Mi post anterior demostró algunas ventajas de experimentos diseñados utilizando bloques aleatorios en lugar de los bloques fijos más tradicionales. Mi punto principal fue que los bloques aleatorios pueden permitir experimentos más rentables porque requieren menos ejecuciones para un conjunto dado de factores y especificación del modelo.
Hay otra ventaja de los bloques aleatorios. Un análisis que utiliza bloques aleatorios le permite hacer predicciones de la respuesta para otros bloques. Por supuesto, la mayoría de los practicantes quieren hacer tales predicciones, pero estrictamente hablando, un análisis de bloque fijo no lo permite.
Actualmente, la herramienta de diseño personalizado en JMP le permite agrupar sus carreras en bloques aleatorios de tamaño arbitrario. Sin embargo, imagine un entorno de fabricación en el que el proceso experimenta una variación aleatoria de un día a otro y también varía de un turno a otro dentro de cada día. Entonces, tiene dos factores de bloqueo y uno (turno) está anidado dentro del otro (día). Un nuevo día requiere un cambio de turno.
La interfaz permite un factor de bloqueo aleatorio, pero no es obvio cómo crear un diseño con dos factores aleatorios anidados.
Como puedes hacer eso?
Supongamos que todos los factores en el experimento son fáciles de cambiar de una ejecución a otra. Si hubiera factores difíciles de cambiar, podríamos mantener estos factores constantes dentro de cada turno. Llamamos a un diseño con esta característica un diseño de parcelas divididas .
Y si hubiera factores que fueran muy difíciles de cambiar, podríamos querer mantenerlos constantes durante la producción de todo un día. Se llaman experimentos con factores que son muy difíciles de cambiar y factores que solo son difíciles de cambiar, así como factores que son fáciles de cambiar. diseños de parcelas divididas-divididas .
Tanto los diseños de parcelas divididas como los diseños de parcelas divididas son diseños bloqueados, y los bloques son bloques aleatorios. En el diseño de parcelas divididas, los bloques son los grupos de carreras donde los factores difíciles de cambiar se mantienen constantes.
JMP admite estos dos tipos de diseños, y esa capacidad proporciona una manera de crear diseños con bloques aleatorios anidados.
Entonces muestrame
La Figura 1 muestra una tabla de Factores para un escenario en el que queremos investigar seis factores categóricos, cada uno con dos niveles. Tenga en cuenta que he definido dos factores llamados Fake VHTC Factor y Fake HTC Factor. Puse la columna de Cambios en la tabla a Muy Difícil para el primer factor y Difícil para el segundo. Es posible que haya supuesto que estos no son factores reales y, de ser así, tiene razón.
La figura 2 muestra la vista del modelo. He seleccionado los dos primeros factores. Lo siguiente es eliminar estos factores del modelo haciendo clic en el botón Eliminar término.
La figura 3 muestra el modelo resultante.
Ahora, supongamos que queremos ejecutar el experimento durante cuatro días con tres turnos por día. Y tal vez podamos hacer dos carreras por turno. Luego, el nodo de esquema de Generación de Diseño en la Figura 4 describe ese escenario.
Las "parcelas enteras" son días. Los "subplots" son turnos, y hay 4x3 = 12 de ellos. Hay 12x2 = 24 carreras porque podemos hacer dos en cada turno.
Al hacer clic en el botón Crear diseño, se produce el diseño en la Tabla 1. Observe los valores de basura para los factores falsos. Como no aparecen en el modelo, el diseñador óptimo no cambia sus valores de su configuración aleatoria original.
Ahora haga clic en el botón Crear tabla. Una vez que tenga la tabla, puede eliminar las dos columnas de factores falsos y cambiar la columna denominada Plots completos a Día y la columna Subplots a Shift. El resultado está en la Tabla 2.
Cuando complete su respuesta y ejecute la secuencia de comandos del Modelo, JMP ajustará automáticamente el modelo de regresión apropiado con Día y Mayús como bloques aleatorios.
La línea de fondo…
Aunque el soporte no es tan explícito como para un factor de bloqueo aleatorio, una vez que sepa cómo, puede tener bloques aleatorios anidados. Puede utilizar variaciones en este enfoque para crear diseños con bloques aleatorios cruzados o diseños de parcelas divididas bloqueadas . Si hay suficiente interés en uno de estos, puedo dar un ejemplo en una publicación futura. Así que déjame saber en tus comentarios.
Gracias por este post Bradley!
¿Podría comparar y contrastar cómo Custom Design maneja el diseño y análisis de:
1) 1 factor "Muy difícil", 1 factor "Difícil" (por ejemplo, gráfico de división dividida)
2) 1 factor "Muy difícil", 1 factor "Difícil", 4 "Fácil", casilla de verificación "Los factores difíciles de cambiar pueden variar independientemente de los factores muy difíciles de cambiar" (p. Ej., Gráfico de tira)
3) 2 factores "duros"
Entiendo que en el escenario 1, hay dos términos de error generados para analizar en el ANOVA: el término de error Muy difícil está en el gráfico completo y el término de error difícil en el nivel de Subplot.
¿Qué sucede a nivel ANOVA para los otros dos escenarios?
¿Y hay ejemplos de procesos donde cada uno de estos diseños sería el más apropiado?
Jessica behrle escribió:
He utilizado este mismo enfoque para generar DOE personalizados en JMP para el desarrollo de ensayos. El primer factor de bloqueo aleatorio es la placa, ya que uno o más factores solo se pueden aplicar a una placa completa y la placa se anida dentro del día, ya que un cierto número de placas se puede ejecutar en el día. Además, tenemos varios factores que pueden cambiar dentro de las filas / columnas de una placa.
