Video 1: Einführung in JMP 19
Video 2: Einbeziehung von Kovariaten und/oder unkontrollierten Zusatzvariablen in die DOE-Einrichtung und -Analyse.
Video 3: Berechnen der Aussagekraft Ihrer Stichprobengröße im DOE, insbesondere für In-vivo-Studien (d. h. Tierstudien), bei denen Replikate üblich und notwendig sind.
Video 4: Wie wählt man das geeignete Design für ein DoE-Experiment aus?
Q3 DOE Club Q&A zusammengestellt
- Wie sollten Kovariate und unkontrollierte Zusatzvariablen bei der Einrichtung und Analyse eines DOE behandelt werden?
Bei geplanten Experimenten treten häufig Variablen außerhalb der geplanten Faktoren auf, die als Kovariaten bezeichnet werden. Einige sind messbar, aber nicht kontrollierbar (Kovariaten, z. B. Basisgewicht, pH-Wert), während andere unkontrolliertes Rauschen darstellen (z. B. Luftfeuchtigkeit, Bedienereffekte). Werden diese ignoriert, kann dies zu größeren Fehlern führen und die wahren Faktoreffekte verschleiern.
DOE-Ansatz:
- Kovariate: Wenn messbar, fügen Sie sie dem Modell hinzu. Dies reduziert unerklärliche Abweichungen, präzisiert Schätzungen und erhöht die Aussagekraft.
- Unkontrollierte Zusatzvariablen: Wenn nicht messbar, verwalten Sie dies durch Blockieren (Gruppieren ähnlicher Bedingungen), Randomisierung (gleichmäßiges Verteilen störender Effekte) und Replikation (Schätzen der Variabilität).
Lösung:
Identifizieren Sie wahrscheinliche Kovariaten während der Definitionsphase, messen Sie sie konsistent und integrieren Sie sie in das Modell. Bei nicht messbaren Störfaktoren setzen Sie auf Blockierung, Randomisierung und Replikation. Dies gewährleistet eine sauberere Signalerkennung und zuverlässige Schlussfolgerungen, insbesondere bei komplexen biologischen oder produktionsbezogenen Versuchsplanungen.
Referenz:
https://community.jmp.com/t5/JMP-Blog/What-is-a-covariate-in-design-of-experiments/ba-p/361517
https://community.jmp.com/t5/Discussions/DOE-with-covariate/td-p/825007
https://community.jmp.com/t5/Discussions/Unexpected-change-in-controlled-variable-in-DOE/td-p/729169
https://community.jmp.com/t5/Discussions/Mixture-DOE-with-covariate-batch-effects/td-p/718593
https://community.jmp.com/t5/Learn-JMP-Events/Developer-Tutorial-Handling-Covariates-Effectively-when/ev-p/809996
https://community.jmp.com/t5/JMPer-Cable/New-in-JMP-16-Improved-covariate-handling-in-DOE/ba-p/361540
https://community.jmp.com/t5/Discussions/How-to-Account-for-Uncontrolled-Factors-Using-a-Definitive/td-p/666426
- Wie können wir die Aussagekraft einer DOE-Stichprobengröße berechnen, insbesondere bei In-vivo- Studien (Tierstudien), bei denen Replikate üblich und notwendig sind?
Bei In-vivo- Studien ist die Stichprobengröße aus Kosten-, Ethik- und Machbarkeitsgründen begrenzt. Zu wenige Tiere führen zu einer geringen Aussagekraft (Risiko, echte Effekte zu übersehen), während zu viele Tiere Ressourcen verschwenden und ethische Bedenken aufwerfen können.
DOE-Ansatz:
- Leistungist die Wahrscheinlichkeit, einen echten Effekt bei gegebener Stichprobengröße, Effektgröße, Variabilität und Signifikanzniveau zu erkennen.
- Replikatesind in Tierstudien besonders wichtig, da die biologische Variabilität hoch ist.
- Die Power- und Stichprobenumfang-Plattform von JMPermöglicht Ihnen, vor der Durchführung der Studie verschiedene Szenarien zu simulieren.
