Grazie a tutti per essere qui con me. Parlo di "Molti progetti, poco tempo". Sono Ryan Lekivetz, Direttore di Advanced Analytics, R&D presso JMP. Dirigo il team DOE e Affidabilità qui in JMP. Ho pensato che questo sarebbe stato un argomento interessante perché nella versione più recente di JMP abbiamo apportato alcune modifiche aggiuntive al Design Explorer, che se non l'avete ancora visto, lo scoprirete entro la fine di questo intervento.
Ma prima di farlo, ho pensato di darvi un'idea generale. Faremo una piccola digressione per parlare un po' dell'idea alla base della progettazione degli esperimenti. Parte di questo... Stavo ripensando ad alcuni dei precedenti interventi di discovery e mi sono reso conto che non ne abbiamo discusso molto da quando il confronto dei progetti è stato introdotto in JMP 13. Credo che siano passati quasi 10 anni. Credo che non sarebbe una conferenza di discovery se non vedeste questa citazione, giusto? "Tutti i modelli sono sbagliati, ma alcuni sono utili".
Certo, quando progettiamo un esperimento, una delle critiche che mi vengono rivolte è che questi modelli sono troppo semplici e non spiegheranno mai veramente il mio processo. Perché la progettazione degli esperimenti ha funzionato per così tanto tempo? In fin dei conti, saranno in grado di costruire modelli utili per comprendere e migliorare i nostri sistemi. Ammettiamo senza riserve che non saranno perfetti, ma almeno potremo farci un'idea più precisa di quali fattori o quali effetti guideranno quel sistema.
Il modo in cui spesso mi piace guardare alla progettazione di un esperimento è l'idea di un compromesso tra bias di varianza e risultati. Lo vedremo in ciò che emerge da questi esperimenti progettati in modo diverso. Credo che sia spesso ciò che considero quando cerco di scegliere un disegno. È questa idea alla base di quali effetti del modello ho? I termini del modello che dico a JMP che voglio rispetto ai termini che forse non ho incluso, ma che forse farebbero parte di quel modello utile. Se avessi più esecuzioni, se raccogliessi più dati, potrei scoprire che alcuni di questi effetti o termini si sono rivelati importanti.
Diamo un'occhiata a un semplice esempio. Vedete, ho un esperimento progettato in modo semplice con tre fattori X1, X2 e X3, e l'ho analizzato e raccolto alcune risposte. Quando penso a quel compromesso tra distorsione della varianza e bias, se consideriamo qualcosa come l'efficienza di stima, questo mi dice semplicemente qual è l'errore standard di quella stima dell'effetto, in questo caso X1, X2, X3, rispetto a quell'errore standard.
Se ho molto rumore in questa Y, forse non sarò in grado di dire molto al riguardo. Ma se diamo un'occhiata, ecco qui ho appena generato alcuni dati. Eseguiamoli. Come vedete, l'RMSE era intorno a 1. Se osserviamo le stime dei parametri, quell'errore standard è direttamente correlato all'errore standard relativo, 0,2.
Ciò che questo mi dice davvero è che, se ho stime di effetto elevate, se ho stime di effetto principale elevate, idealmente, questo progetto dovrebbe essere in grado di rilevarlo. Ecco cosa vediamo qui, quell'efficienza di stima, quell'aumento frazionario, perché non potrei fare di meglio. Se questo è il progetto che sto usando, non potrei fare di meglio.
Ma ora la vera domanda è: "E se mi sbagliassi?". Questo progetto qui, l'ho progettato io. Se guardiamo la finestra di dialogo del DOE, lì ho semplicemente dato per scontato di avere effetti principali. Avevo X1, X2 e X3, e ho detto che avevo solo effetti principali. Beh, cosa succederebbe se si scoprisse che in realtà c'era un'interazione tra X1 e X2? Forse è troppo tardi, ho già analizzato, ho già raccolto i dati, ma cosa succederebbe? Ecco, lo stesso progetto, se guardo quel progetto di valutazione, cosa succederebbe se aggiungessi semplicemente quella particolare interazione? X1 e X2.
