Die nächsten Sitzungen sind:
23. September | Q3: https://www.jmp.com/en/events/europe/users-groups/doe-club/2025/23-sep
25. November | F4: https://www.jmp.com/en/events/europe/users-groups/doe-club/2025/25-nov
Frage 1: Wie gehe ich mit Situationen um, in denen meine Analyse keine signifikanten Effekte oder Wechselwirkungen zeigt?
Chandra: Die Verwendung des grafischen Explorationsprofilers, von Konturdiagrammen und Interaktionsdiagrammen in JMP kann dabei helfen, Trends zu erkennen, die statistisch nicht signifikant sind, aber möglicherweise weitere Untersuchungen rechtfertigen.
Victor: Hängt vom Ziel, den Vorkenntnissen und dem angenommenen Modell/der Komplexität des untersuchten Systems + Budgetbeschränkungen ab
Definitive Screening Designs und OML-Designs ( Gemischte Screening-Designs ) helfen bei der Untersuchung von Krümmungseffekten (quadratischen Effekten) bereits in der frühen Screeningphase.
Simon: Wenn ich bereits vorhandene DSD-Daten habe und diese zu einem vollständigen RSM erweitern möchte, wie gehe ich mit der fehlenden Randomisierung um, da ich zusätzliche Läufe hinzufüge, die ich nicht zusammen mit dem ersten Datensatz gemessen habe?
Victor: Verwenden Sie Blockierungen, wenn Sie das Design erweitern
Phil: FitDSD funktioniert leider nicht mit fehlenden Läufen
Simon: Können Sie die Erweiterung mithilfe der Blockierung in der Software anzeigen?
Victor: Ich habe diese Standardprüfung zur Wunschliste hinzugefügt: https://community.jmp.com/t5/JMP-Wish-List/DoE-Augmentation-Option-quot-Group-new-runs-into-separate-block/idi-p/665019
Frage 2: Wie wähle ich zwischen verschiedenen DOE-Typen (z. B. vollfaktoriell, teilfaktoriell, Antwortoberfläche)?
Frage 3: Was tun, wenn Sie einen DOE-Lauf verlieren?
Victor: Sie könnten das Modell (falls möglich) auch ohne diesen Lauf ausführen und prüfen, ob das Modell die Antwort des letzten hinzugefügten Laufs approximieren kann. Und wenn Sie die Bereiche Ihrer Faktoren erweitern müssen, weil die Bereiche zu eng sind, können Sie Ihr Design erweitern, anstatt wieder von vorne zu beginnen, um von den bereits gesammelten Informationen zu profitieren.
David: Die Herausforderung besteht darin, dass ich bereits am Limit der Durchläufe bin und nicht mit einem Durchlauf weniger auskommen kann. Ich muss das Design also irgendwie „erweitern“. Gibt es Meinungen dazu, ob Blocking erforderlich ist?
Kevin: Ich sehe und tappe oft in die Falle, die Anzahl der Faktoren von Anfang an zu begrenzen, um die Dinge überschaubar zu machen (also die Anzahl der Durchläufe zu reduzieren). Dann eliminiere ich diese nach Gefühl, anstatt sie auf der Grundlage von DoE auszusortieren.
Natürlich gibt es Grenzen, da man nicht jeden Gedanken prüfen kann, der einem in den Sinn kommt, aber es ist oft hilfreich, ein paar Experten in die Besprechung einzubeziehen und gemeinsam einen ersten Satz von Faktoren zu erarbeiten.
Sieger: Sie haben ein Design mit gesättigtem Modell? Sie können dennoch einige für gesättigte Designs angepasste Tools verwenden, wie die Fit Two-Levels Screening-Plattform ( Die Fit Two Level Screening-Plattform ), um zu versuchen, ein relevantes Modell zu erstellen.
Und/oder Sie könnten, wie Sie erwähnt haben, Ihren unvollständigen ersten Entwurf erweitern und für die neuen Durchläufe Blockierungen verwenden, um jegliche Verschiebung/Abweichung zwischen der ersten und der zweiten Versuchsreihe zu verhindern/erkennen.
