Covariables y diseño de cribado definitivoHola,
¿Es posible utilizar también covariables en relación con un diseño de detección definitivo, o eso sólo es posible, por ejemplo, en un diseño personalizado?
Saludos
Klaus
Diseño de experimentosRe: Covariables y diseño de cribado definitivoHola @NominalGemsbok3 ,
Los diseños de detección definitivos solo pueden manejar factores numéricos continuos o factores categóricos de 2 niveles.
Obtenga más información sobre los diseños de detección definitivos en la Ayuda de JMP.
Los diseños personalizados pueden manejar muchos tipos de factores .
Espero que esta respuesta te ayude.
Re: Covariables y diseño de cribado definitivoSin embargo, parece que hay una solución alternativa en la que se puede agregar la covariable como una variable continua directamente en Construir efectos del modelo .
Re: Covariables y diseño de cribado definitivoLas covariables son un tipo específico de factor : " Los valores de un factor covariable son mediciones en unidades experimentales que se conocen de antemano de un experimento".
A menos que las combinaciones de niveles de covariables y niveles de factores coincidan con los necesarios para un diseño de detección definitivo (en cuyo caso, solo puede especificarlos como factores continuos), tendrá que utilizar la plataforma de diseños personalizados .
Puede utilizar un diseño D-Óptimo Bayesiano con covariables y obtener rendimientos similares al DSD: https://www.linkedin.com/posts/victorguiller_doe-experimentaldesign-datascience-activity-7254386032484184066-VAfN
Espero que esto aclare la respuesta.
Re: Covariables y diseño de cribado definitivoMuchas gracias, este enfoque es muy interesante. Pero espero que me disculpen por necesitar más aclaraciones; el experimento es muy importante, requiere mucho tiempo y también es costoso.
a) ¿ Qué quiere decir: “A menos que las combinaciones de niveles de covariables y niveles de factores coincidan con las requeridas para un Diseño de Detección Definitivo (DSD)…” ?
En nuestro ejemplo, se vería así: tenemos los siguientes factores y niveles de factores en nuestro DSD:
1 0 1 1 1 1 No
1 0 -1 -1 -1 -1 Sí
2 1 0 1 1 -1 No
2 -1 0 -1 -1 1 Sí
1 1 -1 0 1 1 Sí
1 -1 1 0 -1 -1 No
2 1 -1 -1 0 1 No
2 -1 1 1 0 -1 Sí
1 1 1 -1 -1 0 No
1 -1 -1 1 1 0 Sí
2 1 -1 1 -1 -1 No
2 -1 1 -1 1 1 Sí
1 1 1 -1 1 -1 Sí
1 -1 -1 1 -1 1 No
2 1 1 1 -1 1 Sí
2 -1 -1 -1 1 -1 No
1 0 0 0 0 0 Sí
1 0 0 0 0 0 No
2 0 0 0 0 0 Sí
2 0 0 0 0 0 No
La primera columna representa un bloque y la última una variable categórica .
Para cada fila, es decir, para cada ejecución experimental, tenemos un valor medido correspondiente, digamos una frecuencia , que pertenece clara y únicamente a esa ejecución específica y que nos gustaría usar como covariable .
¿Sería eso aceptable?
b) Tenía la impresión de que en un diseño bayesiano existen más correlaciones y diferentes. ¿Son comparables o equivalentes los resultados obtenidos con ambos métodos?
Re: Covariables y diseño de cribado definitivoHola @NominalGemsbok3 ,
a) Respuesta corta: puedes.
Respuesta larga: Depende de lo que represente esta "covariable", respecto al contexto de tu estudio:
- Si esta "covariable" solo se puede medir o conocer después de preparar la ejecución con sus niveles de factor específicos, es similar a una respuesta (no una covariable), por lo que el enfoque parece aceptable. Podría añadir esta medida como un factor "no controlado" en su modelo, pero podría tener que tener cuidado con la multicolinealidad o las correlaciones entre los factores y la "covariable", por ejemplo, en su modelo.