Vediamo qui, credo di usare il mio design diverso qui, ma quello che otteniamo qui è un aumento di ciò che accade X2 e X3 e di questa interazione. Tutto questo mi dice che ora in realtà la mia variante su X2 e X3 è leggermente migliorata grazie all'aggiunta di questa interazione X1 e X2, perché non l'avevo progettata per questo. Dirò che spesso questo si nota anche in quella matrice di alias, dove se l'avete mai guardata, è lì che si ottengono quei terzi negativi.
Cosa conta davvero? Se pensiamo a questo progetto di valutazione, in realtà si tratta dello stesso progetto. Qui, quello che ho fatto è stato semplicemente aggiungere esplicitamente l'interazione X1, X2. Tutto ciò significa che prenderò X1 per X2. Pensiamoci. È qui che ora ho quella stima.
Ora, se osserviamo la mappa dei colori sulle correlazioni, vediamo che lo facciamo spesso. È qui che si ottengono i pezzi più grandi. Ma cosa importa ora? Diciamo che se avessi X1 e X2, potrei comunque modellare i miei effetti principali. Cosa importa se modellizzo qualcosa del genere?
Diamo un'occhiata alle nostre stime dei parametri. Bene, ora notate che le cose non erano necessariamente significative, ma cosa importa davvero? Voglio dire, andava tutto bene, quindi dove entra in gioco una cosa del genere? Diciamo che se lo facessi più e più volte. Se vedete qui, ho questa simulazione Y. Diamo un'occhiata alla formula che c'è dietro. Ecco, supponiamo che questo fosse il mio vero modello. Ho questi effetti principali, X1, X2, X3 che stanno tutti facendo qualcosa, così come quell'interazione per X1, X2.
Ma cosa succederebbe se, durante la modellazione, mi accorgessi di non aver considerato questo aspetto nel mio modello? Una cosa che possiamo fare in JMP è eseguire una simulazione per ripetere l'operazione più e più volte. Se lo faccio, diamo un'occhiata a cosa succede qui. Continuerò a disegnare dati da quella distribuzione più e più volte. Tutto quello che faccio è aggiungere un po' di rumore casuale. Se vediamo qui X1, la media era corretta su 2, che è quello che avrei voluto. X2 era 3, che è quello che ci saremmo aspettati. Ma vedete che X3 qui era a 1.
Perché? Ha a che fare con quella matrice alias. A quanto pare, poiché non avevo considerato X1 e X2, X3 sarà distorto di un terzo rispetto alla stima di quel parametro. A quanto pare, non avendo quel termine nel modello, faremo un errore se lo facessimo. Questo è un aspetto a cui dobbiamo sempre pensare quando progettiamo un esperimento: faremo del nostro meglio per fornire il modello che riteniamo corretto. Ma spesso, quando esaminiamo la diagnostica, ecco perché ci vedete usare così spesso quella mappa a colori sulla correlazione: stiamo confrontando quei termini che abbiamo nel modello con quelli che forse erano nell'insieme dei termini alias, ma cosa potrebbe succedere se si rivelassero importanti.
È qui che entra in gioco la progettazione personalizzata. Se non avete eseguito molti esperimenti di progettazione in JMP, la progettazione personalizzata è la prima opzione che abbiamo a disposizione. Crea una progettazione ottimale per le vostre specifiche impostazioni sperimentali. Qui, approfondiremo la progettazione personalizzata. Daremo per scontato di avere un modello utile. Ancora una volta, non tutti i modelli sono sbagliati. Daremo per scontato di avere una conoscenza sufficiente del sistema per dire: "Ok, se osservo questi effetti principali o magari alcune interazioni, posso creare una progettazione basata su questo modello utile?"
