Quando ho creato il progetto di screening definitivo a quattro fattori discusso in il mio precedente post sul blog , Ero entusiasta di provare la nuova tecnica di Bradley Jones presentato al JMP Discovery Summit . Guardando le auto colorate, ho notato alcuni risultati promettenti e una vasta gamma di colori.
La nuova tecnica prevede l'adattamento di un modello di effetti principali e l'utilizzo degli effetti principali per i fattori "falsi" utilizzati per creare il progetto ma non i fattori reali modificabili (in questo caso ce ne sono stati due, poiché il progetto era basato su un fattore definitivo a sei fattori disegno di screening) per fornire una stima dell'errore puro. Un'analisi più dettagliata utilizzando questo metodo verrà salvata per un altro giorno, poiché ho avuto un effetto significativo: regolazione del calore . Tuttavia, sembrava che ci fosse troppo rumore basato sui miei precedenti esperimenti, e il aceto quello era così promettente nell'ultimo esperimento che non c'era più. Ho dato una rapida occhiata a Graph Builder e non sono stato sorpreso dal fatto che non ci fosse alcun effetto principale per l'aceto:
Questo diventa ancora più pronunciato quando si guardano i residui (dall'adattamento all'impostazione e al blocco del calore) rispetto all'aceto:
Tipicamente, quando sto montando un modello da un esperimento progettato, seguo il principio dell'effetto ereditario , il che significa che non aggiungerò un termine di secondo ordine a meno che il / i componente / i principale / i di effetto sia significativo. Tuttavia, ciò non sembra valere per questi dati. Se osservate l'impostazione di rating vs. heat, e sovrapponi l'aceto, sembra che ci sia un'interazione con l'impostazione del calore e la quantità di aceto:
Ho fatto qualche altra indagine con altri effetti, in particolare con il tempo. Questo perché, con l'impostazione del calore che è così significativa (e suggerisce un alto calore), il tempo dovrebbe essere preso in considerazione. Dopo tutti i modelli che ho inserito, nel modello finale, il tempo è stato significativo. Ho anche mantenuto gli effetti quadratici per il tempo e l'aceto, poiché erano marginalmente significativi:
Lo noterai tempo si presenta significativo nel modello finale. La stima di per sé non cambia rispetto al modello degli effetti principali, poiché gli effetti principali sono ortogonali a tutti gli effetti principali e agli effetti del secondo ordine. Tuttavia, l'errore standard è stato ridotto perché la variazione del rating deriva dai termini del secondo ordine nel modello.
Conferma dell'esperimento
Ora che avevo il modello finale, avevo bisogno di vedere come funziona. Usando l'opzione Massimizza desiderabilità dal menu a triangolo rosso nel Profiler, sembra che il 50% di aceto per 23 minuti sull'impostazione del calore 3 sia il migliore.
Si scopre che posso tingere più auto all'interno di un lotto di liquido (hmm ... che suona come il punto di partenza di un progetto a trama divisa in futuro). Ho usato il 50% di aceto con l'impostazione 3 del calore e la quantità più bassa di colorante per tre auto, portandole fuori a 10, 20 e 30 minuti. Il pensiero era che i 20 minuti dovrebbero essere l'ideale. Da sinistra a destra, le macchine qui non sono tinte, 30 minuti, 20 minuti e 10 minuti:
Mi aspettavo che le auto dei 20 e dei 30 minuti stessero bene, e sono stato contento dei risultati. In effetti, preferisco l'auto da 20 minuti, poiché 30 minuti a fuoco alto fanno sì che la plastica nell'auto inizi a sciogliersi.
Pensieri finali
Mentre il principio dell'effetto ereditario si basa su studi empirici, a volte non regge, e devi iniziare a indagare se hai perso alcuni effetti di secondo ordine. Il progetto di screening definitivo ha funzionato bene in questo caso. Questo perché, a differenza del solo utilizzo dei punti centrali, non solo potevo rilevare la possibilità di effetti quadratici, ma potevo anche stimarli.
