Nachweisgrenze im definitiven Screening-DesignIch führe in JMP18 Pro ein DSD DOE mit 2 kategorialen Faktoren (Faktor A (Ebene A1, A2), Faktor B (Ebene B1, B2) und 2 kontinuierlichen Faktoren (Faktor C, Faktor D) aus. Mein Ziel besteht darin, die bessere Ebene in jedem Faktor A und B auszuwählen (z. B. entweder A1 oder A2, B1 oder B2), einschließlich aller wechselseitigen Interaktionsterme für alle Faktoren, und die quadratischen Terme in Faktor C, D zu schätzen.
Ich habe mich entschieden, 8 weitere Läufe mit Blöcken hinzuzufügen, um meinem Modell mehr Leistung zu verleihen, und kam auf insgesamt 22 Läufe.
Nach dem Experiment lag etwa ein Drittel meiner Ergebnisse unter der Nachweisgrenze. Ich habe versucht, meine Daten mit „Modell anpassen“ -> „Generalisierte Regression/LogNormal“ mit zensierten Daten zu analysieren.
Meine Fragen sind:
1/ Was sollte ich in „Modelleffekte konstruieren“ eintragen? Soll ich nur die Haupteffekte in das Modell aufnehmen oder soll ich alle Haupteffekte + wechselseitige Interaktion + quadratische Terme (für Faktor C, D) verwenden?
2/ Welches ist bei der generalisierten Regression die beste Schätzmethode? Standardmäßig wurde die zweistufige Vorwärtsselektion als Schätzmethode verwendet. Sollte ich andere Methoden ausprobieren und AICc oder BIC verwenden, um zu ermitteln, welches Modell am besten funktioniert? (Ich habe es versucht, und Ridge/Holdback lieferte mir den niedrigsten AICc. Sollte ich es verwenden?)
3/ Bei der Arbeit mit DSD verwende ich üblicherweise die Fit Definitive Screening Platform, die zweistufige Auswertungen von Begriffen in der Analyse umfasst. Kann ich dies mit Nachweisgrenzen oder linkszensierten Daten tun?
Vielen Dank für Ihre Hilfe!
Erweiterte statistische ModellierungVersuchsplanungWindowsBetreff: Nachweisgrenze im definitiven Screening-DesignEs werden nicht genügend Informationen bereitgestellt, und ohne KMU gibt es kaum Anlass zur Kritik. Ich habe meiner Meinung nach folgende allgemeine Anmerkungen:
1. DSD ist eine Screening-Design-Methode. Sie verwenden in Ihrem Experiment nur vier Faktoren. Dies ist NICHT der vorgesehene Einsatzzweck von DSD. Obwohl DSD mit kategorialen Faktoren durchgeführt werden kann, liegt darin nicht die Stärke von DSD, das quadratische Informationen innerhalb des Designraums liefern soll.
2. Bei jedem Experiment ist das verwendete Design eine Funktion Ihres hypothetischen Modells. Das heißt, das Modell wird anhand Ihres KMU vorhergesagt und im Experiment getestet. Ich beginne immer mit einem gesättigten Modell und entferne unbedeutende/uninteressante Terme aus dem Modell (auch bekannt als subtraktive Methode der Modellbildung). Sie sollten alle schätzbaren Terme in Ihr anfängliches Modell aufnehmen.
3. Welche Statistiken Sie zur Bewertung Ihres Modells verwenden, ist eine persönliche Entscheidung . Ich verwende mehrere, NICHT EINE, um das Modell zu bewerten, wenn ich Terme entferne (z. B. R-Quadrat-R-Quadrat-adjustiertes Delta, R-Quadrat-adjustierte Magnitude, RMSE, Residuendiagramme, p-Werte). Immer mit Unterstützung von SME.
4. Ich achte stets darauf, die Daten vor der quantitativen Analyse zu analysieren. Deshalb verwende ich IMMER die Reihenfolge: Praktische Signifikanz, grafische Analyse und schließlich quantitative Analyse (PGQ). Wenn die Daten keinen Sinn ergeben oder sich praktisch nicht ändern, können Sie sie nicht mit quantitativer Analyse korrigieren.