Lösung:
Schätzen Sie die erwartete Variabilität anhand von Pilotdaten oder Literatur ab. Verwenden Sie eine Power-Analyse, um die Mindestanzahl an Replikationen zu bestimmen, die für eine akzeptable Power erforderlich ist (üblicherweise 80 %). Wenn Ressourcenbeschränkungen die Stichprobengröße begrenzen, sollte die Versuchsplanung so konzipiert werden, dass sie sich auf die kritischsten Faktoren konzentriert und Blockierungen oder Kovariaten zur Reduzierung des Rauschens in Betracht zieht. Dies schafft ein Gleichgewicht zwischen statistischer Genauigkeit und ethischen und finanziellen Gegebenheiten.
Referenz:
https://community.jmp.com/t5/Discussions/How-to-use-sample-size-and-power-for-factorial-DoE-to-determine/td-p/380872
https://community.jmp.com/t5/Discussions/Power-calculations-to-determine-sample-and-replication-of/td-p/552299
https://community.jmp.com/t5/Discussions/Sample-Size-for-DOE/td-p/237085
https://community.jmp.com/t5/Discussions/Power-Equation/td-p/53219
https://community.jmp.com/t5/Discussions/Should-I-consider-power-analysis-in-DOE/td-p/501063
https://community.jmp.com/t5/Discussions/DoE-How-to-treat-replicate-measurements/td-p/18588
https://community.jmp.com/t5/Discussions/Power-Analysis-in-Design-Evaluation-DOE/td-p/65472
https://community.jmp.com/t5/Discussions/Doe-and-replications/td-p/565281
https://community.jmp.com/t5/Learning-Center/Sample-Size-Explorers-DOE/ta-p/414885
https://community.jmp.com/t5/Discussions/quot-Animals-quot-Split-Plot-DOE/td-p/546140
- Wie bestimmen wir beim Entwurf eines DOE-Explorationspfads die Anzahl der Experimente, die zum Erreichen bestimmter Ziele (wie z. B. Abdeckung des Designraums oder Verringerung der Unsicherheit) erforderlich sind, und wie kann dies mit Ressourcenbeschränkungen in Einklang gebracht werden?
Bei der Planung eines Versuchsaufbaus besteht immer ein Spannungsfeld zwischen der idealen Anzahl von Durchläufen (um den Entwurfsraum abzudecken und Unsicherheiten zu reduzieren) und der maximal möglichen Anzahl von Durchläufen aufgrund von Zeit-, Kosten- oder ethischen Einschränkungen. Ohne sorgfältige Planung riskieren Sie entweder zu schwache Ergebnisse oder Ressourcenverschwendung.
DOE-Ansatz:
- Verwenden Sie Designdiagnosen (wie Vorhersagevarianzprofile, Designraumabdeckung und Aliasing-Strukturen), um zu quantifizieren, wie gut ein Kandidatendesign den Faktorraum erkundet.
- Wenden Sie eine Power-Analyse an, um zu prüfen, ob mit der gewählten Stichprobengröße Effekte von praktischer Bedeutung erkannt werden können.
- Erkunden Sie sequenzielle/iterative Designs (wie Bayes Opt), indem Sie im Kleinen beginnen und nur bei Bedarf erweitern, anstatt alle Ressourcen im Voraus bereitzustellen.
Lösung:
Definieren Sie die experimentellen Ziele klar (Effekterkennung, Response Surface Mapping oder Robustheitstests). Nutzen Sie anschließend DOE-Tools, um mögliche Designs anhand dieser Ziele unter Berücksichtigung der vorgegebenen Ressourcen zu bewerten. Sollten die maximal zulässigen Experimente keine ausreichende Abdeckung oder Aussagekraft bieten,
- den Untersuchungsumfang auf kritische Faktoren und Reaktionen beschränken oder
- eine stufenweise Designstrategie anwenden. Dadurch wird sichergestellt, dass das DOE auch bei Einschränkungen aussagekräftige und vertretbare Erkenntnisse liefert.
https://community.jmp.com/t5/Discussions/how-JMP-design-the-number-of-runs-for-Default-under-DOE-custom/td-p/662940
https://community.jmp.com/t5/Discussions/JMP-Custom-DOE-vs-Full-Factorial-DOE/td-p/256413
https://www.jmp.com/content/dam/jmp/documents/en/support/jmp111/DOE_Guide.pdf
https://community.jmp.com/t5/Learn-JMP-Events/Understanding-DOE-Capabilities-in-JMP/ev-p/809981
- Wie wählt man am besten das geeignete Versuchsdesign für eine DOE-Studie aus?