Se si confrontano i risultati per le auto rosse nel primo esperimento, è incredibile vedere la differenza dopo due esperimenti di follow-up. Ho un senso molto migliore di ottenere anche altri colori, specialmente con il Profiler. Per esempio, se voglio colori medi, non posso usare aceto e calore, mentre i colori chiari non comportano calore con dell'aceto. (Se hai perso qualcuno di questi esperimenti, dai un'occhiata a tutta la serie di auto tinteggiate di tintura .)
Voglio ancora un progetto di screening definitivo per provare la nuova tecnica di analisi. Eventuali suggerimenti? Grazie per aver letto!
Ryan Lekivetz ha scritto:
Ciao Richard,
Il documento che descrive l'analisi di Bradley Jones e Christopher Nachtsheim è imminente.
Il problema che ho avuto è stato che l'analisi si basa sull'eredità dell'effetto: cerca importanti effetti principali nel primo passaggio e il secondo passo cerca gli effetti del 2 ° ordine dagli importanti effetti principali. In questo esempio, l'aceto e il tempo avevano effetti quadratici, ma gli effetti principali non erano abbastanza grandi per essere raccolti nel primo passaggio. In effetti, l'effetto principale per l'aceto è quasi 0.
Per 3 fattori continui e un blocco, dovresti essere in grado di utilizzare 3 fattori falsi e rimanere a 14 punti. Questi 3 fattori falsi forniscono 3 df per stimare l'errore nel primo passaggio.
Dai video, hai notato l'idea di partizionare la risposta. Per il tuo caso, gli effetti principali dei 3 continui (e dei 3 fattori falsi) vanno nello spazio dispari, mentre gli effetti del blocco e del secondo ordine nello spazio pari. Il primo passo utilizza una stima dell'errore con il 3 df dai fattori fasulli per cercare gli effetti principali. Eventuali effetti principali non selezionati nella prima fase vengono aggiunti all'errore (stima e gradi di libertà) utilizzati nella seconda fase.
Stiamo lavorando per risolvere il componente aggiuntivo, ma se si dispone di una versione di uno degli eventi, è necessario specificare solo i 3 fattori e blocchi continui. Suggerirei di simulare alcuni dati creando una colonna formula e provando alcuni modelli nell'add-in. Nel documento che ho citato sopra, ci sono risultati eccellenti riguardo alla potenza quando ci sono tutti i fattori continui rispetto ad altre selezioni di modelli. Stiamo lavorando a più simulazioni quando ci sono fattori categoriali e di blocco, ma tutto sembra a posto.
Spero che sia d'aiuto!
Ryan
Richard Steger ha scritto:
Dr. Lekivetz - Ho letto i tuoi post sul blog recenti su DSD utilizzando fattori falsi. Sono curioso di sapere se hai fatto progressi o pubblicato qualcosa sull'analisi più dettagliata "Un'analisi più dettagliata usando questo metodo verrà salvata per un altro giorno, poiché ho avuto un effetto significativo: l'impostazione del calore."
Sto lavorando su un DSD e penso che utilizzare i fattori falsi sarebbe utile. Stiamo sperimentando additivi per asfalto a diversi livelli di dosaggio e misurando gli effetti utilizzando i test standard della miscela di asfalto. Trovo che posso ottenere un'efficienza D più elevata (~ 78,6) quando utilizzo 3 fattori continui, 2 fattori falsi e un blocco. Questo aggiunge fino a 14 corse. Tuttavia, mi piacerebbe trovare ulteriori informazioni su come analizzare questo progetto utilizzando fattori falsi prima di iniziare l'esperimento.
Ho partecipato al seminario di Jones DSD a Houston alla conferenza tecnica dell'ottobre 2015 e ho cercato di leggere il più possibile questo approccio di progettazione. Ho anche visto il video pubblicato dal Summit a San Diego.
Grazie,
Richard
Grazie per aver condiviso i risultati del tuo studio. Se sei interessato alle auto, in particolare alle auto elettriche. Questo interesserà te e i tuoi lettori: https://trustedbrokers.com/uk/stocks/NIO/ . Il prezzo delle azioni di NIO è stato sulle montagne russe ed è difficile capire cosa pensarne.
