Hola,
Mi DOE tiene varios factores, cada uno con diferentes niveles que van del 3 al 5. No puedo crear un diseño factorial completo porque el número total de ejecuciones supera las 20 000. En su lugar, intenté crear un diseño personalizado con solo efectos principales y sin efectos de interacción. El número de pruebas proporcionadas es 21. ¿Cómo puedo garantizar la fiabilidad de este diseño personalizado? Además, ¿existe algún método para añadir posteriormente efectos de interacción junto con los valores de respuesta ya rellenados? Al añadir efectos de interacción, necesito rellenar la tabla de respuestas. Gracias.
Hola @faizarizmin ,
¡Bienvenido a la comunidad!
Como parece que eres novato con DoE, te recomendaría echar un vistazo a los recursos de DoE que figuran en el JMP. Discusiones del Club de Diseño de Experimentos y otros recursos enumerados en esta publicación (y otras): ¿Materiales de aprendizaje para el DOE?
Estos recursos le ayudarán a crear diseños y comprender cómo compararlos/evaluarlos.
Como parece haber muchos factores en esta etapa de selección, los diseños de selección definitivos también pueden ser una opción interesante si el número de ejecuciones no es demasiado alto para su presupuesto experimental.
También puedes utilizar el Explorador de Diseño para crear y comparar varios diseños en paralelo, con distintos tamaños de ejecución, número de réplicas, criterios de optimalidad, etc.
Finalmente, la evaluación y comparación del diseño se vincularán a su objetivo (en este caso, la evaluación). En el caso de los diseños de evaluación, el objetivo es identificar los efectos activos entre diversos factores potenciales. El proceso de evaluación se centra en tres aspectos complementarios:
- El análisis de potencia es la herramienta principal para la detección de efectos. Mediante tablas y gráficos de análisis de potencia, podemos evaluar si un diseño puede detectar con fiabilidad los efectos activos en condiciones específicas.
- Las estimaciones del error estándar complementan el análisis de potencia cuantificando la precisión de la estimación. La tabla de error estándar relativo permite la comparación directa entre diseños, revelando su capacidad para estimar con precisión tanto los efectos principales (como las interacciones, si se incluyen en el modelo supuesto).
- El análisis de correlación, visualizado mediante matrices con código de colores, completa la evaluación de cribado al exponer la confusión de efectos. Estos mapas revelan posibles estructuras de aliasing, lo que ayuda a equilibrar la economía de ejecución con la capacidad de separación de efectos.
Diferentes objetivos podrían llevar a diferentes estrategias de diseño y diferentes evaluaciones, aquí hay una publicación de LinkedIn que escribí sobre este aspecto: https://www.linkedin.com/posts/victorguiller_d%C3%A9couverte-des-plans-oml-orthogonal-main-activity-7300061967682084864-QlkC
Espero que esta primera respuesta te ayude.