Ora, uno degli aspetti del design personalizzato, anche se guardate attentamente il passaggio del mouse, riguarda l'idea di un design ottimale. Quest'idea di efficienza nel design ottimale è in realtà relativa a ciò che stiamo effettivamente cercando di ottenere da quell'esperimento. In particolare, se lanciamo qui il design personalizzato, i nostri diversi criteri di ottimalità, come vedete, sono contrassegnati da tutte queste lettere, D, I e A, e da "raccomandato". A cosa si riduce tutto questo?
Beh, il primo set di base è solo se voglio stimare i termini del modello. Se ipotizziamo di avere questo modello utile, forse mi interessa assicurarmi di poterlo stimare davvero bene.
Che si tratti dei miei effetti principali, delle mie interazioni, e non voglio entrare nei dettagli matematici di questo. Qualcosa come la D-ottimalità, è qui che minimizzerai l'ellissoide di confidenza complessivo per quelle stime dei parametri. Dice che li considererò tutti contemporaneamente. Mentre A è più simile a una media, minimizzerai solo la varianza media di quelle stime dei parametri.
Sono ottimi se voglio solo dire: "Voglio davvero assicurarmi di aver capito i termini corretti". Ma è un modello utile? Posso capire quali sono gli aspetti più importanti di questo modello utile?
Ora, da dove viene tutto questo? Beh, se vediamo qui, nella progettazione personalizzata, è qui che si baserà sul modello che ho detto a JMP di presupporre. Di default, qui, forse ha solo quegli effetti principali. Quei termini alias sono quelli che forse sono importanti, ma non li ho inclusi nel modello. Mentre se dicessi a JMP di volere queste interazioni a due fattori, allora questo è ciò su cui baserà quelle diverse efficienze, il modello che gli ho detto. Questa è l'idea della progettazione personalizzata.
Ora, diciamo invece che forse penso di avere già un modello utile. Forse sono più interessato a prevedere, a fare un lavoro migliore nel prevedere la risposta. È qui che si ottiene l'altra I-ottimalità. È qui che cerco solo di minimizzare la media. Se penso all'intera area di progettazione, voglio solo assicurarmi di fare un buon lavoro in generale. Userei l'I-ottimalità.
Ciò che emerge da alcune di queste diverse efficienze, G-optimal dice semplicemente: "Minimizza il caso peggiore. Assicurati di non fare mai troppo male". Si vedono anche delle cose lì dentro. L'ottimalità alias, in questo caso, è più simile a un compromesso. Dice: "Proteggimi da quel pregiudizio derivante da quei termini alias. Cerca di proteggermi da quei termini che forse non avevo nel modello ma che potrebbero essere importanti, pur fornendomi comunque un progetto complessivamente ragionevole".
Vedo anche qualcosa chiamato "Termini Se Possibile". Se torno a quel DOE, cosa sono i termini Se Possibile? Diamo un'occhiata qui. È qui che ora posso dire a JMP: "Forse queste interazioni, forse sono importanti, forse no. Ora posso impostarle su Se Possibile". Tutto ciò che dice a JMP è: "Dammi quei termini necessari. Devi assicurarti di stimarli. I termini Se Possibile, se non hai la possibilità di stimarli, fallo, ma non saranno critici quanto i termini necessari".
Come entrano in gioco tutti questi fattori? Posso dire a JMP: "Questo è ciò che voglio. Ho il mio modello, ho i miei termini alias, i miei diversi criteri di ottimalità". Ora, uno dei problemi più grandi si presenta quando si esamina la valutazione del progetto. Ho creato il mio progetto, ho detto a JMP: "Questo è ciò che voglio fare". A quanto pare, alcune di queste diagnosi sono relative alla dimensione del campione, altre no.
Se si pensa a cose come l'analisi della potenza, beh, alla potenza non importa molto la dimensione del campione. Ora, ovviamente, più grande è la dimensione del campione, maggiore sarà la potenza per le stime degli effetti, ma non è relativa alla dimensione del campione.
