Interpretación de un estudio de mezclas de mezclas¿Puedo obtener ayuda para interpretar los resultados de mi estudio de mezclas? Estoy estudiando la fricción del asfalto, específicamente los efectos del tipo de agregado, las proporciones de la mezcla de agregados en fracciones gruesas y finas, y el tipo de granulometría del asfalto.
Tipos de agregados , 6 en total:
- Clase A (alta calidad): A1, A2, A3
- Clase B (baja calidad): B1, B2, B3
Mezcla de agregados (porciones gruesas y finas)
- Mezclar porcentaje de Grueso Agregado de clase A y B en mezcla total: 0 a 50%
- Mezclar porcentaje de Bien Agregado de clase A a B en mezcla total: 0 a 50%
- Total de grueso y fino = 100%
Tipo de gradación , 2 tipos
- Tipo C
- Tipo D
Adjunto mi archivo .jmp de estudio. Me siento cómodo con el análisis de regresión multivariante, pero este tema de las mezclas me está confundiendo. Cualquier orientación para empezar es bienvenida. ¡Gracias!
Modelado estadístico avanzadoAnálisis y modelado de datos básicosExploración y visualización de datosRe: Interpretación de un estudio de mezclas de mezclasSimplemente no se proporciona suficiente información sobre la situación experimental para dar un consejo sólido (por ejemplo, ¿conoce el error del sistema de medición? ¿Cuánto importa un cambio en la fricción? ¿Qué es una unidad experimental? ¿Cómo se midió?...). No estoy seguro de entender por qué llama a esto un diseño de mezcla. Dos factores (no parece que el agregado y el tipo de gradación sean factores de mezcla) y dado que hizo proporciones en lugar de las cantidades independientes de fino y grueso. En realidad, tiene una alternativa a un diseño de mezcla (no es buena ni mala). Analice como un diseño factorial fraccional típico comenzando con el modelo que utilizó para diseñar el experimento y use el modelo de ajuste.
Bueno, revisé la tabla de datos y sigo confundido. Parece que tienes los tipos de agregados incluidos en tu diseño de mezcla de 4 componentes. ¿Confundiste esos tipos de agregados con los componentes de la mezcla?
Re: Interpretación de un estudio de mezclas de mezclasPodría ser útil un estudio de caso en la biblioteca JMP de Marie Guadard
https://community.jmp.com/t5/JMP-Sample-Data/Diseño-de-Experimentos-Ejemplo-A-Diseño-de-Mezclas-De-Mezclas/ta-p/22788
Re: Interpretación de un estudio de mezclas de mezclasGracias por tus comentarios. Mi estudio tiene componentes factoriales y mixtos.
Hay tres factores categóricos:
- Tipo Agg-Clase A (Niveles: A1, A2, A3)
- Tipo de agrónomo: Clase B (Niveles: B1, B2, B3)
- Tipo de gradación (Niveles: Tipo C, Tipo D)
Luego hay dos mezclas, donde cada una es una mezcla de dos componentes.
- Mezcla gruesa (A_Grueso + B_Grueso = 0,5)
- Mezcla de mezclas, fina (A_Fina + B_Fina = 0,5)
¿Podrías aclarar qué quieres decir con "usted utilizó proporciones en lugar de cantidades independientes de grueso y fino"? Creo que no utilicé proporciones.
- Grueso (A=0,2, B=0,3) + Fino (A=0, B=0,5) = 1,0
Dado que solo son dos componentes, ¿quieres decir que podría haber cambiado las cuatro variables de mezcla a dos variables de razón continua? (Ratio de A/B_Grueso y Ratio de A/B_Fino). Al hacer esto anteriormente, tuve problemas con el análisis de las interacciones AggType * AggRatio. (Puedo explicar estos problemas si es necesario).
Así es como se veía el diálogo del DOE.
No sé cómo llegué aquí con el modelo, pero creo que hay problemas. (1) Me faltan los efectos principales de AggType. (2) Algunos términos de interacción no tienen sentido lógico.
- La primera interacción, AggType, Clase A * AggBlend, Clase A gruesa , mostraría cómo el tipo de Agg de Clase A varía según su cantidad en la mezcla. En las pruebas donde la Clase A no está presente en la mezcla (Blend Class A = 0), su efecto no se consideraría. Sin embargo, la siguiente interacción, AggType, Clase A * AggBlend, Clase gruesa B , parece analizar exactamente lo mismo, pero a la inversa. Las restricciones de la mezcla implican que B Blend = 0,5 - A Blend.
- La interacción AggBlend, Clase gruesa A * AggBlend, Clase gruesa B no parece ser útil en absoluto. Se trata simplemente de la interacción entre A Blend y 0.5-A Blend.
Si construyo el modelo intuitivamente, obtengo lo siguiente. ¿Te parece válido?
Re: Interpretación de un estudio de mezclas de mezclasGracias. Una buena lectura. El ejemplo se refiere estrictamente a mezclas, mientras que mi situación se centra tanto en variables categóricas como en variables mixtas. Aquí es donde me equivoco.