- Si puede evaluar/calcular este valor de covariable en función de los niveles de factor (una covariable "verdadera" según la definición en la Ayuda de JMP), antes de preparar la ejecución, consideraría usar este factor de covariable directamente en el diseño (es decir, usar un diseño personalizado) para asegurarse de que los valores de covariable estén equilibrados en todas las demás combinaciones/ejecuciones de niveles de factor.
Espero que esto responda a tu primera pregunta (difícil sin ningún contexto, más información y/o un conjunto de datos de juguete para visualizar el problema).
b) El diseño bayesiano ofrece cierta flexibilidad según el número de ejecuciones disponibles y el criterio de optimalidad elegido. Cuanto mayor sea la restricción en el número de ejecuciones (menos ejecuciones), mayor será la correlación entre los términos de efecto.
Respecto a la posible correlación entre los efectos principales y los efectos de interacción, probé un diseño D y Alias-Óptimo para 5 factores continuos, 1 factor categórico de dos niveles y 1 efecto de bloqueo (2 ejecuciones por bloque) con 30 ejecuciones (todas las estimaciones de los efectos de interacción establecidas en " Si es posible ") y el mapa de correlación no muestra correlación entre los efectos principales y los efectos de interacción:
Todavía existen algunas correlaciones menores entre los efectos de bloque y los efectos principales o entre los efectos de bloque y los efectos de interacción.
Cabe destacar que, en esta situación, un diseño solo para efectos principales habría requerido un mínimo de 14 ejecuciones, y para efectos principales + interacciones, un mínimo de 44. El diseño bayesiano D-Óptimo permite esta flexibilidad en el tamaño de las ejecuciones, a la vez que conserva la posibilidad de detectar efectos de interacción.
Espero que esta respuesta aclare tu pregunta.
Re: Covariables y diseño de cribado definitivoBien, permítanme explicarlo con más precisión. Tenemos cinco factores continuos y un factor categórico, y 20 ejecuciones experimentales, es decir, 20 combinaciones diferentes de niveles de factor (no podemos realizar más ejecuciones en este primer paso). Para cada una de estas combinaciones, es decir, para cada una de las 20 ejecuciones experimentales, determinamos una cantidad en una prueba preliminar (la frecuencia natural del objeto). Este valor no se puede controlar; simplemente lo tomamos tal como es. No es controlable, pero de alguna manera resulta de la combinación de niveles de factor y, por lo tanto, debe asignarse a esa combinación específica. Así, para la combinación 1, la frecuencia natural correspondiente es X1 (y solo esa); para la combinación 2, es la frecuencia X2, y así sucesivamente. Por lo tanto, dado que estos valores deben asignarse de forma única a una combinación específica, no entiendo qué podría equilibrar JMP en este caso. ¿Podrían explicarme esto de nuevo?
Re: Covariables y diseño de cribado definitivoBien, en este contexto, te encuentras en la primera situación descrita en el punto a) de mi respuesta. No podrás equilibrar estos valores en el diseño porque no los conoces de antemano, por lo que este factor no está controlado , como la temperatura ambiente registrada durante los experimentos, y no es una covariable.
Puedes crear cualquier diseño que desees y registrar estos valores después, agregando este efecto de factor incontrolable en el modelo.
Re: Covariables y diseño de cribado definitivoDisculpa, pero ¿de dónde sacaste la definición de covariable? No es necesario conocer los valores antes del experimento. La covariable es una variable de ruido independiente medible (un factor que no se puede controlar) que varía a lo largo del experimento. Covaría con la Y. Al ser una variable aleatoria, para analizarla, debes añadirla al modelo. Esto requiere crear un modelo mixto (con efectos fijos y aleatorios).
Re: Covariables y diseño de cribado definitivoHola @statman ,
He enumerado la fuente de la definición de covariable en mi respuesta, consulte la Ayuda de JMP relacionada con las definiciones de tipo de factor: https://www.jmp.com/support/help/es/18.2/#page/jmp/factors.shtml
La situación que describes se refiere a un factor no controlado en JMP. Simplemente usé los mismos términos para evitar confusiones o malentendidos. Espero que lo entiendas.
Mejor,
Re: Covariables y diseño de cribado definitivoLo siento, no vi la fuente. Pero esa no es la definición más aceptada de covariable. No es necesario conocer a priori los valores de la covariable. La covariable debe identificarse y medirse.
