JMP tiene un largo historial de agregar métodos útiles para ayudar al trabajo de científicos, ingenieros, investigadores y analistas. ¿Qué inspira la adición de estos nuevos métodos? A menudo, hay una historia detrás de la inspiración para incluir nuevos métodos, y en el caso de los diseños de A-óptimo, comienza con la disertación de un estudiante de doctorado llamado Jon Stallings , que ahora es profesor asistente de estadística en la Universidad Estatal de Carolina del Norte.
Nuestra propia Bradley Jones , Distinguido investigador en el JMP división, formó parte del comité de disertación de Jon, cuya disertación, Optimización ponderada general de experimentos diseñados, incluye el caso de uso motivador para agregar los criterios de optimalidad A a las capacidades de diseño personalizado en JMP.
Jon compartió sus pensamientos sobre la inclusión de los diseños de A-optimality en JMP 14:
“Calificar un diseño óptimo puede ser muy engañoso para los profesionales. Es importante que los profesionales entiendan que un diseño es óptimo con respecto a una medida de resumen del rendimiento del análisis de ese diseño. El resumen incluye una pérdida de información sobre el rendimiento de ese diseño y los profesionales deben conocer cómo se relaciona el criterio de optimalidad con sus objetivos de análisis. El criterio D es, con mucho, el criterio más popular y funciona muy bien para diseños de superficies de respuesta que ponen el mismo énfasis en la estimación de los efectos principales e interacciones. Si uno quisiera poner mayor énfasis en estimar algunos efectos sobre otros, el criterio D no sería apropiado. La inclusión de los criterios ponderados-A en JMP 14 brinda a los profesionales una mayor flexibilidad en la selección del diseño y les permite adaptar un diseño a sus objetivos específicos. La poderosa plataforma de diseño personalizado de JMP permite a los profesionales generar y comparar rápidamente diseños de la competencia según estos criterios y participar más en la selección del diseño ".
Como explica Brad, “los diseños A-óptimo y D-óptimo son similares, pero los diseños A-óptimo permiten poner un énfasis diferente en los grupos de parámetros a través de la ponderación y los criterios de optimalidad son fáciles de entender. Dependiendo de la situación, es posible que desee enfatizar más los efectos principales, o los efectos de segundo orden y los diseños A-ponderados ponderados le brindan la flexibilidad para hacerlo ".
En este ejemplo, al comparar los diseños A-óptimo y D-óptimo, el diseño A-óptimo tiene propiedades más deseables. El diseño D-óptimo tiene estructuras de correlación más desordenadas y los diagnósticos de diseño para el diseño A-óptimo son mucho mejores.
Este es un ejemplo simple, pero transmite la posibilidad de que los diseños A-óptimos le brinden flexibilidad para enfatizar algunos efectos sobre otros y crear un diseño que pueda satisfacer mejor sus necesidades.
Un criterio de optimalidad es un área de investigación relativamente nueva en diseño de experimentos , y nos complace incluirlo en JMP 14. Puede esperar publicaciones de blog más detalladas sobre las nuevas funciones del DOE más adelante en el año.
