Las próximas sesiones son:
23 de septiembre | P3: https://www.jmp.com/es/eventos/europa/grupos-de-usuarios/club-de-doe/2025/23-sep
25 de noviembre | P4: https://www.jmp.com/es/eventos/europa/grupos-de-usuarios/club-de-doe/2025/25-nov
Pregunta 1: ¿Cómo manejo situaciones en las que mi análisis no muestra efectos o interacciones significativos?
Chandra: El uso del generador de perfiles de exploración gráfica, gráficos de contorno y gráficos de interacción en JMP puede ayudar a detectar tendencias que no son estadísticamente significativas pero que podrían justificar estudios más profundos.
Víctor: Depende del objetivo, conocimiento previo y modelo/complejidad asumida del sistema en estudio + restricciones presupuestarias
Los diseños de detección definitivos y los diseños OML ( diseños de detección de nivel mixto ) ayudan a investigar los efectos de curvatura (cuadráticos) en las primeras etapas de la detección.
Simon: si ya tengo datos DSD existentes y quiero aumentarlos a un RSM completo, ¿cómo puedo lidiar con la falta de aleatorización ya que agrego ejecuciones adicionales que no medí junto con el primer conjunto de datos?
Víctor: Utiliza el bloqueo al ampliar el diseño.
Phil: Lamentablemente, FitDSD no funcionará si faltan carreras.
Simon: ¿Puedes mostrar el aumento usando bloqueos en el software?
Víctor: Agregué esta verificación predeterminada en la lista de deseos: https://community.jmp.com/t5/JMP-Wish-List/DoE-Augmentation-Option-quot-Group-new-runs-into-separate-block/idi-p/665019
Pregunta 2: ¿Cómo elijo entre diferentes tipos de DOE (por ejemplo, factorial completo, factorial fraccional, superficie de respuesta)?
Pregunta 3: ¿Qué hacer cuando se pierde una racha de DOE?
Víctor: También podrías ejecutar el modelo (si es posible) sin esta ejecución y ver si el modelo logra aproximarse a la respuesta de la última ejecución añadida. Y si necesitas ampliar los rangos de tus factores porque son demasiado estrechos, puedes mejorar tu diseño en lugar de empezar desde cero para aprovechar la información ya recopilada.
David: El reto es que ya he alcanzado el límite de carreras y no puedo ir con una menos. Así que necesito mejorar el diseño de alguna manera. ¿Alguna opinión sobre si es necesario usar bloqueos?
Kevin: Un error común que veo, y en el que caigo, es intentar limitar el número de factores al principio para que las cosas sean manejables (es decir, reducir el número de ejecuciones). Luego, por intuición, los elimino, en lugar de descartarlos según el DoE.
Por supuesto, hay un límite: no se trata de filtrar cada pensamiento que viene a la mente, pero a menudo es útil reunir a algunos expertos y hacer una lluvia de ideas para generar un conjunto inicial de factores.
Vencedor: ¿Tienes un diseño con un modelo saturado? Quizás aún puedas usar herramientas adaptadas para diseños saturados, como la plataforma Fit Two-Levels Screening ( la plataforma Fit Two Level Screening ), para intentar crear un modelo relevante.
Y/o como mencionaste, podrías ampliar tu primer diseño incompleto y usar bloqueo para las nuevas ejecuciones para prevenir/detectar cualquier cambio/variación entre el primer lote de experimentos y el segundo.
CK: ¿También puedes ejecutar uno que se ejecutó anteriormente para ayudar a la cuenta?
Simon: No sé si ya hemos tocado el tema, pero me siento limitado en el análisis final de datos y la evaluación del modelo. Aprendí en el curso JMP DoE a analizar el ANOVA y la falta de ajuste. ¿Qué otra opción, quizás mejor, tengo para evaluar mi modelo final y quizás usar las estadísticas de este modelo para planificar un mejor experimento?
Vencedor: Hay muchas métricas de modelo para utilizar para la comparación/validación de modelos dependiendo de su objetivo: R²/R² ajustado, valores p, RMSE, criterios de información, ...
Más discusión: https://community.jmp.com/t5/Discussions/Model-reduction/mp/823421/highlight/true#M100286
Kevin: Es una pregunta difícil, David. Una idea para probar, sin saber más sobre tu caso, pero intenta usar una herramienta como Mínimos Cuadrados Parciales que pueda manejar los datos faltantes. Coloca tu experimento planificado en el bloque X, y luego los predictores Y son lo que mediste, y deja el valor faltante en la columna Y (o matriz si tienes varias respuestas).
PLS puede hacer una predicción para usted, que aunque puede que no sea la mejor, será mejor que abandonar esa carrera por completo.
Además, ¿cuál habría sido el siguiente paso después de este análisis, si hubiera tenido los datos que faltan?
