Il mio post precedente ha dimostrato alcuni vantaggi di esperimenti progettati usando blocchi casuali piuttosto che i blocchi fissi più tradizionali. Il mio punto principale era che i blocchi casuali possono consentire esperimenti più redditizi perché richiedono un numero inferiore di esecuzioni per un dato insieme di fattori e specifiche del modello.
C'è un altro vantaggio dei blocchi casuali. Un'analisi che utilizza blocchi casuali ti consente di fare previsioni sulla risposta per altri blocchi. Naturalmente, la maggior parte dei professionisti vuole fare previsioni del genere, ma a rigor di termini, un'analisi a blocchi fissi non lo consente.
Attualmente, lo strumento di progettazione personalizzata in JMP ti consente di raggruppare le tue esecuzioni in blocchi casuali di dimensioni arbitrarie. Immaginate, però, un ambiente di produzione in cui il processo subisce variazioni casuali di giorno in giorno e varia anche da turno a turno all'interno di ogni giorno. Quindi, hai due fattori di blocco e uno (spostamento) è annidato nell'altro (giorno). Un nuovo giorno richiede un cambio di turno.
L'interfaccia consente un fattore di blocco casuale, ma non è ovvio come creare un progetto con due fattori casuali annidati.
Come puoi farlo?
Supponiamo che tutti i fattori nell'esperimento siano facili da modificare da esecuzione a esecuzione. Se ci fossero fattori difficili da cambiare, potremmo mantenere costanti questi fattori all'interno di ogni turno. Chiamiamo un design con questa caratteristica a design a trama divisa .
E se ci fossero fattori che erano molto difficili da cambiare, potremmo voler mantenerli costanti per un'intera giornata di produzione. Vengono chiamati esperimenti con fattori che sono molto difficili da cambiare e fattori che sono difficili da cambiare e fattori facili da cambiare progetti di plot split-split .
Sia i disegni a trama divisa che quelli a trama divisa sono disegni bloccati ei blocchi sono blocchi casuali. Nel disegno a trama divisa, i blocchi sono i gruppi di piste in cui i fattori difficili da cambiare rimangono costanti.
JMP supporta entrambi questi tipi di design e questa funzionalità fornisce un modo per creare progetti con blocchi casuali annidati.
Quindi mostramelo
La Figura 1 mostra una tabella Fattori per uno scenario in cui vogliamo esaminare sei fattori categoriali ciascuno con due livelli. Si noti che sono stati definiti due fattori denominati Fattore VHTC falso e Fattore HTC falso. Ho impostato la colonna Changes nella tabella su Very Hard per il primo fattore e Hard per il secondo. Potresti aver supposto che questi non siano fattori reali, e se è così, hai ragione.
La Figura 2 mostra la vista Modello. Ho selezionato i primi due fattori. La prossima cosa è rimuovere questi fattori dal modello facendo clic sul pulsante Rimuovi termine.
La figura 3 mostra il modello risultante
Supponiamo ora di voler eseguire l'esperimento per eseguire più di quattro giorni con tre turni al giorno. E forse possiamo fare due serie per turno. Quindi il nodo struttura Design Generation nella Figura 4 descrive quello scenario.
Le "trame intere" sono giorni. I "sottotrammi" sono turni, e ce ne sono 4x3 = 12. Ci sono 12x2 = 24 corse perché possiamo fare due in ogni turno.
Facendo clic sul pulsante Crea design viene prodotto il disegno nella Tabella 1. Si noti i valori di spazzatura per i fattori falsi. Dal momento che non compaiono nel modello, il progettista ottimale non modifica i loro valori dalle loro impostazioni casuali originali.
Ora fai clic sul pulsante Crea tabella. Una volta ottenuta la tabella, è possibile eliminare le due colonne del fattore falso e modificare la colonna denominata Whole plot su Day e la colonna denominata Subplots su Shift. Il risultato è nella tabella 2.
Quando si completa la risposta e si esegue lo script Modello, JMP si adatta automaticamente al modello di regressione appropriato con Giorno e Maiuscole come blocchi casuali.
La linea di fondo…
Anche se il supporto non è esplicito come per un fattore di blocco casuale, una volta che sai come, puoi avere blocchi casuali annidati. È possibile utilizzare le variazioni su questo approccio per creare disegni con blocchi casuali incrociati o disegni a trama divisa bloccati . Se c'è un interesse sufficiente in uno di questi, posso dare un esempio in un post futuro. Quindi fammi sapere nei tuoi commenti.
Grazie per questo post Bradley!
Potresti confrontare e confrontare il modo in cui Custom Design gestisce la progettazione e l'analisi di:
1) 1 fattore "Molto difficile", 1 fattore "Difficile" (ad es. Diagramma suddiviso in parti divise)
2) 1 fattore "Molto Difficile", 1 fattore "Difficile", 4 "Facile", tickybox su "Difficile modificare i fattori può variare in modo indipendente da Molto Difficile per cambiare i fattori" (es. Trama di strisce)
3) 2 fattori "Hard"
Capisco nello scenario 1, ci sono due termini di errore generati per analizzare nell'ANOVA - il termine di errore Molto Difficile è sul grafico Intero, e il termine di errore Difficile a livello di Sottotaglio.
Cosa succede a livello ANOVA per gli altri due scenari?
E ci sono esempi di processi in cui ciascuno di questi progetti sarebbe più appropriato?
Jessica Behrle ha scritto:
Ho utilizzato questo stesso approccio nella generazione di DOE personalizzati in JMP per lo sviluppo di analisi. Il primo fattore di blocco casuale è il piatto in quanto uno o più fattori possono essere applicati solo a un'intera piastra e la piastra viene annidata entro il giorno in quanto un certo numero di piastre può essere eseguito il giorno. Inoltre, abbiamo diversi fattori che possono cambiare all'interno delle righe / colonne di una piastra.