Lo stesso vale per cose come l'errore standard della stima, che è solo un calcolo, ma l'aumento frazionario dell'intervallo di confidenza è relativo alla dimensione del campione.
Allo stesso modo, la mappa dei colori sulle correlazioni è solo un calcolo, ma le diverse metriche di efficienza che otteniamo alla fine sono relative a quella dimensione del campione. Ecco solo il disegno a 12 run che ho creato. Ho parlato solo degli effetti principali. Come ho detto, alcuni di questi, come la potenza, sono calcoli molto semplici. Cose come la Diagnostica di Progettazione, come vedete, dicono: "Bene, questo è efficiente al 100% in termini di D". Il motivo è che si tratta di un disegno a 12 run e raggiunge la migliore efficienza possibile per un disegno a 12 run.
Ma allo stesso tempo, potrei fare la stessa cosa per un progetto a 16 run. Ma ora, se guardiamo l'analisi di potenza, non sorprende che abbiamo una dimensione del campione maggiore. Ora, la diagnostica di progettazione. Di nuovo, allo stesso modo, le efficienze D, G e A indicano tutte il 100% perché qualcosa come queste efficienze è relativo a quella dimensione del campione.
Questo mi dice che per un progetto da 16 run non posso fare di meglio. Allo stesso modo, per il caso da 12 run, dice che per 12 run non posso fare di meglio. Significa che dovrei usare il progetto da 12 run invece di quello da 16? Beh, dipende. Se potessi permettermi 16 run, ci sono forse altre cose che preferirei considerare per assicurarmi che sia quello che vorrei fare.
È qui che a volte può diventare problematico: se voglio iniziare a pensare a quali di questi voglio confrontare e quali no, è qui che entriamo nel merito dei disegni di confronto. Prima di divagare, vorrei parlare dei disegni di screening definitivi. Se avete partecipato a qualche conferenza su JMP Discovery, sentirete spesso parlare di questo concetto. Infatti, lo abbiamo proprio in cima al nostro menu per i disegni di screening definitivi.
Di nuovo, non voglio entrare troppo nei dettagli matematici. I progetti di screening definitivi sono speciali per via dell'idea di un foldover di una matrice di conferenza. Ora, mi piace molto considerare i progetti di screening definitivi come questi piani di compromesso. In realtà sono stati scoperti come un alias di progetto ottimale, se ricordate quei diversi criteri di ottimalità. Ma erano progetti davvero efficienti in cui mantenevamo gli zeri sulla diagonale e aggiungevamo un punto centrale. Uno dei motivi per cui i progetti di screening definitivi sono diventati così popolari è che, se pensiamo al compromesso tra bias della varianza, si scopre che questi progetti sono ortogonali.
Questi effetti principali, tornando a quella stima, gli effetti principali sono stimati molto bene. Ma se si scopre che abbiamo interazioni o effetti quadratici, questi effetti principali saranno protetti da essi. Abbiamo la protezione dalla distorsione: se il modello utile ha effetti quadratici o interazioni, costruendo il progetto in questo modo, otterremo quella protezione integrata. Quella protezione dalla distorsione degli effetti principali.
Ora, se pensate agli altri due progetti che avevo, perché dovremmo voler usare questo? Direi che una delle cose davvero belle è che, avendo quegli zeri, possiamo essere certi che, se c'è questo effetto non lineare, se qualcosa accade al centro del nostro spazio di progettazione, il tradizionale utilizzo di più e meno uno, non ci accorgeremo di nulla. Mi piace pensare che se sto preparando una torta, forse dovrei usare 350 gradi. Beh, se uso 325 o 375, forse non è proprio la temperatura giusta.
Se dicessi a JMP che voglio che il mio intervallo sia compreso tra 325 e 375, in realtà non ho mai visto nulla a 350, mentre forse vorrei essere sicuro di farlo.
