE sind, empfehle ich Ihnen, einen Blick auf die DoE-Ressourcen zu werfen, die im JMP aufgeführt sind. Diskussionen des Design of Experiments Club und andere in diesem (und anderen) Beitrag aufgeführte Ressourcen: Lernmaterialien für DOE?
Diese Ressourcen helfen Ihnen beim Erstellen von Designs und beim Verstehen, wie Sie diese vergleichen/bewerten.
Da in dieser Screening-Phase offenbar viele Faktoren eine Rolle spielen, können auch Definitive Screening-Designs eine interessante Option sein, wenn die Anzahl der Durchläufe Ihr experimentelles Budget nicht zu hoch übersteigt.
Sie können den Design Explorer auch verwenden, um mehrere Designs parallel zu erstellen und zu vergleichen, mit unterschiedlicher Laufgröße, Replikationsanzahl, Optimalitätskriterien usw.
Abschließend wird die Designbewertung und der Designvergleich mit Ihrem Ziel (hier Screening) verknüpft. Bei Screening-Designs besteht das Ziel darin, aktive Effekte unter vielen potenziellen Faktoren zu identifizieren. Der Bewertungsprozess konzentriert sich auf drei sich ergänzende Aspekte:
- Die Leistungsanalyse dient als primäres Werkzeug zur Effekterkennung. Anhand von Leistungsanalysetabellen und -diagrammen können wir beurteilen, ob ein Design aktive Effekte unter bestimmten Bedingungen zuverlässig erkennen kann.
- Standardfehlerschätzungen ergänzen die Power-Analyse, indem sie die Schätzpräzision quantifizieren. Die relative Standardfehlertabelle ermöglicht einen direkten Vergleich zwischen Designs und zeigt deren Fähigkeit, sowohl Haupteffekte (als auch Wechselwirkungen, sofern sie im angenommenen Modell berücksichtigt werden) präzise zu schätzen.
- Die Korrelationsanalyse, visualisiert durch farbkodierte Matrizen, vervollständigt die Screening-Bewertung durch die Aufdeckung von Störeffekten. Diese Karten zeigen potenzielle Aliasing-Strukturen auf und helfen, die Wirtschaftlichkeit des Betriebs mit der Fähigkeit zur Effekttrennung abzuwägen.
Unterschiedliche Ziele können zu unterschiedlichen Designstrategien und unterschiedlichen Bewertungen führen. Hier ist ein LinkedIn-Beitrag, den ich zu diesem Aspekt geschrieben habe: https://www.linkedin.com/posts/victorguiller_d%C3%A9couverte-des-plans-oml-orthogonal-main-activity-7300061967682084864-QlkC
Hoffe, diese erste Antwort wird Ihnen helfen,
