Hola,
Soy
Ryan
Lekivetz,
Gerente
de
el
GAMA
y
fiabilidad
equipo
en
JMP.
Hoy Soy yendo a hablar a tú acerca de
a clase de saturado mezcla- nivel principal efectos diseños para incluso número de corre.
Eso sonidos como a bocado,
pero Bueno conseguir un comprensión de qué eso es por el tiempo eran finalizado.
Si tú ver en mi JMP diario aquí,
Aquí está a bruto idea como a qué el describir es yendo a mirar como.
Ahora, en el comienzo de aunque, I hacer tener a llamar afuera,
entonces I tener tres colaboradores en este proyecto.
Bradley Jones, OMS debería ser familiar a muchos de tú en JMP,
Bien hecho Majumdar y Chris Noche en la ciudad.
Justo alguno historia y preliminares .
Enfermo decir generalmente...
Si tú ver en allá, nosotros habló acerca de principal efectos diseños.
Ahora, generalmente, cuando nosotros pensar de cribado diseños,
nosotros a menudo pensar de factores ser todo en dos niveles.
Su estándar fraccionario factorial diseños eso tú ver en libros de texto,
pero en realidad Hay este grande pregunta, qué acerca de no lineal ¿efectos?
De curso, es excelente nosotros desear a encontrar afuera aquellos mayoría importante principal efectos,
pero qué sucede si allá es alguno ¿no linealidad?
En particular, en 2011,
Definitivo Cribado Diseños o DSD golpear el escena.
El grande cosa con aquellos DSD,
aquí nosotros eran arrogante todo el factores eran continuo.
Cada factor y DSD son yendo a ser en tres niveles.
Eso dio alguno esperanza de ser capaz a detectar cuadrático efectos
cuando ellos eran grande.
Enfermo decir eso era uno de el grande popularidad de DSD.
El diseños eran yendo a hablar acerca de aquí.
Nuestro principal efecto, si tú pensar de DSD,
no solo eran ellos bien en cosecha arriba principal efectos,
eran también mirando en cuadráticas y interacciones.
El diseños eran mirando en aquí
son en realidad principal efectos cribado como nuestro primario meta.
Por principal efectos cribado, Soy dicho nosotros tener nuestro lista de factores
y nosotros desear a encontrar afuera cual de aquellos son el primario Conductores.
Nosotros desear a encontrar afuera aquellos significativo principal efectos.
Si eran en realidad afortunado, nosotros puede conseguir alguno cuadrático interacciones.
Pero de nuevo, principal efectos cribado es el grande cosa.
Qué estás yendo a encontrar aquí es eran yendo a tener a mezcla
de tres- nivel y dos- nivel factores.
Mientras el DSD tenía todo en tres- niveles,
aquí nosotros tener más de este mezcla de tres y dos- niveles.
Uno de el cosas a pagar atención a
es justo como definitivo cribado diseños.
Cuando eran hablando acerca de estos tres niveles factores,
eran yendo a asumir eso ellos son continuo.
En particular, eso medio eran no mirando para balance.
A menudo tú ver en eso título dónde nosotros hablar acerca de mezclado niveles.
Eran hablando acerca de tres y dos niveles factores.
Pero Enfermo decir tradicionalmente cuando nosotros pensar de ortogonal rayos,
el tres niveles factores son categórico,
y entonces nosotros desear a ver cada nivel un igual número de veces.
Qué eran yendo a encontrar aquí es eso estos tres niveles factores
son j solo yendo a tener a pocos ceros.
Uno de el otro grande cosas, aunque,
es eso eran yendo a tener casi como muchos factores como nosotros hacer corre.
Eso es dónde eso idea de saturado y el título vino de.
Saturado justo medio eficazmente eso I tener justo como muchos factores como I hacer corre.
Eso es dónde también eso principal efectos cribado
porque ahora I tener entonces muchos factores,
si tú comenzar en vista de cuadráticas interacciones,
eso es un horrible lote de términos.
Porque eran mirando en entonces muchos factores,
eran justo esperante nosotros poder detectar aquellos significativo principal efectos.