CK: Können Sie auch eines ausführen, das zuvor ausgeführt wurde, um das Konto zu unterstützen?
Simon: Ich weiß nicht, ob wir das Thema schon angesprochen haben, aber ich fühle mich bei der finalen Datenanalyse und der Modellbeurteilung eingeschränkt. Ich habe im JMP DoE-Kurs gelernt, die ANOVA und fehlende Anpassungen zu analysieren. Welche andere und vielleicht bessere Möglichkeit habe ich, mein finales Modell zu beurteilen und die Statistiken dieses Modells möglicherweise für die Planung eines besseren Experiments zu nutzen?
Sieger: Es gibt viele Modellmetriken, die Sie je nach Zielsetzung für den Modellvergleich/die Modellvalidierung verwenden können: R²/R²-bereinigt, p-Werte, RMSE, Informationskriterien, …
Weitere Diskussionen: https://community.jmp.com/t5/Discussions/Model-reduction/mp/823421/highlight/true#M100286
Kevin: Das ist wirklich eine schwierige Frage, David. Ich hätte da mal eine Idee zum Testen/Ausprobieren, ohne mehr über deinen Fall zu wissen. Versuche es doch mal mit einem Tool wie Partial Least Squares, das mit fehlenden Daten umgehen kann. Trage dein geplantes Experiment in den X-Block ein. Die Y-Prädiktoren entsprechen deinen Messungen. Lass den fehlenden Wert in der Y-Spalte (oder Matrix, wenn du mehrere Antworten hast).
PLS kann für Sie eine Vorhersage treffen, die vielleicht nicht die beste ist, aber immer noch besser, als den Lauf komplett abzubrechen.
Und was wäre Ihr nächster Schritt nach dieser Analyse gewesen, wenn Sie den fehlenden Datenpunkt gehabt hätten?
Phil: Ich würde den fehlenden Lauf einfach wiederholen, wie Kim sagt. Das ist nicht ideal, da sich die Störfaktoren geändert haben könnten, aber ich glaube nicht, dass es eine bessere Option gibt. Es in einen separaten Block zu packen, macht keinen Sinn. Ein Block mit nur einem Lauf ist nicht sinnvoll.
CK: Mittelpunkte sind gut, aber könnten Sie einen zuvor erfolgreichen Lauf wiederholen?
Kevin: Könnten Sie versuchen, Ihr Problem zu simulieren? Sehen Sie sich in der Simulation an, wie sich das Abbrechen eines Laufs und dessen Wiederaufnahme in einem späteren Block auswirkt, simuliert mit oder ohne Blockeffekt. Erstellen Sie ein simuliertes System, bei dem Sie die Wahrheit kennen, und simulieren Sie experimentelle Daten, die Ihr Szenario nachbilden.
David: Und dann? Wie würden Sie vorgehen?
Kevin: Führen Sie dann die Analyse der simulierten Daten durch und prüfen Sie, wie wichtig dieser verpasste Lauf für die Erkenntnisse ist, die Sie gewonnen hätten (oder nicht).
Da Sie die Wahrheit über das simulierte System kennen, sollten Sie diese bei Ihrer Analyse der simulierten Daten berücksichtigen.
David: Meinen Sie mit „der Wahrheit“ im System, welche Effekte vorhanden sind?
Kevin: Ja, wenn das die Absicht Ihrer Experimente ist, dann geht es darum, herauszufinden, welche Effekte in dem Bereich eine Rolle spielen, in dem Sie arbeiten.
David: Ich hätte die Daten angepasst, um das Modell mit dem niedrigsten AICc zur Beschreibung des Systems zu erhalten
Kevin: Es klingt also, als ob Sie sich in einer frühen Phase befinden: Sie filtern Faktoren heraus und lernen das System kennen.
David: Genau! Deshalb glaube ich, dass jeder Lauf zählt.
Kevin: In diesem Fall ist die Frage, die in der Simulation zu prüfen ist: Wäre das potenzielle Screening oder das gewonnene Wissen (z. B. Faktor A führt zu einer Verringerung von Antwort 1) ohne diesen einen fehlenden Lauf falsch gewesen oder hätten Sie dieselben Informationen erhalten? Mit anderen Worten: Der fehlende Lauf stellt kein Problem dar.