Durch die Auswahl eines ungeeigneten Designs besteht die Gefahr, dass Ressourcen verschwendet werden und die Fragen der Studie nicht beantwortet werden.
DOE-Ansatz:
- Design an Ziel anpassen:
Screening : Fraktioniertes faktorielles, definitives Screening-Design (DSD).
Optimierung/Krümmungsmodellierung : Response Surface Designs (Central Composite, Box–Behnken).
Mischung/Formulierungen: Simplex-Gitter, Simplex-Schwerpunkt oder raumfüllende Mischungsdesigns.
Robustheit/Lärm: Taguchi oder robuste Designs.
- Benutzerdefiniertes Design in JMP: Wenn Standardkatalogdesigns nicht passen (aufgrund ungewöhnlicher Faktortypen, Einschränkungen oder Ressourcenbeschränkungen), erstellt die Custom Design-Plattform von JMP ein Experiment, das auf Ihre Faktoren, Ihr Modell und die Anzahl der Durchläufe zugeschnitten ist.
- Überprüfen Sie immer die Diagnose (Aliasstruktur, Vorhersagevarianz, Designeffizienz), um die Auswahl zu bestätigen.
Lösung:
Definieren Sie das experimentelle Ziel klar (Screening, Optimierung, Robustheit, Mischungen). Verwenden Sie gegebenenfalls klassische Designs, aber verlassen Sie sich bei komplexen, realen Szenarien auf das benutzerdefinierte Design von JMP. Dies gewährleistet Flexibilität, effiziente Ressourcennutzung und die Ausrichtung auf die eigentliche wissenschaftliche Fragestellung.
https://www.synthace.com/blog/types-of-doe-design-a-users-guide
https://ilssi.org/how-to-choose-the-right-design-for-a-designed-experiment-doe/
https://community.jmp.com/t5/Abstracts/Design-of-Experiment-s-Crucial-Step-0-Choosing-the-Right-DOE/ev-p/738877
https://www.jmp.com/content/dam/jmp/documents/en/support/jmp111/DOE_Guide.pdf
https://www.itl.nist.gov/div898/handbook/pri/section3/pri33.htm
JMP 19 DOE-Ressourcen
Bayesianische Optimierung in JMP 19:
- Übersicht über die JMP Bayesianische Optimierungsplattform: https://www.jmp.com/en/software/bayesian-optimization
- Community-Einführung in die Bayessche Optimierung in JMP Pro 19: https://community.jmp.com/t5/JMPer-Cable/Introducing-the-Bayesian-Optimization-platform-in-JMP-Pro/ba-p/897807
- Übersicht über die neue Version von JMP 19, einschließlich Bayesscher Optimierung: https://www.jmp.com/en/software/new-release/new-in-jmp
- YouTube-Demo zur Bayesschen Optimierung von JMP Pro 19: https://www.youtube.com/watch?v=9rOqTZHpRqA
DOE-Whitepaper in JMP (allgemein und JMP 19):
- Whitepaper zu den Vorteilen von JMP DOE: https://www.jmp.com/en/resources/white-papers/doe-advantage
- Offizielle Whitepaper-Seite von JMP (einschließlich DOE-Dokumente): https://www.jmp.com/en/resources/resource-listings/by-type/white-papers
- Ausführliches JMP DOE-Whitepaper (PDF): https://www.jmp.com/content/dam/jmp/documents/en/white-papers/jmp-whitepaper-doe-advantage.pdf
- Zusätzliches DOE-Whitepaper im PDF-Format: https://www.jmp.com/content/dam/jmp/documents/en/white-papers/103044-doe.pdf
DOE-bezogene Informationen und neue Funktionen in JMP 19:
- JMP 19-Leitfaden zur Versuchsplanung (PDF): https://www.jmp.com/content/dam/jmp/documents/en/support/jmp19/design-of-experiments-guide.pdf
- Übersichtsseite zu den JMP DOE-Funktionen: https://www.jmp.com/en/software/capabilities/design-of-experiments
- Was ist neu in JMP DOE (JMP 19) mit neuen Explorern und verbesserten Tools: https://community.jmp.com/t5/JMPer-Cable/What-s-new-in-JMP-DOE/ba-p/898558