Si tú pensar acerca de otro diseños,
si tú pensar acerca de este mezcla de tres- nivel y dos niveles,
ahora inmediatamente qué podría venir a mente
es alguno de el clásico taguchi diseños, Así que el L18 o el L36.
Aquellos de tú OMS son familiar con JMP,
tú puede saber eso tú poder crear Definitivo Cribado Diseño
pero agregado dos niveles factores.
El diseños aquí I quería casi mirar en como un extensión a alguno de aquellos.
Aquí eran yendo a tener a lote más dos niveles factores
que tú podría desear a, aunque, en nuestro estándar DSD.
Enfermo decir este es también un área, aunque, eso es escogido arriba en vapor
a lote en estos pasado pocos años.
Tú ver alguno referencias aquí
como a otro autores eso son pensamiento acerca de este mismo problema,
incluido a papel eso Enfermo venir atrás a en el fin.
Tú ver eso último, el Jones, Lekivetz, y Nachshteim papel.
Eso es de hecho relacionado a este trabajar como Bueno.
Vamos ver, con un poco de suerte eran todo en el mismo.
Si nosotros ir atrás a eso título.
El saturado justo medio nosotros tener a lote de factores relativo a el correr tamaño.
Nuestro nivel mixto medio eso nosotros tener alguno dos niveles y tres niveles.
Justo a mencionar el dos- nivel podría ser continuo como Bueno,
dónde eran justo no interesado en mirando en aquellos cuadrático efectos.
Principal efectos diseño dice eso es dónde
nuestro mayoría importante cosa es descubrimiento aquellos significativo principal efectos
y eso incluso números de corre,
él vueltas afuera el diseños, si tú recordar eso recordar el describir,
todo estos diseños eran mirando en son yendo a ser un incluso número de corre.
Ahora, cuando nosotros pensar acerca de edificio estos diseños,
entonces en alguno de estos preliminar,
I debería en realidad hablar acerca de el edificio bloques.
Estos diseños son yendo a ser construido al
usando otro matrices o otro diseños en el literatura.
Dependiente en cómo familiar tú son con Definitivo Cribado Diseños,
Hay este idea de algo llamado a conferencia matriz.
A conferencia matriz es justo un M por M matriz
eso nosotros usar a construir Definitivo Cribado Diseños.
Uno de el lindo cosas con conferencia matrices
es eso en general,
ellos existir para múltiplos de dos filas y columnas.
I dicho en general,
Hay a conferencia matriz para cada múltiple de dos
de 2 a 30, excepto para 22.
Algo a mencionar aquí, aunque,
es eso en el casos dónde a conferencia matriz hace no existir,
o Vamos decir si tú tener un extraño número de corre,
tú poder usar algo llamado a seudo- conferencia matriz.
A seudo- conferencia matriz dice,
I desear a hacer él mirar como cerca como I poder a a conferencia matriz,
cual tiene este especial propiedad.
Qué propiedades a conferencia matriz ¿tener?
Bien, si I llevar C transponer Yo, o en cambio, C C transponer,
es yendo a ser M menos 1 veces el identidad matriz.
Qué eso en realidad medio es eso estos columnas,
el columnas de el matriz DO, ortogonal.
Si I llevar eso cruz- producto de cualquier dos columnas,
eran yendo a conseguir a cero.
Pero aviso nosotros tener eso M menos 1,
porque uno de el otro características de el conferencia matriz
es eso cada fila y columna tiene exactamente uno cero.
Si tú tener JMP 17.2,
entonces Enfermo admitir eso este JSL primero espectáculos arriba en JMP 17.2,
entonces nosotros tener este dominio para conferencia matriz.
Aquí I poder justo preguntar para el mismo 6x6 conferencia matriz.
De nuevo, qué el especial ¿propiedad?
Bien, si nosotros mirar, entonces si I llevar C veces C transponer o en cambio,
I conseguir 6 menos 1, cual es 5 veces el identidad matriz.
Cada de aquellos columnas es yendo a ser ortogonal.
De nuevo, a partir de a JMP 17.2, tú poder crear su propio conferencia matriz
justo por donación él el orden.
Aquí I buscado a seis carreras conferencia matriz, entonces I era capaz a poner eso en.
Vamos intentar él con ocho como verás ver.
Hay un 8 por 8 conferencia matriz.
