Límite de detección en el diseño de cribado definitivoEstoy ejecutando un DSD DOE en JMP18 Pro con 2 factores categóricos (Factor A (nivel A1, A2), Factor B (nivel B1, B2) y 2 factores continuos (Factor C, Factor D). Mi objetivo es seleccionar el mejor nivel en cada Factor A y B (por ejemplo, A1 o A2, B1 o B2) incluidos los términos de interacción bidireccional para todos los factores y estimar los términos cuadráticos en el Factor C, D.
Elegí agregar 8 carreras más con bloques para agregar más potencia a mi modelo y el resultado fue un total de 22 carreras.
Tras ejecutar el experimento, aproximadamente un tercio de mis ejecuciones estaban por debajo del límite de detección. Intenté usar "Ajustar modelo" -> "Regresión generalizada/Lognormal" con datos censurados para analizarlos.
Mis preguntas son:
1/ ¿Qué debo incluir en la sección "Construir Efectos del Modelo"? ¿Debo incluir solo los Efectos Principales en el modelo o debo incluir todos los efectos principales + interacción bidireccional + términos cuadráticos (para los Factores C y D)?
2/ En la regresión generalizada, ¿cuál es el mejor método de estimación? Por defecto, el método de estimación era la selección hacia adelante en dos etapas. ¿Debería probar otros métodos y usar el AICc o el BIC para evaluar qué modelo funciona mejor? (Lo intenté, y Ridge/Holdback me dio el AICc más bajo, ¿debería usarlo?)
3/ Al trabajar con DSD, suelo utilizar la plataforma Fit Definitive Screening como mi opción preferida, que cuenta con dos etapas de evaluación de términos en el análisis. ¿Puedo hacer esto con datos de límite de detección o censurados por la izquierda?
¡Agradezco toda tu ayuda!
Modelado estadístico avanzadoDiseño de experimentosVentanasRe: Límite de detección en el diseño de cribado definitivoNo se proporciona suficiente información y, sin ninguna PYME, hay pocas bases para la crítica. Tengo los siguientes comentarios generales, en mi humilde opinión:
1. DSD es una metodología de diseño de cribado. Solo se utilizan 4 factores en el experimento. Este no es el propósito previsto de DSD. Si bien se puede ejecutar DSD con factores categóricos, esa no es la ventaja de DSD, ya que su objetivo es proporcionar información cuadrática dentro del espacio de diseño.
2. Al realizar un experimento, el diseño que se utiliza depende del modelo hipotético. Es decir, el modelo se predice a partir del SME y se prueba mediante el experimento. Siempre empiezo con un modelo saturado y elimino los términos insignificantes o poco interesantes (también conocido como método sustractivo de construcción de modelos). Debe incluir todos los términos estimables en su modelo inicial.
3. Las estadísticas que utilice para evaluar su modelo son una decisión personal . Utilizo varias, NO UNA, para evaluar el modelo al eliminar términos (p. ej., R-cuadrado-R-cuadrado delta ajustado, magnitud ajustada por R-cuadrado, RMSE, gráficos de residuos, valores p). Siempre con la ayuda de un experto en la materia.
4. Siempre tengo cuidado de diagnosticar los datos antes del análisis cuantitativo. Por eso SIEMPRE utilizo la secuencia: significancia práctica, análisis gráfico y, por último, análisis cuantitativo (PGQ). Si los datos no tienen sentido o no presentan cambios significativos, no se pueden corregir con el análisis cuantitativo.
5. El bloqueo no es una estrategia para aumentar la potencia del diseño (aunque esto pueda ocurrir, no se inventó para eso; véase Fisher). El bloqueo se utiliza para aumentar el espacio de inferencia sin reducir la precisión del experimento.
Re: Límite de detección en el diseño de cribado definitivoHola @D_P2025 ,
@statman ya brindó mucha información útil sobre el uso del diseño de detección definitiva y la construcción de modelos con respecto a su tema.
Intentaré aportar comentarios adicionales y responder algunas de las otras preguntas que tenías:
- Al construir modelos, como menciona statman, se debe comenzar con todos los efectos posibles del modelo supuesto (modelo saturado) y utilizar un enfoque sustractivo basado en criterios específicos (R²/R² ajustado, RMSE, valores p de los términos, AICc/BIC, etc.) relacionados con el objetivo. En este caso, para poder detectar interacciones y efectos cuadráticos, es necesario añadir estos términos a los efectos del modelo. Tenga en cuenta que no todos los términos serán estimables con un DSD, por lo que solo se detectará el más activo/importante según los principios de escasez, jerarquía y herencia de los efectos .
