Hola a todos, soy nuevo en JMP y DOE, y aquí está la pregunta:
Si tengo un factor (grosor de la muestra) incontrolable, pero que se puede medir al medir las respuestas de la ejecución (es decir, al finalizar la ejecución), el grosor de la muestra no se puede medir antes de la ejecución, por lo que no puedo registrarlo con antelación ni utilizarlo como covariable. Este factor incontrolable de grosor varía estáticamente en una distribución normal y es independiente de otras variables, ya que se relaciona con la preparación de la muestra para cada ejecución. Este factor incontrolable interactúa con otros factores controlables y, en conjunto, afecta la lectura de la respuesta.
En esta situación, ¿cómo investigo el efecto de este factor incontrolable? ¿Podría definirlo como tal en el DOE personalizado e incluir sus interacciones en la sección "Modelo"? ¿Y registrar los valores de espesor después de cada ejecución y luego ejecutar el modelo como de costumbre?
Segunda pregunta, para mejorar el diseño, ¿podría aumentar intencionalmente el "número de ejecuciones repetidas", pero en lugar de repetir ejecuciones, ¿puedo simplemente preparar múltiples muestras en cada ejecución y medirlas todas (cada muestra tendrá un espesor diferente, pero el resto permanecerá igual), de modo que el modelo pueda dilucidar mejor su impacto en la respuesta?
Muchas gracias
Hola @AtribuidoBurro ,
¡Bienvenidos a la comunidad!
Lamento que no hayas recibido respuesta antes.
Tienes razón, si existe un factor incontrolable como el grosor de la muestra, lo mejor es considerarlo e incluirlo como tal en el diseño. De esta forma, el factor incontrolable seguirá formando parte del modelo.
Respecto a su segunda pregunta, tengo una duda: ¿planea agregar repeticiones a su diseño, o replicar su diseño por completo, pero preparando y ejecutando las repeticiones de forma aleatoria e independiente? ¿O desea preparar varias muestras del mismo tratamiento y ejecutarlas simultáneamente?
- En la primera opción, puede agregar fácilmente réplicas de ejecución en su diseño personalizado o replicar completamente su diseño utilizando la plataforma de diseño Augment .
- En la segunda opción, añadirás una restricción de aleatorización a tu diseño, mediante la creación de "bloques de experimentos" con los mismos niveles de factor. Podrías especificar uno o varios de tus factores utilizados para la preparación de muestras como " difíciles de cambiar " y los demás como "fáciles de cambiar" para crear esta restricción de aleatorización; luego tendrás que especificar el número de parcelas completas, es decir, el número de veces que los factores "difíciles de cambiar" variarán en el diseño. Dependiendo del número total de ensayos (múltiplo del número de parcelas completas), la estructura de tu diseño se organizará en p parcelas completas de k ensayos cada una, para un total de p*k=n ensayos en tu diseño. Esta estructura de diseño se denomina diseño de parcelas divididas . Esta estructura de diseño ofrece ensayos más fáciles de realizar (debido a la restricción de aleatorización), pero a costa de una menor potencia para los factores difíciles de cambiar y un modelo ligeramente más complejo (añadiendo la estimación de un efecto aleatorio para el efecto de la parcela completa).
Espero que esta respuesta tardía aún pueda ayudarte.
Realmente no hay suficiente información para brindar asesoramiento específico, pero aquí hay algunas opciones. Siempre surge la pregunta: ¿estás tratando de explicar la variación en el resultado o de desarrollar una comprensión causal con fines predictivos?
Por simple curiosidad, ¿cómo sabes que existe una interacción entre el grosor de la muestra y los demás factores? ¿O se trata de una hipótesis? ¿De dónde obtuviste los datos que la respaldan?
¿Han realizado algún muestreo? Quizás podrían utilizar el muestreo del proceso de preparación para comprender la consistencia y cuánto varía.
Dado que estás "preparando la muestra", ¿puedes experimentar con el proceso de preparación, variando deliberadamente los factores asociados? Si es así, puedes realizar un experimento sobre la preparación como una parcela completa (considerando cada muestra de este experimento y dividiéndola) y, posteriormente, realizar el experimento con los demás factores en la subparcela de un diseño de parcelas divididas. Esto aumenta la precisión de la parcela completa y de la subparcela, y permite observar interacciones entre ambas con mayor precisión.
Otra opción, como usted sugiere, es crear una unidad experimental para cada tratamiento, compuesta por varias muestras. Estas muestras no son independientes de los tratamientos, pero se puede promediar su valor para reducir el efecto del grosor de la muestra. Además, se puede calcular la varianza de las muestras y utilizarla como segunda variable de respuesta para determinar si los factores controlables influyen en la variación dentro de cada tratamiento (principalmente debido al grosor de la muestra y al error de medición).
También existe la opción de, si es posible muestrear para determinar los dos extremos de espesor, tomar suficientes muestras de cada uno para realizar réplicas y confundir esto con el bloque (espesor bajo = Bloque -1, y espesor alto = Bloque 1). Luego, puede tratar el bloque como un efecto fijo y agregar el bloque y las interacciones bloque-factor al modelo. Esto depende en gran medida de su confianza en saber qué está confundido con el bloque. Si el efecto del bloque o las interacciones bloque-factor son significativos, entonces existen opciones para desagregar el bloque. De lo contrario, puede tratar el bloque como un efecto aleatorio y usarlo como base para las pruebas estadísticas.
No hay ningún problema en medir el grosor e incluir la medida real como covariable, a menos que el grosor cambie debido a otros factores. No es necesario que la medición se realice antes del experimento para usarla como covariable. El único problema potencial que veo es que solo se puede usar un valor para la covariable por tratamiento. Si hay variación dentro de la muestra, ¿qué valor se usa? Supongo que se podría promediar las medidas de grosor... pero esto podría no ser útil.
No existe una única forma correcta de realizar el experimento. Hay muchas opciones, cada una con sus ventajas y desventajas. Mi consejo es diseñar varias opciones, considerar el potencial de aprendizaje de cada una (por ejemplo, efectos del modelo, restricciones, aliasing) y contrastarlas con los requisitos y limitaciones de recursos asociados. Prediga todos los resultados posibles y cuáles serán las siguientes iteraciones. Luego, elija una y prepárese para iterar.