Eso es uno de el edificio bloques eso nosotros necesidad.
Otro uno es a similar tipo de estructura.
Es llamado a Hadamard Matriz.
El diferencia es a conferencia matriz tenía valores de negativo uno, cero, y uno.
A Hadamard matriz justo tiene valores de más y menos uno.
A Hadamard matriz existe para mayoría múltiplos de cuatro.
En particular, este es dónde cuando tú escuchar Hadamard matriz,
otro cosa tú lo harás escuchar acerca de a menudo veces es un ortogonal formación.
En particular para a Hadamard matriz, él tiene eso mismo propiedad.
Si I llevar él por es transponer,
en este caso, I conseguir N veces el identidad matriz.
Si tú recordar el conferencia matriz,
él era eso M menos 1,
el orden porque nosotros tenía uno cero en cada fila y columna.
Aquí es yendo a ser N veces el identidad matriz.
El idea aquí es eso si I llevar cualquier par de columnas,
nosotros tener eso concepto de ortogonalidad para cualquier par de columnas.
Similar a el conferencia matriz,
nosotros de hecho tener a especial dominio en JSL para construyendo a Hadamard.
Vamos llevar a mirar aquí.
Si tú aviso, Vamos justo decir Hadamard 8,
este es yendo a dar a mí un 8 carreras Hadamard matriz.
Si nosotros ver acerca de tomando a Hadamard,
el hebra filas, allá nosotros conseguir ocho veces el identidad matriz.
De nuevo, entonces qué eso medio, si I llevar cualquier par de columnas,
ellos son yendo a ser ortogonal, cual tú poder de hecho ya ver.
Justo pretender eso este primero uno es como un interceptar.
Tú ver, todo de estos son equilibrado.
Soy yendo a conseguir eso idea de ortogonalidad.
Eran de hecho casi allá con nuestro edificio bloques.
El último pedazo eso nosotros necesidad es algo llamado el Kronecker producto.
Qué tú lo harás ver es eso a lo largo de nosotros puede no incluso en realidad necesidad
a pensar de él en términos de a Producto Kronecker.
Justo a menudo cuando nosotros crear estos diseños, eso es el forma nosotros como a pensar de estos.
Tú lo harás ver a Producto Kronecker es denotado por este símbolo.
Él aspecto como a multiplicación con a círculo alrededor él.
En JMP o otro definición de Producto Kronecker
es llamado el directo producto.
Él justo sucedió es a conveniente forma a construir diseños.
Todo de este, Producto Kronecker o directo producto es,
si I llevar a matriz A y el Producto Kronecker de B,
I llevar cada elemento de A
y aplicar él a el completo matriz B encima y encima de nuevo.
Dónde este llega en práctico,
Vamos ver dónde tú puede tener visto algo como este antes.
De nuevo, nosotros tener a directo producto, y JSL dominio.
Vamos decir si I justo buscado a comenzar con eso 6x6 conferencia matriz.
Ahora Vamos decir si mi matriz A, entonces pensar aquí en este Producto Kronecker A,
I justo llevar estos 2 por 1,
entonces dos filas más uno y a menos uno,
y directo producto con DO.
Qué hacer I conseguir ¿aquí?
Bien, este es eficazmente si I agregado a centro correr,
este quería ser a 13 carreras DSD y seis factores.
Por tomando este uno y menos uno,
entonces con el Producto Kronecker arriba aquí con este más uno,
I conseguir eso conferencia matriz DO, y abajo abajo I conseguir negativo DO.
Este Producto Kronecker es justo a conveniente forma
a pensar acerca de cosas como qué nosotros podría llamar de viejo.
Con aquellos preliminar es hecho,
ahora nosotros poder de hecho comenzar hablando acerca de estos diferente construcciones.
El primero método es el mayoría, Enfermo decir el más agradable de todo de a ellos.
Qué eran yendo a decir, este es dónde nuestro correr tamaño
es yendo a ser a múltiple de ocho.
Qué son nosotros haciendo ¿aquí?
Bien, aquí eran yendo a comenzar.
Eran yendo a tener a conferencia matriz de orden M es igual 4K.
De nuevo, recordar, el conferencia matrices
tender a existir como largo como nosotros tener un incluso número.