5. Blocking ist keine Strategie, um die Aussagekraft des Designs zu erhöhen (das kann zwar passieren, ist aber nicht der Grund für die Erfindung, siehe Fisher). Blocking wird verwendet, um den Inferenzraum zu vergrößern, ohne die Präzision des Experiments zu verringern.
Betreff: Nachweisgrenze im definitiven Screening-DesignHallo @D_P2025 ,
@statman hat bereits viele nützliche Informationen zur Verwendung von Definitive Screening Design und zum Modellaufbau zu Ihrem Thema gegeben.
Ich werde versuchen, zusätzliche Kommentare abzugeben und einige Ihrer anderen Fragen zu beantworten:
- Beim Erstellen von Modellen sollten Sie, wie von Statman erwähnt, mit allen möglichen Effekten Ihres angenommenen Modells (gesättigtes Modell) beginnen und einen subtraktiven Ansatz basierend auf spezifischen Kriterien (R²/R²adjustiert, RMSE, Term-p-Werte, AICc/BIC usw.) verwenden, die sich auf Ihr Ziel beziehen. Um die Erkennung von Interaktionen und quadratischen Effekten zu ermöglichen, müssen Sie diese Terme in die Modelleffekte aufnehmen. Beachten Sie, dass nicht alle Terme mit einem DSD geschätzt werden können, sodass nur der aktivste/wichtigste Term basierend auf den Prinzipien der Effektsparsität, Hierarchie und Vererbung erkannt wird.
- Es gibt keine „besten“ Schätzmethoden für die generalisierte Regression, da diese von Ihrem Ziel, den Designmerkmalen und den verfügbaren Daten abhängt. Ich empfehle, mehrere Schätzmethoden auszuprobieren und ihre Leistung sowie die in den von jeder Methode geschätzten Modellen enthaltenen Terme zu vergleichen, um zu sehen, wie gut die Methoden übereinstimmen:
Beispiel mit R²/R²adjusted:
Beispiel für die Vereinbarung der Bedingungen zwischen den einzelnen Schätzmethoden:
(Visuals aus meiner Präsentation in der französischen Benutzergruppe: Découverte des plans OML (Orthogonal Main Effects Screening Designs for Mixed Level Factors) pour le criblage de facteurs et l'optimisation de formulierung cosmétique
Ich empfehle, andere Schätzmethoden wie die beschnittene Vorwärtsauswahl und die beste Teilmengenauswahl (nur bei geringer Faktoranzahl und akzeptabler Termanzahl im Modell!) auszuprobieren und dabei die Option „Effektvererbung erzwingen“ in den erweiterten Steuerelementen zu aktivieren. Eine weitere hervorragende Option für das Screening-Design ist die Verwendung der Fit Two Level Screening Platform , die bei der Erstellung relevanter Modelle helfen kann, sofern die Annahmen für die Verwendung dieser Plattform erfüllt sind: Übersicht über die Fit Two Level Screening Platform
Welches Kriterium/welche Kriterien Sie zur Bewertung und zum Vergleich von Modellen verwenden, hängt von Ihrer Zielsetzung ab.
- Ridge ist eine bestrafte Regressionsmethode und ermöglicht die Minimierung der Koeffizienten für korrelierte Merkmale (nahe 0, aber nicht 0). Diese Eigenschaft ermöglicht die Anwendung der Ridge-Regression auf Datensätze mit vielen korrelierten Merkmalen, da deren negative Auswirkungen minimiert und Überanpassung reduziert werden. Durch die Einführung einer Bestrafung erhalten Sie zudem verzerrte Koeffizientenschätzungen. Ridge ermöglicht die Berücksichtigung aller Merkmale und ist in der Regel am effektivsten, wenn eine große Anzahl von Variablen mit großen und vergleichbaren Effekten vorliegt.
Ich glaube nicht, dass die Ridge-Regression in den meisten DoE-Kontexten relevant ist, da es zwischen den Faktoren tendenziell wenige Aliase und zwischen den Termen große Unterschiede in der Effektstärke gibt.