L'altra cosa che vorrei menzionare a margine, una cosa che potreste non aver notato, è che spesso, se avete seguito un corso di progettazione di esperimenti, si parla dei classici disegni fattoriali frazionari che compaiono nella nostra piattaforma di progettazione di screening, ma al loro interno si trovano anche i cosiddetti disegni quasi ortogonali e disegni ortogonali a livello misto, che in realtà sono un caso specializzato di screening definitivo. Sono nascosti sotto quello classico. Una delle novità che vedrete nella nuova versione di JMP è che li abbiamo resi molto più facili da trovare.
L'altro problema con quel progetto di screening definitivo è che, a quanto pare, non riesco a ottenerlo con un progetto personalizzato. Ho detto che si trattava di un piano compromesso con l'alias "ottimale", ma alla fine forza quegli zeri nel modo giusto. Se avete mai provato a creare un progetto di screening definitivo e un progetto personalizzato, sappiate che è possibile farlo, ma richiede molto lavoro. Mentre tutto ciò che devo fare è andare su questa piattaforma ed è tutto automatico. È costruito per me senza problemi.
Ma diciamo che sto parlando con alcuni colleghi e stiamo discutendo tra tre diversi design. Qualcuno ci è già passato. Io ho un design da 12 prove che deriva da un design personalizzato per cinque fattori. Ho questo design di screening definitivo con cinque fattori e anche questo design da 16 prove. Ora il design da 16 prove sarà più costoso. Ma cosa voglio fare? Beh, è qui che entra in gioco il confronto dei design.
Ora potrò confrontare più progetti, tutti all'interno di un'unica piattaforma. Non devo più pensare a lanciare questi singoli progetti di valutazione e cercare di capire quali siano sensati da confrontare e quali no. Come ho appena detto, è possibile confrontare i nomi delle colonne o lasciare che sia JMP a farlo, e questo ci consente di considerare più modelli.
Troverete la funzione "Confronta progetti". Sotto DOE, "Diagnostica progetti", troviamo la funzione "Confronta progetti". Potete vedere che la mia tabella dati attiva è quella con 16 esecuzioni. Potremmo confrontarla con quella con 12 esecuzioni e con quella con 13 esecuzioni. Ora, qui in basso, posso dire a JMP come voglio abbinare le colonne, ma proviamo a usare la corrispondenza automatica.
JMP cercherà di capire come farlo. Qui vediamo che ha effettivamente trovato quello giusto. Anche se i nomi dei fattori sono diversi, JMP cercherà di fare la corrispondenza per voi. Qual è il bello di qualcosa come il confronto dei progetti? Ora posso iniziare a esaminare aspetti come l'analisi della potenza. Ora posso esaminarli con i miei colleghi e iniziare a decidere, ok, quale di questi tre progetti? Certo, la sedicesima esecuzione mi costerà di più, ma ovviamente ottengo una potenza maggiore per questo.
Posso osservare le cose. Questa frazione del grafico dello spazio di progettazione ha a che fare con la varianza di previsione. Quanto è efficace lungo l'intervallo? Ora, la cosa bella è che, poiché stiamo confrontando i progetti, possiamo usare questo concetto di efficienze relative. Non devo preoccuparmi del confronto con una tiratura specifica, posso fare questi confronti direttamente.
Ora diresti: "Beh, in base a questo, forse vorrei usare solo quel 16 o quel 12. Perché mai dovrei usare il DSD?". Ora, torniamo a questo. Sono queste diverse correlazioni. Quei termini modello contro alias. Se risultasse che ho qualcosa come un'interazione a due fattori, questo è il bello dei progetti di confronto. Posso giocare al gioco del "cosa succederebbe se". In realtà vediamo, beh, in questo caso, uno di quei progetti non potrebbe nemmeno adattarsi a quella particolare interazione a causa del modo in cui è stato impostato.
