Le prossime sessioni sono:
23 settembre | Q3: https://www.jmp.com/it/eventi/europa/gruppi-utenti/doe-club/2025/23-set
25 novembre | Q4: https://www.jmp.com/it/eventi/europa/gruppi-utenti/doe-club/2025/25-nov
Domanda 1: Come gestisco le situazioni in cui la mia analisi non mostra effetti o interazioni significativi?
Chandra: l'utilizzo di Graphical Exploration Profiler, Contour Plot e Interaction Plot in JMP può aiutare a individuare tendenze che non sono statisticamente significative ma che potrebbero richiedere ulteriori studi.
Victor: Dipende dall'obiettivo, dalle conoscenze pregresse e dal modello/complessità presunta del sistema in studio + vincoli di budget
I progetti di screening definitivi e i progetti OML ( progetti di screening a livello misto ) aiutano a studiare gli effetti della curvatura (quadratica) all'inizio della fase di screening
Simon: se dispongo già di dati DSD esistenti e voglio ampliarli fino a ottenere un RSM completo, come posso gestire la mancanza di randomizzazione poiché aggiungo ulteriori esecuzioni che non ho misurato insieme al primo set di dati?
Victor: usa il blocco quando aumenti il design
Phil: FitDSD purtroppo non funzionerà con le corse mancanti
Simon: puoi mostrare l'aumento utilizzando il blocco nel software?
Victor: Ho aggiunto questo controllo predefinito nella lista dei desideri: https://community.jmp.com/t5/JMP-Wish-List/DoE-Augmentation-Option-quot-Group-new-runs-into-separate-block/idi-p/665019
Domanda 2: Come faccio a scegliere tra diversi tipi di DOE (ad esempio, fattoriale completo, fattoriale frazionario, superficie di risposta)?
Domanda 3: Cosa fare quando si perde una serie di DOE
Victor: Potresti anche eseguire il modello (se possibile) senza questa esecuzione e verificare se il modello è in grado di approssimare la risposta dell'ultima esecuzione aggiunta. E se devi ampliare gli intervalli dei tuoi fattori perché sono troppo ristretti, puoi ampliare il tuo progetto invece di ricominciare da zero, beneficiando delle informazioni già raccolte.
David: La sfida è che sono già al limite delle run e non posso permettermi una run in meno. Quindi, devo "migliorare" il design in qualche modo. Qualche suggerimento sulla necessità di usare il blocco?
Kevin: Una delle trappole più comuni che vedo, e in cui incappo anch'io, è cercare di limitare il numero di fattori all'inizio, per rendere le cose gestibili (ad esempio, ridurre il numero di prove). Quindi, a istinto, li elimino, invece di selezionarli in base al DoE.
Naturalmente c'è un limite, non si può filtrare ogni pensiero che viene in mente, ma spesso è utile invitare qualche esperto a partecipare alla riunione e fare un brainstorming su una serie di fattori iniziali.
Vincitore: Hai un progetto con un modello saturo? Puoi comunque utilizzare alcuni strumenti adattati per progetti saturi, come la piattaforma Fit Two-Levels Screening ( La piattaforma di screening Fit Two Level ), per provare a creare un modello pertinente.
Oppure, come hai detto, potresti ampliare il tuo primo progetto incompleto e usare il blocco per le nuove esecuzioni per prevenire/rilevare qualsiasi spostamento/variazione tra il primo lotto di esperimenti e il secondo.
CK: puoi anche eseguirne uno che è stato eseguito in precedenza per aiutare l'account?
Simon: Non so se abbiamo già toccato l'argomento, ma mi sento limitato nell'analisi dei dati finali e nella valutazione del modello. Ho imparato al corso DoE di JMP ad analizzare l'ANOVA e la mancanza di adattamento. Quale altra opzione, forse migliore, ho per valutare il mio modello finale e magari utilizzare le statistiche di questo modello per pianificare un esperimento migliore?
Vincitore: Esistono numerose metriche del modello da utilizzare per il confronto/la convalida del modello, a seconda dell'obiettivo: R²/R² aggiustato, valori p, RMSE, criteri informativi, ...
Ulteriori discussioni: https://community.jmp.com/t5/Discussions/Model-reduction/mp/823421/highlight/true#M100286
Kevin: È una domanda difficile, David. Un'idea da testare/provare, senza conoscere meglio il tuo caso, ma prova a usare uno strumento come i Minimi Quadrati Parziali in grado di gestire i dati mancanti. Inserisci l'esperimento pianificato nel blocco X, quindi i predittori Y sono quelli che hai misurato, e lascia il valore mancante nella colonna Y (o nella matrice se hai più risposte).
PLS può fare una previsione per te, anche se potrebbe non essere la migliore, ma sarà comunque meglio che abbandonare del tutto quella corsa.
Inoltre, quale sarebbe stato il tuo passo successivo dopo questa analisi, se avessi avuto i dati mancanti?
Phil: Ripeterei semplicemente la sequenza mancante come dice Kim. Non è l'ideale perché i fattori di "rumore" potrebbero essere cambiati, ma non credo ci sia un'opzione migliore. Metterla in un blocco separato non ha senso. Un blocco con una sequenza non è utile.