- No existe un método de estimación óptimo en la regresión generalizada, ya que dependerá del objetivo, las características del diseño y los datos disponibles. Recomiendo probar varios métodos de estimación y comparar su rendimiento, así como los términos incluidos en los modelos estimados por cada método, para comprobar su concordancia.
Ejemplo con R²/R²ajustado:
Ejemplo de acuerdo de términos entre cada método de estimación:
(Imágenes de mi presentación en el grupo de usuarios francés: Découverte des planes OML (Orthogonal Main Effects Screening Designs for Mixed Level Factors) pour le criblage de facteurs et l'optimisation de formulación cosmétique
Recomiendo probar otras opciones de métodos de estimación , como la selección podada hacia adelante y la selección del mejor subconjunto (solo para un número bajo de factores y un número aceptable de términos en el modelo), con la opción "Aplicar herencia de efectos" activada en los controles avanzados . Otra excelente opción para el diseño de cribado es usar la plataforma de cribado Fit Two Level , que puede ayudar a construir modelos relevantes si se cumplen los supuestos que la sustentan: Descripción general de la plataforma de cribado Fit Two Level.
El criterio o criterios que utilice para evaluar y comparar modelos dependerán de su objetivo.
- Ridge es un método de regresión penalizado que minimiza los coeficientes de las características correlacionadas (cercanos a 0, pero no a 0). Esta propiedad permite utilizar la regresión Ridge en conjuntos de datos con muchas características correlacionadas, ya que minimiza el impacto negativo de estas y reduce el sobreajuste. Al introducir una penalización, también se obtienen estimaciones de coeficientes sesgadas. Ridge permite considerar todas las características y suele ser más eficaz cuando existe un gran número de variables con efectos grandes y comparables.
No creo que la regresión de Ridge sea relevante en la mayoría de los contextos del DoE, ya que tiende a haber alias bajos entre factores y una gran diferencia en el tamaño del efecto entre términos.
- La plataforma Fit Definitive Screening no puede gestionar datos censurados ni respuestas con límites de detección. Las plataformas de distribución y regresión generalizada sí pueden gestionar este tipo de datos: Límites de detección .
Por lo tanto, si trabaja con este tipo de datos, puede ser más recomendable usar la plataforma de Regresión Generalizada para aprovechar el manejo correcto de los datos. Si desea obtener más información sobre el posible impacto de no usar la propiedad Límites de Detección en la plataforma de Regresión Generalizada, puede ver la presentación "Límites de Detección (LoD) - Nuevo en JMP Pro 16" .
Espero que esta respuesta adicional pueda ayudarte.
Re: Límite de detección en el diseño de cribado definitivoMuchas gracias por tu aportación. Soy bastante nuevo en DOE y aún no conozco muchos tipos de diseño, así que pensé que DSD sería una buena opción para mis propósitos. De hecho, intenté diseñar con Diseño Personalizado: con los mismos factores, incluyendo todos los efectos principales, interacciones bidireccionales y términos cuadráticos, más bloqueos = 20 ejecuciones, lo cual es bastante similar a DSD. En ese momento, estaba debatiendo cuál usar, y elegí el DSD con un número de ejecuciones un poco mayor, pensando que me daría más potencia.
La razón por la que utilicé bloqueo fue porque no podemos ejecutar todo el experimento de una sola vez (un máximo de 12 ejecuciones cada vez), así que decidí dividirlo en 2 bloques (y convenientemente esta es una opción en DSD) cuando diseñé el modelo.
Re: Límite de detección en el diseño de cribado definitivoPor supuesto, soy un gran defensor del diseño experimental. Aplaudo sus esfuerzos por implementar uno. Le sugiero que lea algunos libros y tome clases para comprender mejor las diferentes situaciones y estrategias experimentales. Preste especial atención a cómo gestiona el ruido y las restricciones en un experimento.
Re: Límite de detección en el diseño de cribado definitivoMuchas gracias por tu respuesta.
- Ejecuté Comparar diseño, pero solo comparó los términos del efecto principal. Supongo que tal vez fue debido a la estructura DSD.
- Normalmente uso el diseño personalizado con D-Optimal para el diseño de tramado e I-Optimal para el diseño de optimización. Sin embargo, no he tenido ninguna situación en la que prefiera A-Optimal. ¿Podrías explicarme más sobre esto?