Asimismo, para el Hadamard matriz,
eso es dónde eran mirando para múltiplos de cuatro.
Aquí Soy yendo a llevar a conferencia matriz
de orden M y a Hadamard matriz de el mismo orden
dónde eran arrogante aquí eso ambos existir.
Qué Soy haciendo aquí es Soy yendo a doblar encima.
Tú poder de hecho expresar este como a Producto Kronecker,
pero aquí I encontrar él más conveniente justo a escribir él este forma.
Tú ver, este primero parte aspecto como a Definitivo Cribado Diseño.
Soy tomando a conferencia matriz y plegable él encima.
Entonces en el otro lado, Soy replicando este Hadamard matriz.
Soy tomando a Copiar de eso.
Qué hacer nosotros conseguir con este ¿diseño?
Bien, estos primero M columnas eso son formado de el conferencia matriz,
eso es yendo a dar a nosotros M tres niveles factores.
El restante M menos 1 son todo yendo a ser dos niveles factores.
Este C parte es yendo a ser para tres niveles,
este H parte para de dos niveles.
Qué hacer nosotros fin arriba ¿con?
Bien, qué nosotros hizo, nosotros básicamente duplicado estos aquí.
Eran yendo a tener dos Carreras M y dos M menos 1 factores.
Vamos llevar a mirar en qué este podría mirar como.
Vamos ver un ejemplo aquí.
Vamos llevar mi DO.
Soy yendo a justo crear un 8 por 8 conferencia matriz.
Primero, Vamos construir estos tres niveles columnas.
Soy yendo a llevar eso directo producto.
De nuevo, en este caso, I desear eso plegado, I desear C y menos DO.
Vamos llevar a mirar en qué C aspecto como.
De nuevo, este es justo eso plegable estructura en eso.
Uno cosa aquí, tú observó I dicho el restante M-1 columna
para el dos niveles factores.
El razón para eso...
Vamos llevar a mirar en el Hadamard matriz de Orden 8.
Si Soy yendo a reproducir exactamente este, si Soy yendo a Copiar este,
Bueno, este primero columna aquí es yendo a ser para el interceptar.
I no desear a poner eso como uno de mi diseño factores
si él nunca cambios,
si es constante a lo largo de el completo cosa.
Si tú aviso aquí, Soy yendo a justo gota el interceptar.
Ahora I tener un 8 por 7 diseño.
Si tú aviso, Soy yendo a usar el directo producto de nuevo aquí.
Pero en cambio de con el conferencia matriz
dónde I era usando uno y menos uno, I justo desear a hacer a Copiar
de eso Hadamard matriz H sin el interceptar.
Vamos dar eso a mirar.
Nosotros poder llevar a mirar aquí en este matriz
dónde tú ver eso el uno, uno, uno.
Tú poder de hecho ver dónde él obtiene justo Copiar él de nuevo.
Es justo el mismo matriz apilados en arriba de sí mismo.
Si I concatenar todo de aquellos juntos, tú poder ver I tener a 16 por 15.
I poder de hecho justo crear eso datos mesa.
I tener este diseño ahora, a 16 carreras diseño con 15 factores.
El primero ocho de aquellos son tres nivel y el restante Siete son en dos niveles.
Vamos justo llevar a mirar.
Vamos ir a diseño diagnósticos
y Vamos ver qué este aspecto como y evaluar diseño.
Tú poder ver I justo creado a principal efectos.
Este podría ser duro a ver, entonces este aspecto bonito desordenado,
pero tú poder ya ver Hay a especial estructura con estos diseños.
Uno cosa I desear a punto afuera, Vamos conseguir deshacerse de el alias términos.
Vamos justo mirar en el correlaciones aquí con estos principal efectos.
Tú poder ver en este caso,
de hecho, todo mi principal efectos son ortogonal a cada otro.
Uno cosa a punto afuera aquí,
porque I era usando eso Hadamard matriz como a edificio bloquear,
aquellos dos niveles diseños, nosotros tener todo eso lindo ortogonalidad allá.
Tú lo harás aviso este fraccionario aumentar en confianza intervalo longitud
es a pequeño poco más alto.
Por qué es ¿eso?
Bien, eso es porque nosotros tener estos tres niveles factores.