Phil: Simplemente repetiría la carrera que falta, como dice Kim. No es ideal porque los factores de "ruido" podrían haber cambiado, pero no creo que haya una mejor opción. Ponerlo en un bloque aparte no tiene sentido. Un bloque con una carrera no sirve.
CK: Los puntos centrales son buenos, pero ¿podrías repetir una ejecución exitosa anterior?
Kevin: ¿Podrías intentar simular tu problema? En la simulación, observa el efecto de abandonar una ejecución y retomarla en un bloque posterior, simulando con o sin efecto de bloque. Crea un sistema ficticio, donde conozcas la verdad, y simula datos experimentales que repliquen tu escenario.
David: ¿Y entonces? ¿Cómo procederías?
Kevin: Luego haz el análisis de los datos simulados y observa qué importancia tiene esta ejecución fallida para la información que habrías obtenido (o no).
Dado que conoce la verdad en el sistema simulado, debería verla también en su análisis de los datos simulados.
David: cuando dices “la verdad” en el sistema, ¿te refieres a qué efectos están presentes?
Kevin: Sí, si esa es la intención de tus experimentos, es descubrir qué efectos están en juego en el rango en el que estás operando.
David: Habría ajustado los datos para obtener el modelo con el AICc más bajo para describir el sistema.
Kevin: Entonces, parece que estás en una fase inicial: eliminando factores y aprendiendo sobre el sistema.
David: ¡Exactamente! Por eso creo que cada carrera cuenta.
Kevin: En ese caso, la pregunta a verificar en la simulación: ¿el cribado potencial o el conocimiento adquirido (por ejemplo, el factor A hace que la respuesta 1 disminuya)? ¿Ese conocimiento adquirido habría sido erróneo sin esa única ejecución faltante, o se habría obtenido la misma información? En otras palabras, no hay problema con esa ejecución faltante.
Pregunta 4: Cómo utilizar la opción de Transformación de Box Cox en un análisis DOE
Víctor: para saber si es necesaria una transformación, primero puedes verificar los residuos de tu modelo
Diana: Transformación de Box Cox: Recomiendo redondear al número grande más cercano (aún dentro del intervalo de confianza de las transformaciones correctas) porque será mucho más fácil de explicar después. Es mucho más fácil decir "es una transformación logarítmica" que "es elevada a -0,132342356".
Phil: Respecto a la transformación Box-Cox: JMP sugiere un número lambda, que es la potencia a la que se eleva la respuesta como transformación. 0 equivale a una transformación logarítmica. 2 elevaría la respuesta al cuadrado. -1 es la inversa de la respuesta. Una transformación logarítmica tiene sentido en algunos casos, por ejemplo, cuando la respuesta es un recuento del crecimiento celular y, por lo tanto, varía en órdenes de magnitud. Creo que es difícil justificar otras transformaciones, así que la evitaría. Las únicas excepciones son las transformaciones que ayudan cuando la respuesta está en una escala porcentual o en una escala de 0 a 1. Las transformaciones logit y logit pct pueden ser útiles.
Pregunta 5: ¿Cuál es el propósito de los puntos centrales y cómo determinar los rangos de factores apropiados?
Bill: Los DOE son notoriamente escasos y métodos como los métodos de árbol o SVEM son buenas opciones para analizar sus datos de DOE.
Víctor: El tema de los puntos centrales también se mencionó en el DoE Club anterior: https://community.jmp.com/t5/Design-of-Experiments-Club/Recordings-DOE-Club-Q1-2025/mp/842727
Pregunta 6: Datos que no siguen ningún principio del DOE.
Víctor: Puedes utilizar la plataforma de diseño Augment.Esto ayuda a generar confianza con las personas que ya han realizado experimentos con OFAT.
Chandra: Para capturar las interacciones y la curvatura tras un estudio OFAT, utilice la función "Aumentar Diseño" de JMP especificando los mismos factores y un modelo más completo (efectos principales, interacciones, cuadráticos). Esto genera ejecuciones adicionales que, al combinarse con los datos OFAT, completan el diseño. Además, se añade un factor de bloqueo para separar las ejecuciones originales de las nuevas y mejorar el modelado.
Comentario de Caleb King:
Quería compartir algo relacionado con algunos temas mencionados (Kim mencionó redondear los niveles de los factores a un nivel más preciso y, por supuesto, está la discusión sobre el uso de puntos centrales para estimar el error puro). Tengo un colega en la NASA que se ha encontrado con situaciones en las que los evaluadores tienen dificultades para lograr los ajustes de diseño especificados, pero pueden registrar los ajustes reales con alta precisión. Existen métodos disponibles para usar esta situación y estimar el error puro sin usar puntos centrales. Adjunto una presentación que di hace tres años sobre este tema (intentamos crear una propia; resultó que llegamos con algunas décadas de retraso) que contiene un resumen y referencias de investigaciones en este área. Podría serles útil.
(ver archivo adjunto)
