CIAO,
Il mio DOE ha più fattori, ognuno con livelli diversi che vanno da 3 a 5. Non posso creare un design fattoriale completo perché il numero totale di esecuzioni supera 20.000. Invece, ho provato a creare un design personalizzato con solo effetti principali e nessun effetto di interazione. Il numero di test forniti è 21. Come posso garantire che questo design personalizzato sia affidabile? Inoltre, esiste un metodo in cui posso aggiungere in seguito effetti di interazione insieme ai valori di risposta che sono già stati compilati? Quando aggiungo effetti di interazione, devo riempire di nuovo la tabella di risposta. Grazie.
Ciao @faizarizmin ,
Benvenuti nella Community!
Dato che sembra che tu sia alle prime armi con DoE, ti consiglio di dare un'occhiata alle risorse DoE elencate nel JMP Discussioni del Design of Experiments Club e altre risorse elencate in questo post (e in altri): Materiali didattici per il DOE?
Queste risorse ti aiuteranno a creare progetti e a capire come confrontarli/valutarli.
Poiché in questa fase di selezione sembrano esserci molti fattori da considerare, anche i progetti di selezione definitivi potrebbero rivelarsi un'opzione interessante se il numero di prove non è troppo elevato per il budget sperimentale.
È anche possibile utilizzare Esploratore di progettazione per creare e confrontare più progetti in parallelo, con diverse dimensioni di esecuzione, numero di repliche, criteri di ottimalità, ecc.
Infine, la valutazione e il confronto del design saranno collegati al tuo obiettivo (in questo caso screening). Per i design di screening, l'obiettivo è identificare gli effetti attivi tra molti potenziali fattori. Il processo di valutazione si concentra su tre aspetti complementari:
- L'analisi di potenza funge da strumento primario per la capacità di rilevamento degli effetti. Attraverso tabelle e grafici di analisi di potenza, possiamo valutare se un progetto può rilevare in modo affidabile gli effetti attivi in condizioni specifiche.
- Le stime di errore standard completano l'analisi di potenza quantificando la precisione della stima. La tabella di errore standard relativo consente un confronto diretto tra i progetti, rivelando la loro capacità di stimare con precisione entrambi gli effetti principali (e le interazioni se aggiunte nel modello assunto).
- L'analisi di correlazione, visualizzata tramite matrici codificate a colori, completa la valutazione di screening esponendo la confusione degli effetti. Queste mappe rivelano potenziali strutture di aliasing, aiutando a bilanciare l'economia di esecuzione rispetto alle capacità di separazione degli effetti.
Obiettivi diversi potrebbero portare a strategie di progettazione e valutazioni diverse, ecco un post LinkedIn che ho scritto su questo aspetto: https://www.linkedin.com/posts/victorguiller_d%C3%A9couverte-des-plans-oml-orthogonal-main-activity-7300061967682084864-QlkC
Spero che questa prima risposta ti sia utile,