Aquellos primero factores son en tres niveles.
Qué eso medio es eso si allá es a cuadrático efecto,
ahora este es donación a mí alguno esperanza de detector eso.
De nuevo, no olvidar, eran ya en 16 corre y 15 principal efectos.
Si nosotros comenzar pensamiento acerca de cuadrático efectos y interacciones,
nosotros en realidad tener a esperanza para aquellos grande efectos
cuando él llega a haciendo cualquier modelo selección.
Si tú pensar de a tradicional diseño dónde nosotros solo tenía dos niveles,
en eso caso, nosotros quería tener No esperanza
de ser capaz a detectar cualquier cuadrático efecto.
Eso es eso primero construcción.
En alguno sentido, eso es dónde todo obras afuera bien.
I tener a conferencia matriz y I tenía a correr matriz disponible a a mí.
Eso da a mí a correr tamaño eso es a múltiple de ocho.
Ahora qué sucede si I no tener uno de ¿aquellos?
Vamos decir mi diseño es yendo a ser a múltiple de cuatro.
El correr tamaño es yendo a ser a múltiple de cuatro.
Vamos asumir ahora eso I tener a conferencia matriz disponible a a mí,
pero tal vez I no tener a Hadamard matriz.
Si tú recordar antes,
dónde para mi Hadamard, I necesidad él a ser a múltiple de cuatro,
el original correr tamaño, entonces eso cuando I duplicado él, él era a múltiple de ocho.
En cambio, tal vez si I no tener a Hadamard matriz,
I podría usar algo como a D-óptimo principal efectos plan.
Este quería justo ser si I fue en costumbre diseño.
Vamos decir si I buscado para seis corre, I quería ir en costumbre diseño
y decir I tener cinco principal efectos, cinco factores,
y I desear seis corre para a principal efectos.
Este construcción de hecho aspecto a lote como él hizo en método 1.
El solo real diferencia es en cambio de eso Hadamard matriz,
ahora Soy yendo a ser usando este D-óptimo principal efectos plan.
Pero él vueltas afuera a ser el mismo cosa aquí.
Soy yendo a tener aquellos primero M columnas para el tres niveles factores,
el restante M menos 1 para el de dos niveles.
Soy en realidad en eso idea de saturación
porque por el tiempo I factor en el interceptar,
Soy en dos Carreras M y 2 M menos 1 factores.
Vamos llevar a mirar en cómo este uno podría mirar.
En este caso,
Soy yendo a ir con a 10 carreras conferencia matriz,
cual de nuevo, porque eso es a múltiple de dos,
I poder crear a conferencia matriz.
El uno cosa a pagar atención a aquí, aunque,
porque eran en 10- corre,
Hay no yendo a ser a Hadamard matriz de orden 10 disponible a a nosotros.
Vamos construir aunque primero aunque, Vamos justo doblar encima eso CC.
De nuevo, eso es justo eso similar a DSD estructura.
Ahora en este caso, porque I no tener eso dominio,
y entonces este es dónde tú podría decidir cómo a hacer este.
Tú puede de hecho incluso tener su propio diseño eso tú desear a usar en este caso.
Enfermo decir en este caso, Soy demostración a D-óptimo principal efectos.
Tú puede desear a usar algo Puedo a Bayesiano D-óptimo
dónde de dos factores interacciones son si posible.
Pero entonces en este caso, todo eso Yo tengo hecho
es Yo tengo tomado el D-óptimo, 10 carreras diseño para nueve factores,
y Yo tengo justo sucedió a incluir el interceptar aquí.
Si tú ir en Costumbre Diseño, este es qué tú conseguir de el modelo matriz.
El modelo matriz de hecho incluye el interceptar por por defecto.
Eso es en hecho dónde I tenía este de aquí.
De nuevo, Soy yendo a gota.
Vamos gota eso interceptar columna.
De nuevo, aquí Soy justo replicando el exacto mismo cosa de nuevo.
Yo tengo justo doblado encima, no doblado encima.
Yo tengo justo replicado el exacto mismo cosa dos veces.
Sería ser duro a ver como a dónde él era replicado aquí.
Pero de nuevo, todo eso nosotros tenemos hecho es justo hecho a Copiar.
