Piastre a 24 pozzetti profondi con fattori difficili da modificareCIAO,
Sto allestendo un esperimento utilizzando piastre a 24 pozzetti profondi, con 5 fattori, tra cui 2 sono temperatura e tempo. Questi sono fattori difficili da modificare, poiché la piastra a pozzetti profondi deve essere lasciata nel congelatore o nel riscaldatore per un certo periodo di tempo, mentre gli altri 3 parametri possono variare tra i pozzetti profondi della piastra.
Mi chiedevo se fosse necessario impostare un DoE utilizzando fattori difficili da modificare e ottenere un DoE a trama intera, inducendo un errore di effetto casuale. In alternativa, potrei semplicemente impostare quei fattori come facili da modificare e quindi ordinare la tabella DoE per temperatura e tempo, ottenendo essenzialmente lo stesso layout del DoE. So che in quest'ultimo caso la randomizzazione verrebbe "violata", ma sospetto che in questo caso non dovrebbe essere un problema, dato che ogni piastra verrà comunque riempita separatamente. Quindi immagino che l'ordine di esecuzione non sia importante, dato che non c'è "effetto memoria".
Il motivo per cui si evitano fattori difficili da modificare è che il numero ottimale di esecuzioni (e di conseguenza di piastre) aumenta, e sono piuttosto limitati. Inoltre, la diagnostica DoE (matrice di correlazione, varianza di previsione) appare peggiore. Inoltre, il design con fattori difficili da modificare non è bilanciato, quindi alcune combinazioni di fattori non compaiono, contrariamente a quanto avviene con fattori facili da modificare.
Ogni pensiero o commento sarà apprezzato. Grazie.
Progettazione degli esperimentiRe: Piastre a 24 pozzetti profondi con fattori difficili da modificareCiao @aatw ,
Sì, l'impostazione del DoE tramite una configurazione Split-plot (con fattori "difficili da modificare") è necessaria in questo caso per diversi motivi:
- La creazione diretta del progetto tramite una configurazione Split-plot garantisce che le esecuzioni siano bilanciate tra i blocchi e all'interno dei blocchi. Riorganizzare le esecuzioni "manualmente" potrebbe portare a un piccolo squilibrio tra o all'interno dei blocchi (e potenzialmente all'introduzione di bias/rumore da parte di questa disposizione manuale), che sarebbe meno ottimale rispetto alla disposizione delle esecuzioni proposta dalla struttura di progettazione Split-plot.
- Ancora più importante, ci sono due "strutture" nel tuo apparato sperimentale: una struttura a piastra, in cui temperatura e tempo vengono applicati a un'intera piastra, e una struttura a pozzetti, in cui ogni pozzetto può ricevere una combinazione dei tre fattori "Facili da modificare". Questo crea una forte differenza nel grado di libertà utilizzato per l'analisi tra i fattori "Difficili da modificare" e "Facili da modificare", che non verrà presa in considerazione se organizzi le analisi manualmente, poiché l'analisi verrà eseguita in modo errato con lo stesso grado di libertà per ogni fattore. Quindi le tue stime, gli intervalli di confidenza e i valori p per i fattori "Difficili da modificare" saranno distorti e stimati in modo falsamente (ottimistico).
- L'effetto casuale garantisce inoltre di catturare qualsiasi variazione da piastra a piastra, il che può aiutare a stimare meglio i fattori "facili da modificare". Se non si utilizza questo effetto casuale attraverso un disegno a diagramma diviso, la varianza da piastra a piastra verrà sommata al resto della varianza inspiegata, che potrebbe nascondere alcuni effetti. Il disegno a diagramma diviso offre un'elevata precisione nelle stime, ad eccezione degli effetti principali del diagramma intero.
Nella tua analisi, gli effetti principali legati ai fattori "Difficili da modificare" vengono comunque lasciati nel modello. Si noti che i fattori "Facili da modificare" e le interazioni tra i fattori "Facili -" e "Difficili da modificare" hanno una potenza maggiore, con conseguenti stime migliori.
Per il tuo caso d'uso specifico, se puoi permetterti 5 piastre, ciascuna con un pozzo profondo 24, la valutazione del progetto sembra piuttosto positiva:
Ho allegato il modello Split-plot utilizzato, nel caso in cui vogliate valutarlo.
Riguardo alla tua preoccupazione per la mancata apparizione di alcune combinazioni di fattori, c'è una ragione pratica specifica per includerne alcune? In caso affermativo, potresti preparare un set di candidati con tutte le combinazioni che vorresti avere nel progetto e utilizzarlo come fattori di covariazione: Progetto con covariate difficili da modificare
Guarda il discorso di Christopher Gotwalt sull'approccio del set di candidati: Candidate Set Designs: Tailoring DOE Constraints to the Problem (2021-EU-30MP-78... - Community di utenti JMP
Maggiori informazioni sui progetti Split-plot:
Progetti a trama divisa
Lezione_13
Post di LinkedIn sui progetti Split-plot
Progetti con restrizioni di randomizzazione
Registrazione DOE Club con Jacqueline Asscher e Phil Kay - Comunità di utenti JMP
Spero che questa risposta ti sia d'aiuto,
