Es bastante común que los experimentos ejecutados en una secuencia de tiempo experimenten un cambio lineal en la respuesta a lo largo del curso del experimento. Si aleatoriza el orden de las ejecuciones, entonces el efecto de esta deriva no tenderá a sesgar los efectos estimados del factor, pero aumentará la varianza de esos efectos.
¿Hay una mejor opción que la orden de ejecución aleatoria?
Por lo general, recomiendo a los investigadores que asignen al azar el orden de sus ejecuciones o al menos que asignen al azar el orden dentro de grupos homogéneos de ejecuciones (bloques). Sin embargo, si hay razones para sospechar una tendencia fuertemente lineal en la respuesta a lo largo del tiempo independientemente de los cambios de factor, entonces hay una mejor manera de proceder.
¿Cuál es esta mejor manera?
En una publicación anterior, describí cómo agregar factores de covariable a un experimento. En este caso, se podría considerar que el tiempo (u orden de ejecución) es un factor covariable. Para hacer un diseño robusto a la tendencia, comience creando una tabla de datos que tenga una columna. Podrías llamarlo "Orden". Para hacer este ejemplo específico, crearé un experimento de 16 ejecuciones. Así que mi tabla de datos para el factor de covariable, Orden, tiene 16 filas con los números del 1 al 16 en orden. Guardo mi tabla y la llamo Orden.jmp.
A continuación, abro el Diseñador personalizado y agrego Orden como factor de covariable. Para el ejemplo, también agrego siete factores continuos y los llamo de la A a la G. La Figura 1 muestra la interfaz de diseño personalizado después de ingresar los factores. El modelo asumido contiene los efectos principales de todos los factores.
Quiero el diseño más eficiente posible, por lo que voy al menú del triángulo rojo y selecciono el elemento Número de inicios. Esta opción controla la cantidad de veces que el diseñador comienza desde un diseño de inicio aleatorio para tratar de encontrar el mejor diseño posible. Elegí 100,000 arranques aleatorios, que tomaron 33 segundos en mi computadora portátil.
La Figura 2 muestra el mapa de colores de correlación del diseño que creé. Los factores A a G son ortogonales entre sí. El orden es ortogonal a A, B, E y F. Se correlaciona con C, D y G, pero la correlación es solo 0.0271. Estas correlaciones conducen a una variación de la inflación de menos del 0.1% para los efectos principales asociados.
La Tabla 2 muestra el orden de ejecución y la configuración del factor para cada ejecución.
Línea de fondo
No siempre es posible hacer que el orden de ejecución sea tan ortogonal a los efectos del factor como en este ejemplo. Sin embargo, incluso si hay correlaciones más sustanciales entre la columna Orden de ejecución y otras columnas en el diseño, incluyendo Orden de ejecución como un factor en el análisis de las cuentas de datos para cualquier efecto de tendencia lineal y permite la estimación precisa de los otros efectos factoriales .