- Die Fit Definitive Screening-Plattform kann keine zensierten Daten oder Antworten mit Nachweisgrenzen verarbeiten. Verteilungs- und verallgemeinerte Regressionsplattformen können diese Art von Daten verarbeiten: Nachweisgrenzen
Wenn Sie mit dieser Art von Daten arbeiten, empfiehlt sich möglicherweise die Verwendung der Plattform für verallgemeinerte Regression, um von der korrekten Verarbeitung der Daten zu profitieren. Wenn Sie mehr über die möglichen Auswirkungen erfahren möchten, wenn Sie die Eigenschaft „Erkennungsgrenzen“ in der Plattform für verallgemeinerte Regression nicht verwenden, können Sie sich die Präsentation „Grenzen der Erkennung (LoD) – Neu in JMP Pro 16“ ansehen.
Ich hoffe, diese zusätzliche Antwort kann Ihnen helfen.
Betreff: Nachweisgrenze im definitiven Screening-DesignVielen Dank für Ihren Beitrag. Ich bin noch relativ neu im DOE-Bereich und kenne noch nicht viele verschiedene Designtypen, daher dachte ich, DSD wäre eine gute Option für meine Zwecke. Ich habe tatsächlich versucht, mit Custom Design zu entwerfen: mit denselben Faktoren und unter Berücksichtigung aller Haupteffekte, wechselseitigen Interaktionen und quadratischen Terme, + Blockierung = 20 Läufe, was DSD ziemlich ähnlich ist. Zu diesem Zeitpunkt überlegte ich, welches ich verwenden sollte, und entschied mich für DSD mit etwas höheren Läufen, da ich dachte, dass mir das mehr Leistung bringen würde.
Der Grund, warum ich die Blockierung verwendet habe, war, dass wir das gesamte Experiment nicht auf einmal durchführen können (maximal etwa 12 Durchläufe jedes Mal). Deshalb habe ich beschlossen, es in zwei Blöcke aufzuteilen (und praktischerweise ist dies eine Option in DSD), als ich das Modell entworfen habe
Betreff: Nachweisgrenze im definitiven Screening-DesignIch bin natürlich ein großer Befürworter experimenteller Studien. Ich begrüße Ihre Bemühungen, ein solches durchzuführen. Ich empfehle Ihnen, einige Bücher zu lesen und Kurse zu besuchen, um die verschiedenen experimentellen Situationen und Strategien besser zu verstehen. Achten Sie besonders darauf, wie Sie mit Lärm und Einschränkungen im Experiment umgehen.
Betreff: Nachweisgrenze im definitiven Screening-DesignVielen Dank für Ihre Antwort.
- Ich habe Compare Design ausgeführt, aber es wurden nur die wichtigsten Effektbegriffe verglichen. Ich vermute, es lag vielleicht an der DSD-Struktur?
- Normalerweise verwende ich Custom Design mit D-Optimal für Screening-Design und I-Optimal für Optimierungsdesign. Ich kenne aber keine Situation, in der ich A-Optimal bevorzugt hätte. Könnten Sie das näher erläutern?
- Ich dachte, DSD könne zur Auswertung der wechselseitigen Interaktion und zur Schätzung der quadratischen Terme verwendet werden, solange es nicht zu viele aktive Terme gibt. Deshalb habe ich dem Entwurf ein paar weitere Läufe hinzugefügt, um die Leistung des Modells zu erhöhen, damit es die meisten Terme erkennen kann.
- Der von Ihnen geteilte Link ist sehr hilfreich. Vielen Dank fürs Teilen.
- Vielen Dank für die einfache Erklärung. Ich habe keinen datenwissenschaftlichen Hintergrund, daher ist das sehr hilfreich.
- Ich habe online gelesen, dass es andere Algorithmen zur Auswertung zensierter Daten gibt, z. B. Beta-Substitution bei linkszensierten Daten. Wissen Sie, ob JMP diese Methode unterstützt? Da meine Stichprobe nicht groß ist, befürchte ich, dass die ML-Methode möglicherweise nicht die beste Lösung ist.
Betreff: Nachweisgrenze im definitiven Screening-DesignFür die Modellierung empfehle ich, mit dem vollständigen Response-Surface-Modell zu beginnen und anschließend die zweistufige Vorwärtsregression in der generalisierten Regression zu verwenden. Die Zensur der Daten sollte weiterhin möglich sein, ein einfacher Ansatz besteht jedoch darin, die Ergebnisse durch die Melde- oder Erkennungsschwelle zu ersetzen.