I hecho a Copiar de eso doptN10m9 dos veces, concatenar aquellos juntos.
Vamos crear el datos mesa de nuevo.
De nuevo, 20- corre y 19 factores.
De nuevo, mantener en mente eso mi primero 10 factores
son todo en tres niveles, el restante en dos.
Vamos llevar a mirar en evaluar diseño de nuevo aquí.
Soy yendo a poner todo de estos factores en.
En este caso, antes,
Vamos ir directamente a eliminar aquellos alias términos.
Vamos llevar a mirar en el color mapa.
Este aún aspecto como a bonito bien color mapa a a mí.
Qué hacer nosotros aviso aquí versus el último ¿uno?
Uno de el más grande diferencias es,
Bueno, aquí nuestro tres niveles son aún yendo a ser ortogonal,
y eso es porque nosotros eran usando a conferencia matriz.
El tres- niveles y el dos- niveles son ortogonal.
En particular, mi tres niveles factores son ortogonal a el dos niveles factores.
Pero porque I era usando eso 10 carreras diseño,
él vueltas afuera nosotros no poder conseguir perfecto ortogonalidad
para el 10 carreras diseño con nueve factores.
Si nosotros mirar entre aquellos dos niveles factores, nosotros tener alguno pequeño correlaciones allá.
Uno cosa a punto afuera,
allá hace existir a Hadamard matriz de orden 20.
En alguno sentido, nosotros son tomando a pequeño poco de a golpear en aquellos dos niveles factores.
Pero si tú llevar a mirar, el costo de usando este tipo de diseño
versus, Vamos decir, todo en dos niveles,
nosotros tener acerca de a 5% aumentar en el confianza intervalo longitud.
Pero el lindo cosa aquí ahora es eso ahora nosotros tener aquellos factores en tres niveles.
Si nosotros en realidad son preocupado acerca de cuadrático efectos
apareciendo en estos primero unos, ahora nosotros tener a oportunidad de detector aquellos
en a pequeño precio a eso estimación eficiencia para aquellos principal efectos.
Eso era excelente en el caso
eso nosotros aún tenía a conferencia matriz eso existía, pero No Hadamard.
Este último método,
este es dónde nosotros no en realidad adaptar en cualquiera de aquellos casos.
En este caso ahora,
eran hablando acerca de a correr tamaño es yendo a ser a múltiple de dos.
En este caso, qué nosotros tener es nosotros no tener a conferencia matriz disponible a a nosotros.
Este es dónde eran yendo a usar eso seudo- conferencia matriz.
Enfermo decir si estás en realidad interesado en eso,
Enfermo ir atrás a estos preliminar.
En el...
Vamos ver.
De hecho, él era el original DSD diseño.
Lo siento, este 2011 Definitivo Cribado Diseño.
Si tú también mirar, I tener él en el lista de referencias en el fin.
Vamos ver, aquellos OMS son particularmente interesado.
Este original clase de tres niveles diseño para Definitivo Cribado
en el presencia de segundo- orden efectos.
Este papel era escrito antes ellos eran consciente de el existencia
de este idea de conferencia matrices.
En eso papel, ellos hablar acerca de a general objetivo algoritmo
para creando algo eso aspecto como a conferencia matriz.
Tú colocar ceros a lo largo de el diagonal,
y entonces el descansar de el valores son yendo a ser más y menos uno,
dónde estás intentando a hacer a principal efectos D-óptimo diseño.
Estos seudo- conferencia matrices, como ellos eran,
ellos mirar como a conferencia matriz.
Tú poder usar eso algoritmo cuando el conferencia matriz no existir.
En realidad, qué es intentando a hacer es a conducir él a mirar como cerca como él poder.
Si tú recordar a conferencia matriz,
si tú llevar C transponer, tú conseguir ceros y el apagado diagonal
para perfecto ortogonalidad,
es yendo a ser intentando a conducir él a mirar como eso
dónde I no poder hacer él perfectamente.
Similar a el caso nosotros tenía para método 2,
nuestro T es yendo a ser a D-óptimo principal efectos plan.
Qué hacer nosotros fin arriba con ¿aquí?
