Diseño pequeño con muchos parámetros.Hola,
Estoy leyendo este artículo: Artículo completo: Un enfoque de diseño de medios de alto rendimiento para cultivos de lotes alimentados de mamíferos de alto rendimiento
Donde los autores mencionan que construyeron DoE con 16 ejecuciones y 43 parámetros. Si entendí bien, básicamente diseñaron 80 DoE aleatorios, eligiendo el que mejor minimiza las correlaciones entre factores. Me preguntaba si se puede hacer algo similar en JMP. Con el diseño personalizado, no es posible construir nada menor que el número de parámetros del modelo, lo cual es obvio. Pero ¿es posible poblar el modelo aleatoriamente solo con ciertos efectos principales o segundas potencias y obligar a JMP a construir diseños más pequeños? ¿Alguien más tiene alguna idea de cómo hacer algo similar en JMP?
Gracias.
Diseño de experimentosRe: Diseño pequeño con muchos parámetrosSí, JMP puede crear un diseño de tramado supersaturado con Diseño Personalizado. Consulte la documentación .
Re: Diseño pequeño con muchos parámetrosMuchas gracias Mark, el truco fue elegir "Si es posible" en la sección Modelo.
Aun así, me parece bastante interesante que los autores, si entendí bien, usaran 80 de estos diseños (generados aleatoriamente), eligiendo el que presentaba las correlaciones más bajas entre los factores. Su diseño (de la Tabla 1) parece estar bastante poblado con valores bajos, medios y altos para los parámetros, mientras que JMP, al utilizar diseños de cribado sobresaturados, tiende a proponer únicamente valores bajos y altos.
Re: Diseño pequeño con muchos parámetrosHola @aatw ,
Si necesita reforzar con mayor o menor rigor la presencia de valores medios en los factores, simplemente utilice el tipo de factor Discreto Numérico (3 niveles) o Categórico (3 niveles). Si utiliza el tipo de factor categórico, puede volver a cambiarlo a numérico continuo después de generar el diseño (o utilice la utilidad Convertir Etiquetas en Códigos para cambiar rápidamente los valores nominales a continuos).
A continuación se muestran los resultados de los mapas de correlación comparativos con el diseño original, un diseño supersaturado D-Optimal (con factores numéricos discretos de 3 niveles) y un diseño supersaturado D-Optimal (con factores categóricos de 3 niveles):
Adjunto encontrará los diseños comparados con los scripts para los mapas de correlación.
Consulte discusiones similares sobre la aplicación de un número específico de niveles para los factores DoE:
DOE con 3 niveles para factores continuos
Consulta sobre Diseño Experimental con JMP
Número de niveles de factores en el diseño I-Óptimo
También puedes mirar diseños supersaturados ortogonales de grupo si estás en una etapa de evaluación inicial.
Espero que esta respuesta complementaria te ayude.
Re: Diseño pequeño con muchos parámetrosMuchas gracias Víctor, muy útil.