Betreff: Nachweisgrenze im definitiven Screening-DesignHallo @D_P2025 ,
Zu Ihren weiteren Fragen:
- Beim Auswerten oder Vergleichen eines definitiven Screening-Designs besteht der Modelleffekt standardmäßig nur aus den Haupteffekten. Sie können im Rahmen Ihrer verfügbaren Freiheitsgrade (bezogen auf die Anzahl der unabhängigen Durchläufe in Ihrem Design) einige Interaktions- oder quadratische Effektterme hinzufügen. Ein DSD kann kein vollständiges Response-Surface-Modell (mit allen Haupteffekten, quadratischen Effekten und Interaktionstermen) darstellen. Andere Designs wie Central Composite Designs oder Box-Behnken sind zur Darstellung dieses vollständigen Modells besser geeignet. Da DSD typischerweise in einer Screening-Phase verwendet wird, beruht es auf den Prinzipien der Effekt- Spärlichkeit , Hierarchie und Vererbung , um die wenigen wichtigen aktiven Terme von den vielen vernachlässigbaren zu unterscheiden, und kann dank seiner guten Projektionseigenschaften möglicherweise ein vollständiges Response-Surface-Modell darstellen, wenn die aktiven Terme nicht zu zahlreich sind.
- Das A-Optimalitätskriterium hilft, die durchschnittliche Varianz der Parameterschätzungen Ihres angenommenen Modells zu minimieren. Dieses Kriterium trägt dazu bei, Korrelationen zwischen Ihren Termen zu minimieren (die andernfalls die Varianz der Parameterschätzungen erhöhen würden), was auch die Modellauswahl erleichtert, da sich statistisch signifikante Effekte deutlich einfacher bestimmen lassen. Darüber hinaus können Sie mit A-optimalen Designs mithilfe der Option „A-Optimalitätsparametergewichte“ Gewichte anpassen, um bestimmte Effekte präziser zu schätzen (z. B. indem Sie Haupteffekte gegenüber Interaktionseffekten stärker betonen).
Bradley Jones hielt einen hervorragenden Vortrag zu diesem Thema: Screening-Designs des 21. Jahrhunderts (2020-US-45MP-538)
Jonathan Stallrich verglich 2022 auch die Eigenschaften von D- und A-optimalen Designs hinsichtlich der Minimierung von Schätzvarianz und Bias und stellte fest, dass das A-Optimalitätskriterium weniger Kandidatendesigns mit ähnlichen oder besseren Eigenschaften bietet als das D-Optimalitätskriterium. Das Papier ist hier verfügbar: https://arxiv.org/abs/2210.13943
Aus diesen Gründen ist A-Optimalität das von JMP empfohlene Optimalitätskriterium bei der Verwendung von zweistufigen Designs für Haupteffekte und Zwei-Faktor-Interaktionen.
Bezüglich der Analyse von DSDs gibt es weitere Diskussionen, die sich mit Situationen befassen, in denen unterschiedliche Schätzmethoden und Modellauswahlen verwendet wurden:
Festlegen des P-Werts der Stufe 1 in der DSD-Analyse auf ein hohes Niveau, um aktive Effekte zu erkennen
DSD-Interpretation und nächste Schritte
Bedeutung der Faktoren im Definitive Screening Design
Hoffe, diese ergänzende Antwort wird Ihnen helfen,
Betreff: Nachweisgrenze im definitiven Screening-DesignIch habe keine Erfahrung mit Zensur, aber bei regelmäßigen, qualitativ hochwertigen Daten sollten 22 DSD-Läufe mit 4 Faktoren ausreichen, um Ihnen zumindest eine Orientierung zum Verständnis und zur korrekten Modellierung zu geben. Ich bin gespannt auf das Ergebnis, wenn Sie in der DSD-Fit-Modellplattform den Schwellenwert-P-Wert von 0,1 auf 0,4 erhöhen. Haben Sie auch SVEM ausprobiert?