De nuevo, nuestro primero M columnas son aún yendo a ser tres niveles factores,
el restante M menos 1 para el dos- nivel.
De nuevo, eran aún en eso caso de saturación
por el tiempo nosotros factor en el interceptar.
El costo aquí es eso eran no yendo a conseguir el lindo ortogonalidad
eso nosotros puede tener tenía en método 1 y 2.
Vamos llevar a mirar en cómo este uno obras aquí.
Mi C en este caso,
y Enfermo hacer eso CC.
Qué I comenzó con aquí
era a seudo- conferencia matriz de orden nueve.
Nueve es no a múltiple de dos.
I tener a hacer algo eso miró como a seudo- conferencia matriz.
Vamos justo llevar a mirar aquí.
Vamos de hecho llevar a mirar y ver qué eso C transporte C aspecto como.
Tú aviso I no poder conseguir eso perfecto ortogonalidad,
pero en cambio I tener ocho a lo largo de el diagonal
y entonces estos más y menos unos en el apagado diagonales.
Eran cerca.
I tener eso CC eso era justo haciendo el mismo cosa, plegable eso matriz encima.
Asimismo, entonces Yo, eso es yendo a ser de el mismo orden.
I tomó el nueve carreras, ocho factores, D-óptimo diseño.
En este caso, Yo tengo de hecho ya remoto el interceptar.
Eran justo yendo a reproducir exactamente eso diseño de nuevo.
I tener este 18 por 8.
Soy yendo a combinar aquellos dos piezas juntos.
Vamos llevar a mirar en el mesa.
Este es a particularmente difícil diseño a generar en general.
En este caso, I no tener a lindo número.
Mi correr tamaño es 18.
Ahora I tener estos primero nueve factores en tres niveles
y el restante ocho en dos niveles.
No asombrosamente, allá es a costo de este.
De nuevo, Vamos justo eliminar aquellos alias términos de nuevo
y llevar a mirar en nuestro color mapa.
Tú ver ahora, mi dos y tres niveles son de hecho ortogonal a cada otro,
pero el tres niveles tener a pequeño correlación entre a ellos.
Eso era dónde, recordar, si tú recordar,
nosotros sierra eso más y menos uno y eso apagado diagonal.
Asimismo para el dos niveles.
Nosotros de hecho tener uno bastante alto correlación aquí,
pero en general, entonces acerca de 0.1.
En este caso, nosotros no incluso tener un ortogonal diseño a comparar él a.
Nosotros de hecho tener a pareja de factores eso nosotros puede ser preocupado acerca de a poco,
tener a pequeño poco de a más grande fraccionario aumentar.
Aquellos tres niveles voluntad decir, Bueno, nosotros no poder conseguir aquellos a ser perfecto como él es.
Este fraccionario aumentar es comparado a el hipotético ortogonal diseño,
el ortogonal formación, cual no incluso existir.
Eran pago a pequeño precio, pero nosotros aún tener alguno generalmente lindo propiedades.
El tres niveles son ortogonal a el dos niveles,
y nosotros tenemos minimizado eso correlación en general.
En alguno sentido, aquellos son aquellos tres métodos.
El lindo cosa es dependiente en el correr tamaño eso tú tener
y dependiente en el número de factores, este metodología o este clase de diseños
en realidad da tú alguno flexibilidad en el número de corre.
De curso, si tú poder poder pagar a múltiple de ocho o a múltiple de cuatro,
el propiedades son yendo a mirar a lote Más agradable.
Pero I significar, cuando corre son en realidad caro,
nosotros aún tener este método 3,
cual es yendo a dar tú a razonable diseño.
Con eso, I justo desear a dar alguno final pensamientos aquí.
I tener a enlace.
Si tú llevar a mirar en este diario después,
I tener a enlace a a presentación de JMP Descubrimiento Europa
de Bradley Jones eso era en ortogonal mezcla nivel diseños.
El diseños en este presentación, el ortogonal mezcla nivel diseños,
voluntad casi mirar muy similar a qué era presentado aquí.
El diseños presentado en este presentación son para cuando estás íntimamente a saturación.
I quería decir estos ortogonal nivel de mezcla diseños
de el anterior descubrimiento, y nosotros de hecho tener a papel en eso.
