Hola,
Estoy preparando un experimento con placas de 24 pocillos profundos, con 5 factores, entre los cuales 2 son la temperatura y el tiempo. Estos factores son difíciles de modificar, ya que la placa debe estar en el congelador o en el calentador durante un tiempo determinado, mientras que los otros 3 parámetros pueden variar entre los pocillos profundos de la placa.
Me preguntaba si es necesario configurar un DoE con factores difíciles de modificar y obtener un DoE de toda la parcela, lo que induciría un error de efecto aleatorio. Como alternativa, podría simplemente indicar esos factores como fáciles de modificar y luego ordenar la tabla de DoE por temperatura y tiempo, obteniendo un diseño de DoE similar. Sé que en este último caso se violaría la aleatorización, pero sospecho que esto no debería ser un problema, dado que cada placa se llenará por separado. Por lo tanto, supongo que el orden de ejecución no es importante, ya que no hay efecto memoria.
La razón para evitar los factores difíciles de modificar es que el número óptimo de ejecuciones (y, en consecuencia, de placas) aumenta, y estoy bastante limitado. Además, el diagnóstico de DoE (matriz de correlación, varianza de predicción) es menos efectivo. Asimismo, el diseño con factores difíciles de modificar no está equilibrado, por lo que algunas combinaciones de factores no aparecen, a diferencia de cuando se utilizan factores fáciles de modificar.
Cualquier idea o comentario será bienvenido. Gracias.
Hola @aatw ,
Sí, la configuración del DoE mediante una configuración de parcela dividida (con factores "difíciles de cambiar") es necesaria aquí por varias razones:
- La creación directa del diseño mediante una configuración de parcela dividida garantiza el equilibrio entre los bloques y dentro de ellos. Reorganizar los recorridos manualmente podría generar un pequeño desequilibrio entre los bloques o dentro de ellos (y posiblemente la introducción de sesgo/ruido debido a esta disposición manual), lo cual sería menos óptimo que la disposición de los recorridos propuesta por la estructura de diseño de parcela dividida.
- Más importante aún, existen dos "estructuras" en su configuración experimental: una estructura de placa, donde la temperatura y el tiempo se aplican a toda la placa, y una estructura de pocillo, donde cada pocillo puede recibir una combinación de los tres factores "fáciles de modificar". Esto crea una marcada diferencia en los grados de libertad utilizados para el análisis entre los factores "difíciles de modificar" y "fáciles de modificar". Esta diferencia no se tendrá en cuenta si se organizan las ejecuciones manualmente, ya que el análisis se realizará incorrectamente con el mismo grado de libertad para cada factor. Por lo tanto, sus estimaciones, intervalos de confianza y valores p para los factores "difíciles de modificar" estarán sesgados y se estimarán de forma errónea (optimista).
- El efecto aleatorio también garantiza capturar cualquier variación entre platos, lo que puede ayudar a estimar mejor los factores "fáciles de cambiar". Si no se utiliza este efecto aleatorio mediante un diseño de parcela dividida, la varianza entre platos se combinará con el resto de la varianza no explicada, lo que puede ocultar algunos efectos. El diseño de parcela dividida ofrece alta precisión en las estimaciones, excepto para los efectos principales de toda la parcela.
En su análisis, los principales efectos asociados a los factores "difíciles de cambiar" se conservan en el modelo. Tenga en cuenta que los factores "fáciles de cambiar" y las interacciones entre estos factores tienen mayor potencia, lo que resulta en mejores estimaciones.
Para su caso de uso específico, si puede permitirse 5 placas, cada una con 24 pocillos profundos, la evaluación del diseño parece bastante positiva:
Adjunto el diseño de parcela dividida utilizado si deseas evaluarlo.
En cuanto a su preocupación por la ausencia de algunas combinaciones de factores, ¿existe alguna razón práctica específica para incluirlas? De ser así, podría preparar un conjunto de candidatos con todas las combinaciones que desea incluir en el diseño y utilizarlo como factores de covarianza: Diseño con covariables difíciles de modificar.
Vea la charla de Christopher Gotwalt sobre el enfoque de conjuntos de candidatos: Diseños de conjuntos de candidatos: adaptación de las restricciones DOE al problema (2021-EU-30MP-78... - Comunidad de usuarios de JMP
Más información sobre diseños de parcelas divididas:
Diseños de parcelas divididas
Lección_13
Publicación de LinkedIn sobre diseños de parcelas divididas
Diseños con restricciones de aleatorización
Grabación del DOE Club con Jacqueline Asscher y Phil Kay - Comunidad de usuarios de JMP
Espero que esta respuesta te ayude.