Ora potrei dire: "Beh, questo è problematico. Provo ad aggiungere qualcos'altro". Vedete, sembra che questo particolare design non mi stia aiutando molto. Ora potete iniziare a pensare: se inizio ad aggiungere interazioni, sembra che quel design a 16 esecuzioni abbia avuto problemi. Provo ad aggiungerle tutte. Vediamo che JMP mi sta effettivamente dicendo: "Beh, quel design qui fa fatica ad adattarsi alle interazioni. A proposito, l'ho costruito perché non l'avevo considerato nella costruzione del design, ora non riesco nemmeno a fare un buon lavoro se provo ad aggiungerlo".
Questo ci riporta a quell'idea: se sono preoccupato per quei termini alias, ecco i termini alias in cui si verificano quelle interazioni a due fattori. Se sono preoccupato per le interazioni, allora forse preferirei optare per qualcosa di simile a quel progetto di screening definitivo. È qui che i progetti di confronto potranno aiutarmi a capirlo.
Ok, direi che il confronto dei progetti si è rivelato uno strumento fantastico. Da quando lo abbiamo integrato, lo usiamo regolarmente anche in JMP. L'unica cosa con il confronto dei progetti, però, è che, come hai notato, dovevo creare ciascuna di quelle tabelle dati individuali e dovevo avere ben chiaro quali progetti volevo confrontare.
Ma prima, preferirei pensare ad altri design prima di fare un confronto completo. È qui che entra in gioco Design Explorer. Se non avete mai visto Design Explorer, vi invito a lanciare di nuovo la progettazione personalizzata e a fare la stessa cosa. Aggiungeremo solo cinque fattori diversi. Vado su "Continua".
Supponiamo di voler provare questo modello di effetti principali. Se notate, proprio sotto il pulsante "Progettazione". Quando è disponibile, vedrete questo "Esplora design". "Utilizzando i fattori e il modello correnti, esplora diverse opzioni di design per aiutarti a scegliere un design". Clicchiamo su "Esplora design" e vediamo cosa otteniamo. Qui mi dice che ho quel modello di effetti principali, ho quel modello qui.
Ciò che vediamo sono le opzioni selezionate per un singolo progetto o una combinazione di opzioni specificate. Forse ora voglio parlare con qualcuno e dire: "Bene, proviamo un progetto D e uno A-ottimale e magari passiamo da 12 a 20 esecuzioni". Se lascio che Design Explorer faccia questo, vedrete che in realtà ha creato i progetti D-ottimali da 12, 16 e 20 esecuzioni e i progetti A-ottimali da 12, 16 e 20 esecuzioni.
Nelle versioni precedenti di Design Explorer, tutto ciò che potevo fare era generare elementi all'interno di un progetto personalizzato. Nella versione più recente di JMP, ora posso effettivamente importare un progetto di screening definitivo. Forse ora, se volessi fare un confronto, cosa succederebbe se realizzassi un progetto di screening definitivo.
Ora posso iniziare a confrontare alcune di queste diverse efficienze e vedere cosa succede. Notate qui, mi dirà... Gli effetti principali sono ortogonali agli effetti quadratici e alle interazioni a due fattori. Questo mi dà un'idea che la possibilità di selezionarli può fare qualcosa in più. Ora capisco, posso iniziare a confrontare come questi diversi design si comportano rispetto ad altre opzioni che ho a disposizione.
Allo stesso modo, questo è un design che potreste non aver mai visto prima, con array quasi ortogonali, che in realtà cercano solo di bilanciare. Questo design di screening a effetto principale cerca solo di bilanciare ogni coppia di colonne. Allo stesso modo, cose come questo design a livello di mix ortogonale, un altro tipo di design che in passato era nascosto sotto quella piattaforma di screening.