Eso es este Jones Lekivetz, y Nachtsheim
eso era en JQT, Diario de Calidad Tecnología.
Aquellos diseños trabajar muy Bueno
cuando tú tener acerca de medio el número de factores relativo a el correr tamaño,
cual sonidos a lote como DSD,
pero es cuando tú tener más dos niveles factores.
En el diseño presentado en eso presentación,
tú poder ir arriba a acerca de tres cuartas partes de el correr tamaño.
El diseños presentado aquí
son en realidad cuando estás íntimamente a eso saturación,
dónde tú decir, Bueno, No, I en realidad tener a lote de factores
eso Soy interesado en, y el corre son en realidad caro.
El diseños aquí a llenar eso último brecha cuando tú desear a conseguir cerca a saturación.
I presentado tú estos diseños mirar lindo,
pero poder ellos de hecho hacer cualquier cosa cuando él llega a modelo ¿selección?
Enfermo decir aquí.
De nuevo, nosotros tener correr a lote de simulaciones en estos.
Este no es haciendo él adecuadamente, este es justo para a soltero realización.
Vamos decir aquí
mi factores, entonces llamar uno, llamar cinco, llamar 13 y 14,
Yo tengo preferido él como ser significativo.
En base JMP, tú podría desear a usar algo como paso a paso.
Vamos llevar a mirar.
Aquí Yo tengo hecho a razonable trabajo.
I puede tener terminó arriba con uno extra factor,
pero en alguno sentido, Identificación aún ser
bastante feliz eso Yo tengo estado capaz a elegir arriba aquellos efectos allá.
Vamos intentar este mismo cosa con generalizado regresión.
Si nosotros llevar a mirar, el mismo cosa.
Vamos ver, 1, 5, 13, y 14.
Si nosotros ir atrás, 1, 5, 13, y 14.
En este caso,
ambos de tú tener JMP Pro con generalizado regresión o Adaptar paso a paso,
ambos eran capaz a elegir arriba aquellos principal efectos eso nosotros tenía en allá.
Justo a espectáculo tú ahora, si tú tener a grande cuadrático efecto,
Enfermo decir porque comparado a DSD dónde nosotros tenía eso centro punto correr,
este nosotros solo tener dos ceros.
Nosotros no incluso tener a tercero para a centro punto
y nosotros tener a lote más factores.
Detector cuadrático efectos es aún yendo a ser difícil.
Pero Vamos justo pretender nosotros tener a grande uno.
Aquí I tener de nuevo, el 1, 5, 13, y 14.
Pero ahora Yo tengo también agregado a bastante grande cuadrático efecto para el columna uno.
Vamos justo llevar a mirar aquí.
Vamos intentar a adaptar paso a paso de nuevo.
Ahora Yo tengo de hecho justo agregado aquellos cuadráticas en el modelo.
De nuevo, I tener uno extra término,
pero si tú ver, incluso en este caso, él hizo de hecho elegir arriba eso cuadrático efecto.
No solo hizo él elegir arriba el correcto principal efectos,
él hizo detectar el cuadrático efecto eso I tenía.
Vamos intentar el mismo cosa.
Vamos ver el modelo lanzamiento.
Él aspecto como I ya tener él mostrado aquí.
El mismo cosa.
Tú ver el 1, 5, 13, 14,
y generalizado regresión era también capaz a elegir arriba eso cuadrático efecto.
Enfermo decir I quería no esperar a anticipar
eso tú poder detectar eso muchos cuadrático efectos.
Pero incluso si tú mirar en su residual parcelas o su principal efectos parcelas,
incluso aquellos dos ceros dar tú alguno indicación
eso tal vez I hacer desear a seguir arriba
y llevar a mirar en aquellos factores a pequeño poco Más adentro para cuadrático efectos.
Dónde de nuevo, en su tradicional cribado,
si estás solo haciendo cosas en dos- nivel, tú no lo haría tener el oportunidad a hacer eso.
Con eso, de nuevo, I voluntad correo este diario dónde este video es situado,
pero Enfermo también destello arriba estos referencias en este tiempo.
Con eso, agradecer tú para tomando el tiempo a mirar este video,
y por favor compartir cualquier mensajes tú tener en el comunidad abajo.