- Pensé que DSD se puede utilizar para evaluar la interacción bidireccional y estimar los términos cuadráticos siempre que los términos activos no sean demasiados. Es por eso que agregué un par de ejecuciones más al diseño para aumentar la potencia del modelo para poder detectar la mayoría de los términos.
- El enlace que compartiste es muy útil, gracias por compartir.
- Gracias por explicarlo con sencillez. No tengo experiencia en ciencia de datos, así que esto me resulta muy útil.
- Leí en línea que existen otros algoritmos para evaluar datos censurados, como la sustitución beta al manejar datos censurados por la izquierda. ¿Sabes si JMP lo incluye? Dado que mi muestra no es grande, me temo que el método de aprendizaje automático podría no ser la mejor opción.
Re: Límite de detección en el diseño de cribado definitivoPara el modelado, recomiendo comenzar con el modelo de superficie de respuesta completa y luego usar la regresión directa en dos etapas en la regresión generalizada. Debería poder usar la censura de los datos, pero un enfoque sencillo es sustituir el umbral de notificación o detección de los resultados.
Re: Límite de detección en el diseño de cribado definitivoHola @D_P2025 ,
Respecto a sus preguntas adicionales:
- De forma predeterminada, al evaluar o comparar un Diseño de Cribado Definitivo, el efecto del modelo solo estará compuesto por los efectos principales. Puede agregar algunos términos de interacción o efectos cuadráticos, en el límite de sus grados de libertad disponibles (relacionados con el número de ejecuciones independientes en su diseño). Un DSD no puede ajustar un modelo de superficie de respuesta completo (con todos los efectos principales, efectos cuadráticos y términos de interacción); otros diseños como los Diseños Compuestos Centrales o Box-Behnken son más apropiados para ajustar este modelo completo. Como el DSD se usa típicamente en una etapa de cribado, se basa en los principios de escasez de efectos, jerarquía y herencia para identificar los pocos términos activos importantes de los muchos insignificantes y, gracias a sus buenas propiedades de proyección, puede ajustar un modelo de superficie de respuesta completo si los términos activos no son demasiados.
- El criterio de A-optimalidad ayuda a minimizar la varianza promedio de las estimaciones de los parámetros del modelo asumido. Este criterio ayuda a minimizar las correlaciones entre los términos (que, de otro modo, inflarían la varianza de las estimaciones de los parámetros), lo que también facilita la selección del modelo, ya que facilita la determinación de los efectos estadísticamente significativos. Además, con diseños A-Óptimos, se pueden ajustar las ponderaciones para estimar ciertos efectos con mayor precisión (por ejemplo, priorizando los efectos principales frente a los efectos de interacción) mediante la opción "Pesos de los Parámetros de A-Optimalidad" .
Bradley Jones dio una excelente charla sobre este tema: Diseños de cribado del siglo XXI (2020-US-45MP-538)
Jonathan Stallrich también comparó en 2022 las propiedades de los diseños D- y A-Óptimos en cuanto a la minimización de la varianza y el sesgo de la estimación, y descubrió que el criterio de A-Optimalidad ofrece menos diseños candidatos con propiedades similares o mejores que el de D-Optimalidad. El artículo está disponible aquí: https://arxiv.org/abs/2210.13943
Por estas razones, A-Optimality es el criterio de optimalidad recomendado utilizado por JMP cuando se utilizan diseños de dos niveles para efectos principales e interacciones de dos factores.
- Sí, añadir más ejecuciones aumenta la potencia y facilita la detección de efectos de segundo orden. También facilita la selección del modelo .
- Lo siento, no estoy familiarizado con los métodos que involucran datos censurados. Otras plataformas en JMP podrían ayudarte, como la plataforma no lineal.
Respecto al análisis de DSD, existen otras discusiones que tratan sobre situaciones en las que se han utilizado diferentes métodos de estimación y selección de modelos:
Establecer el valor P de la etapa 1 en el análisis de DSD en un nivel alto para detectar efectos activos
Interpretación de DSD y próximos pasos
Importancia de los factores en el diseño de la prueba de detección definitiva
Espero que esta respuesta complementaria te ayude.
Re: Límite de detección en el diseño de cribado definitivoNo tengo experiencia con la censura, pero con datos regulares y de buena calidad, 22 ejecuciones de DSD con 4 factores deberían ser suficientes para orientarte hacia la comprensión y el modelado correcto. Tengo curiosidad por saber el resultado cuando, en la plataforma de modelos de ajuste de DSD, aumentas el valor p umbral de 0,1 a 0,4. ¿Probaste también SVEM?