CK: i punti centrali sono buoni, ma potresti ripetere una serie di successi precedenti?
Kevin: potresti provare a simulare il tuo problema? E nella simulazione osservare l'effetto di abbandonare una corsa e riportarla in un blocco successivo, simulato con o senza un effetto di blocco. Crea un sistema fittizio, di cui conosci la verità, simula dati sperimentali che replicano il tuo scenario.
David: E poi? Come procederesti?
Kevin: Quindi esegui l'analisi sui dati simulati e osserva quanto è importante questa esecuzione mancata per le informazioni che avresti (o non avresti) ottenuto.
Dal momento che conosci la verità nel sistema simulato, dovresti vederla nella tua analisi dei dati simulati.
David: con "la verità" nel sistema intendi quali effetti sono presenti?
Kevin: Sì, se lo scopo dei tuoi esperimenti è scoprire quali effetti sono in gioco nell'intervallo in cui stai operando.
David: Avrei adattato i dati per ottenere il modello con l'AICc più basso per descrivere il sistema
Kevin: Quindi sembra che tu sia in una fase iniziale: stai selezionando i fattori e imparando a conoscere il sistema.
David: Esatto! Ecco perché penso che ogni corsa sia importante.
Kevin: In tal caso, la domanda da porsi nella simulazione è: il potenziale screening o le conoscenze acquisite (ad esempio, il fattore A farebbe diminuire la risposta 1), quelle conoscenze acquisite sarebbero state sbagliate senza quella singola esecuzione mancante, o avreste ottenuto le stesse informazioni? In altre parole, avere quella esecuzione mancante non è un problema.
Domanda 4: Utilizzo dell'opzione di trasformazione Box Cox all'interno di un'analisi DOE
Victor: per sapere se è necessaria una trasformazione, puoi prima controllare i residui del tuo modello
Diana: Trasformazione di Box Cox: consiglio di arrotondare al numero grande più vicino (sempre all'interno dell'intervallo di confidenza di buone trasformazioni) perché sarà molto più facile da spiegare in seguito al pubblico. È molto più facile dire "è una trasformazione logaritmica" che "è alla potenza di -0,132342356".
Phil: Riguardo alla trasformazione Box-Cox: JMP suggerisce un numero lambda, che rappresenta la potenza a cui viene elevata la risposta durante la trasformazione. 0 equivale a una trasformata logaritmica. 2 equivarrebbe a elevare al quadrato la risposta. -1 equivale a calcolare l'inverso della risposta. Una trasformata logaritmica ha senso in alcuni casi, ad esempio quando la risposta è un conteggio della crescita cellulare e quindi varia di ordini di grandezza. Penso che sia difficile giustificare altre trasformazioni, quindi la eviterei. Le uniche eccezioni sono le trasformazioni che aiutano quando la risposta è su scala percentuale o su una scala da 0 a 1. Le trasformazioni logit e logit pct possono essere utili.
Domanda 5: Qual è lo scopo dei punti centrali e la determinazione degli intervalli di fattori appropriati?
Bill: I DOE sono notoriamente scarsi e metodi come i metodi ad albero o SVEM sono buone opzioni per analizzare i dati DOE.
Victor: L'argomento dei punti centrali è stato menzionato anche nel precedente DoE Club: https://community.jmp.com/t5/Design-of-Experiments-Club/Recordings-DOE-Club-Q1-2025/mp/842727
Domanda 6: Dati che non rispettano alcun principio del DOE.
Victor: Puoi usare la piattaforma di progettazione Augment.Ciò aiuta a creare fiducia con le persone che hanno già condotto esperimenti con OFAT
Chandra: Per catturare interazioni e curvatura dopo uno studio OFAT, utilizzate la funzionalità Augment Design di JMP specificando gli stessi fattori e un modello più completo (effetti principali, interazioni, quadratiche). Questo genera ulteriori esecuzioni che, combinate con i dati OFAT, completano il progetto. Aggiungete anche un fattore di blocco per separare le esecuzioni originali da quelle nuove per una migliore modellazione.
Commento di Caleb King:
Volevo condividere qualcosa che è in qualche modo correlato ad alcuni aspetti menzionati (Kim ha menzionato l'arrotondamento dei livelli dei fattori a un livello più gradevole e c'è ovviamente la discussione sull'uso dei punti centrali per aiutare a stimare l'errore puro). Ho un collega alla NASA che si è imbattuto in situazioni in cui i tester hanno difficoltà a raggiungere le impostazioni di progettazione specificate, ma riescono a registrare le impostazioni effettive con elevata precisione. Esistono metodi disponibili per utilizzare questa situazione per stimare l'errore puro senza utilizzare i punti centrali. Ho allegato una presentazione che ho tenuto 3 anni fa su questo argomento (avevamo provato a crearne una nostra, ma a quanto pare eravamo in ritardo di qualche decennio) che contiene un riassunto e riferimenti per la ricerca in questo settore. Potrebbe essere utile a tutti voi.
(vedi allegato)