Frage 4: Nutzung der Box-Cox-Transformationsoption innerhalb einer DOE-Analyse
Victor: Um herauszufinden, ob eine Transformation erforderlich ist, können Sie zunächst die Residuen Ihres Modells überprüfen.
Diana: Box-Cox-Transformation: Ich empfehle, auf die nächste große Zahl zu runden (die noch innerhalb des Konfidenzintervalls guter Transformationen liegt), da es später viel einfacher ist, sie dem Publikum zu erklären. Es ist viel einfacher zu sagen: „Es ist eine Log-Transformation“ als: „Es ist hoch -0,132342356“.
Phil: Bezüglich der Box-Cox-Transformation: JMP schlägt eine Lambda-Zahl vor, die die Potenz der Antwort als Transformation darstellt. 0 entspricht einer Log-Transformation. 2 entspricht der Quadrierung der Antwort. -1 entspricht der Umkehrung der Antwort. Eine Log-Transformation ist in manchen Fällen sinnvoll, z. B. wenn die Antwort eine Zählung des Zellwachstums ist und daher um Größenordnungen variiert. Andere Transformationen halte ich für schwer zu rechtfertigen und würde sie daher vermeiden. Einzige Ausnahmen sind Transformationen, die hilfreich sind, wenn die Antwort prozentual oder von 0 bis 1 ist. Logit- und Logit-Prozent-Transformationen können nützlich sein.
Frage 5: Was ist der Zweck von Mittelpunkten und wie werden geeignete Faktorbereiche bestimmt?
Bill: DOEs sind bekanntermaßen spärlich und Methoden wie Baummethoden oder SVEM sind gute Optionen für die Analyse Ihrer DOE-Daten.
Victor: Das Thema Mittelpunkte wurde auch im vorherigen DoE-Club erwähnt: https://community.jmp.com/t5/Design-of-Experiments-Club/Recordings-DOE-Club-Q1-2025/mp/842727
Frage 6: Daten, die keinen DOE-Prinzipien entsprechen.
Victor: Sie können die Augment-Designplattform verwenden.Dies hilft, Vertrauen bei den Menschen aufzubauen, die bereits Experimente mit OFAT durchgeführt haben
Chandra: Um Interaktionen und Krümmungen nach einer OFAT-Studie zu erfassen, verwenden Sie die Funktion „Augment Design“ von JMP. Geben Sie dazu dieselben Faktoren und ein umfassenderes Modell (Haupteffekte, Interaktionen, Quadrate) an. Dadurch werden zusätzliche Läufe generiert, die in Kombination mit Ihren OFAT-Daten das Design vervollständigen. Fügen Sie außerdem einen Blockierungsfaktor hinzu, um die ursprünglichen und neuen Läufe für eine bessere Modellierung zu trennen.
Kommentar von Caleb King:
Ich möchte etwas mitteilen, das mit einigen der erwähnten Punkte zusammenhängt (Kim erwähnte das Runden von Faktorstufen auf ein angenehmeres Niveau, und natürlich gibt es die Diskussion über die Verwendung von Mittelpunkten zur Schätzung des reinen Fehlers). Ich habe einen Kollegen bei der NASA, der in Situationen geraten ist, in denen Tester Schwierigkeiten hatten, die angegebenen Designeinstellungen zu erreichen, die tatsächlichen Einstellungen aber mit hoher Präzision aufzeichnen konnten. Es gibt Methoden, diese Situation zu nutzen, um den reinen Fehler ohne die Verwendung von Mittelpunkten zu schätzen. Ich habe eine Präsentation beigefügt, die ich vor drei Jahren zu diesem Thema gehalten habe (wir hatten versucht, eine eigene zu erstellen; es stellte sich heraus, dass wir einige Jahrzehnte zu spät waren). Sie enthält eine Zusammenfassung und Referenzen für die Forschung in diesem Bereich. Könnte für Sie alle nützlich sein.
(siehe Anhang)
