Wie man einen Bayes-Opt-Algorithmus für DoE-Anwendungen erweitert (QbD, Robustheit)Hallo zusammen,
Im ENBIS Bayesian Course wird die Idee vorgestellt, eine Reihe von Bayes Opt-Experimenten zu erweitern, um den Datensatz für QbD/Robustheitsstudien geeignet zu machen. Dies ist ein guter Anwendungsfall für unsere Kunden.
Meine Frage ist: Wie kann man bei Verwendung des Werkzeugs „Augmentieren“ im DoE-Menü die Anzahl der zusätzlich benötigten Läufe präzise bestimmen, um sicherzustellen, dass keine Störfaktoren vorliegen (d. h. eine eindeutige Farbdarstellung der Korrelationen)? Im obigen Beispiel mit drei Faktoren werden immer acht zusätzliche Läufe vorgeschlagen, unabhängig davon, ob ich ein einfaches lineares Modell oder ein RSM verwende.
Im Vergleich dazu, dass bei Custom Design die Änderung des Modells die Anzahl der empfohlenen Experimente beeinflusst, frage ich mich, ob etwas Ähnliches hier möglich ist, oder ob zumindest deutlicher wird, wie viele zusätzliche Experimente für bestimmte Kriterien (D-Effizienz, niedrige Korrelation usw.) erforderlich wären, ohne die Zahlen manuell zu erhöhen und jedes Mal zu überprüfen.
@Florian_Vogt @Phil_Kay @chris_gotwalt1
Danke!
Ben
Betreff: Erweiterung eines Bayes-Opt-Algorithmus für DoE-Anwendungen (QbD, Robustheit)Eine hervorragende Frage. Ich bin überrascht, dass Sie die klassische Antwort eines Statistikers nicht kennen: Es kommt darauf an.
Das kommt ganz darauf an.
Es ist äußerst unwahrscheinlich, dass man durch Datenanreicherung aus einem Bayes'schen Optimierungsprojekt zu einem Design mit Nullkorrelation gelangen kann. Daher hängt es fast immer davon ab, wie viel Korrelation akzeptabel ist. Und das wird sehr schwer zu entscheiden sein.
Ich bin mir nicht ganz sicher, wie die empfohlene Anzahl an Durchläufen in Custom Design ermittelt wird, aber ich vermute, es entspricht in etwa der Anzahl der zu schätzenden Parameter im Modell plus 5 (für die Fehlerfreiheitsgrade). Eine eindeutige Antwort gibt es nicht, aber es lässt sich relativ einfach eine sinnvolle Faustregel formulieren.
Ich denke, die beste Option für den Versuchsleiter ist, zu überlegen, wie viele Versuche er sich realistischerweise leisten kann, und drei verschiedene, erweiterte Versuchsdesigns mit unterschiedlicher Anzahl an Versuchen bis zu diesem Maximum zu erstellen. Anschließend kann er die Funktion „Vergleich von Versuchsdesigns“ nutzen, um die drei Optionen schnell und einfach anhand verschiedener Design-Diagnostikkriterien, einschließlich Effektkorrelationen, zu vergleichen. Ich glaube nicht, dass dies mit anderer Software möglich wäre, daher ist es ein deutliches Alleinstellungsmerkmal von JMP.
Betreff: Erweiterung eines Bayes-Opt-Algorithmus für DoE-Anwendungen (QbD, Robustheit)Hallo @Phil_Kay ,
Natürlich hätte ich das wissen müssen! Danke für die Erklärung, das ist eine gute Herangehensweise, um zu erklären, wie es angewendet werden kann, falls danach gefragt wird.
Danke,
Ben
Betreff: Erweiterung eines Bayes-Opt-Algorithmus für DoE-Anwendungen (QbD, Robustheit)Anschlussfragen: Mein (vielleicht etwas naives) Verständnis von JMPs BayesOpt ist, dass es eine effektive, auf Gaußprozessen basierende Alternative zu DOE Augment Design darstellt. Ist dieses Verständnis falsch? Gibt es allgemeine Richtlinien, wann man Augment verwenden sollte, anstatt BayesOpt erneut zu nutzen, um weitere Designpunkte zu generieren?
Betreff: Erweiterung eines Bayes-Opt-Algorithmus für DoE-Anwendungen (QbD, Robustheit)Wie der Name schon sagt, geht es hier um Optimierung, nicht um Charakterisierung und Modellierung. Es geht darum, die optimalen Einstellungen so schnell wie möglich zu finden (d. h. mit möglichst wenigen Erweiterungen/Läufen). Nach dem Finden der optimalen Einstellungen kann der Prozess abgeschlossen sein. In manchen Bereichen, wie z. B. in der Pharma- und Biotechnologie, wird jedoch anschließend ein Versuchsdesign (DOE) durchgeführt, um die umgebende Oberfläche zu modellieren. Man denke an QbD und Design Space.