Ora posso generare rapidamente tutti questi diversi design e iniziare a valutare quale potrei utilizzare. Allo stesso tempo, potrei iniziare a sentirmi sopraffatto. Direi: "Ok, non so nemmeno da dove iniziare. Perché non lo mando a un collega?". Vedete, abbiamo questa tabella dati migliorata. Ho efficienze contro esecuzioni, un grafico a dispersione delle efficienze. Ma l'altro aspetto positivo è che ora posso inviarlo a un collega. Ho qui degli script pronti per essere eseguiti e in grado di creare questi design.
Allo stesso modo, se lo faccio da solo, potrei dire: "Ok, questo DSD da 17 run sembra buono. Lasciami valutare e vedere come va". Posso comunque eseguire la valutazione del progetto direttamente da qui. Forse, una volta pronto, andrò avanti e creerò la selezione. Ecco il mio progetto di screening definitivo da 17 run pronto per essere utilizzato.
Questo è il Design Explorer. Sarò presente se sei al Discovery, felice di parlarne. Altrimenti, puoi lasciare qualche commento qui sotto. Questo è online.
Alcune considerazioni finali. Devo dire che, anche con quel design explorer, potrebbe sembrare che tu abbia ancora troppi progetti. Mi piace questa citazione: "Le scoperte fatte per caso sono spesso celebrate, ma quelle fatte per progettazione sono più affidabili".
Ok, con questo, tutti i modelli sono sbagliati. L'altra citazione che mi piace è: "Il momento migliore per pianificare un esperimento è dopo averlo fatto". Credo che per ogni esperimento che ho condotto, ci sia sempre un pensiero del tipo: "Beh, avrei voluto farlo io". Oppure, a fatto compiuto, un pensiero del tipo: "Beh, sarebbe stato ovvio se solo ci avessi pensato in anticipo". Ma in realtà, il fatto è che se stai pensando di fare un esperimento progettuale, sei già in vantaggio.
Anche da quegli esperimenti falliti, o da quello che chiamerò un esperimento fallito, si impara sempre qualcosa su cosa si farebbe la volta successiva. Dovresti davvero considerare la progettazione degli esperimenti come un processo sequenziale. In realtà, ti aiuta a capire cosa fare nel prossimo.
L'altra cosa che voglio sottolineare, però, è che il modo in cui si modella è importante. In generale, finché si pensa solo all'idea di progettare un esperimento, in JMP passiamo le nostre giornate a pensare al modo migliore per mettere l'utente nella posizione migliore quando eseguirà quell'esperimento, per cercare di proteggerlo con strumenti come progetti di screening definitivi, proteggendoci da bias e cose del genere.
Ma alla fine, il modo in cui si procede con la modellazione è importante. Se si pensa a cose come i progetti di screening definitivi e i termini "Se Possibile" di tutte queste interazioni, quando progetto un esperimento, spesso provo diverse tecniche di modellazione per assicurarmi di non aver tralasciato alcuni di quei termini che forse non avevo considerato nel modello originale, o per assicurarmi che il modello che ritengo utile sia il più utile che avrei potuto trovare.
Direi che questo è molto vero anche quando si considerano aspetti come l'analisi di potenza. Una cosa a cui penso è che, se ho questi quattro fattori con interazioni, se considero l'analisi di potenza per questi effetti principali e le interazioni a due fattori, è molto raro che mi aspetti che ognuno di questi termini sia presente nel mio modello finale.
Spesso, quando penso a cose come l'analisi di potenza, eseguo simulazioni per giocare al gioco del "cosa succederebbe se". Cosa succederebbe se due di questi fossero significativi? O se tre di questi fossero significativi? Perché è molto raro che il mio modello finale li includa tutti. Un altro aspetto da tenere a mente quando si progettano questi esperimenti è quanto in profondità mi addentrerò nella selezione del modello e nel gioco del "cosa succederebbe se"?
Con questo, grazie mille per il tempo che mi avete dedicato. Spero che abbiate trovato utile questa presentazione. Lasciate pure commenti o domande qui sotto. Grazie.