Re: Interpretación de un estudio de mezclas de mezclasLo siento, no soy experto en los factores experimentales que estás considerando. Mi razonamiento me lleva a preguntarme si deberías intentar hacer todo esto en un solo experimento o si es mejor un enfoque secuencial. Si quieres integrar un diseño de mezcla en un diseño factorial, te sugiero leer:
Cornell, John A., 1990 "Incorporación de experimentos de mezcla dentro de experimentos factoriales", Journal of Quality Technology, vol. 22, n.º 4, octubre de 1990.
Re: Interpretación de un estudio de mezclas de mezclasComo suele ocurrir, ya es hora del diseño experimental. Los datos se recopilan y cubren decentemente el espacio de diseño. Pero necesito comprenderlos. Me cuesta configurar correctamente las variables/interacciones del modelo en JMP para mi escenario.
Gracias por tu ayuda. Le he solicitado el artículo a nuestra bibliotecaria.
Re: Interpretación de un estudio de mezclas de mezclasNo puedo ni intentaré comentar sobre el diseño ni su idoneidad. Simplemente consideré este conjunto de datos como algo que requiere análisis. Es posible que haya hecho algunas suposiciones incorrectas; de ser así, pueden ignorar esta publicación.
Como tienes dos mezclas diferentes, cada una con dos componentes, puedes simplificar el problema. En lugar de analizar con el total de cuatro componentes de la mezcla (dos por cada mezcla), ignoré los factores AggBlend, Clase Gruesa B y AggBlend, Clase Fina B. Al conocer los factores Coarse_Class A y Fine_Class A, podemos determinar los demás. Esto simplificará enormemente el análisis, ya que ahora podemos tratar todos los factores como continuos. Modifiqué tu tabla de datos para tener esto en cuenta. La tabla se adjunta aquí.
Intenté realizar el análisis. Creo que buscabas un modelo con interacciones, así que especifiqué los cinco factores con interacciones bidireccionales y utilicé la regresión gradual progresiva (con el AICc mínimo como criterio de selección) para encontrar un modelo. Los datos no permitían un modelo con interacciones bidireccionales, por lo que utilicé la regresión gradual progresiva. Durante mis exploraciones, detecté una posible varianza no constante para la fricción, así que creé y utilicé el logaritmo de la fricción como respuesta (prueba a ajustar estos modelos con la fricción como respuesta y verás la posible varianza no constante). Consulta el script "Modelo de partida..." en la tabla de datos para ver el punto de partida.
Dicho esto, encontré un modelo que parece decente. Consulte el guion del Posible Modelo Final. ¿Es realmente bueno? No lo sé. Desconozco los antecedentes de esta recopilación de datos ni la base científica de esta situación. Sin embargo, lo clave que creo haber aportado es una forma diferente de abordar este problema y, posiblemente, llegar a un resultado fácilmente interpretable, ya que se trata de un análisis de regresión típico (nada especial con un modelo de mezcla de Scheffe).
Re: Interpretación de un estudio de mezclas de mezclas¡Excelente solución @Dan_Obermiller !
Al leer los mensajes, me pregunto si realmente era necesario un diseño de mezcla, ya que el problema parece involucrar solo dos partes de formulación, cada una con dos materias primas. Por lo tanto, el uso de factores continuos y proporciones debería ser suficiente para definir el diseño.
La metodología de análisis que propones es muy similar a:
Codificación con variables continuas y mixtas para explorar más el espacio de entrada (2022-US-45MP-1103) : https://community.jmp.com/t5/Abstracts/Codificación-con-Variables-Continuas-y-Mixtas-para-Explorar-Más- ... : Esta charla muestra cómo cambiar de factores categóricos a continuos en la definición del espacio de diseño permite tener un espacio de inferencia más amplio donde es posible encontrar soluciones.
Creo que tu solución tiene una mentalidad similar, ya que permite simplificar el modelo considerando las proporciones de factores en lugar de usar factores de mezcla y un modelo de mezcla (complejo). Si @bryantw puede validar el modelo, desde la perspectiva de un experto en el dominio y con la realización de ejecuciones de validación, esto aumentaría aún más la confianza y la fiabilidad del modelo encontrado.
Re: Interpretación de un estudio de mezclas de mezclasHola Dan,
Muchas gracias por su respuesta. Me gusta simplificar el análisis. Mi mayor duda al descartar el enfoque de mezcla es la interpretabilidad en los límites. Por ejemplo, en la segunda fila de datos, la mezcla de agregados para grueso y fino es 0,0, lo que significa que no hay agregado de clase A en la mezcla, y todo es de clase B. Sin embargo, la fila tiene el tipo de agregado, clase A, como "A1". Aunque esta mezcla no contiene A1, el modelo se verá influenciado por el tipo de clase A en el término de efectos principales y en una interacción. El agregado asignado podría haber sido A1, A2 o A3; la predicción del modelo habría cambiado, aunque la mezcla real no haya cambiado.
Pienso que un modelo mixto sigue siendo apropiado.
