Sto utilizzando la funzione Choice Design del DOE per creare un disegno sperimentale per un esperimento di scelta discreta. Vorrei escludere alcune combinazioni di livelli di attributi perché non hanno senso logico se considerate insieme, e vorrei ridurre il carico cognitivo per i partecipanti. (Ad esempio, escludere la combinazione "nessun posto di lavoro perso" e "8 famiglie su 10 hanno difficoltà finanziarie").
Sono consapevole che l'opzione DOE personalizzata consente di escludere combinazioni, ma vorrei comunque poter implementare la matrice di medie/varianze a priori come consentito nell'opzione "Choice Design". A quanto pare, l'utilizzo di queste distribuzioni a priori non è possibile nel DOE personalizzato e le combinazioni escluse non sono possibili nella scheda "Choice Design". Esiste un modo per escludere combinazioni pur potendo implementare la mia matrice di medie/varianze a priori?
Ciao @jlynn21 , sei giustamente a conoscenza delle funzionalità limitate disponibili (a partire dalla versione 19.x di JMP); purtroppo Choice Design è l'unico posto in cui è possibile incorporare queste priorità, ma la funzionalità per le combinazioni non consentite non è attualmente supportata (per quanto ho potuto verificare e testare). Ti incoraggio vivamente a proporre questa funzionalità nella Lista dei desideri di JMP - Comunità di utenti JMP ! Nel frattempo continuerò a cercare e, se potrò fornirti ulteriori suggerimenti, te lo farò sapere. Oltre a generare semplicemente il tuo set di candidati e utilizzare il filtro della tabella dati (JMP 19 ha migliorato la funzionalità in questa direzione) o lo scripting JSL per filtrare le righe per le quali si applicano le combinazioni non consentite.
Ciao @jlynn21 ,
@PatrickGiuliano vi ha già informato sullo stato attuale della piattaforma e sulle sue opzioni.
I disegni sperimentali a scelta multipla possono essere considerati un sottoinsieme specifico del disegno fattoriale frazionario, con soli fattori categoriali, un blocco/raggruppamento degli esperimenti (per creare insiemi di scelta), una risposta di scelta discreta e spesso alcuni vincoli (ad esempio il numero di fattori/attributi che possono variare in un sottoinsieme di esperimenti/insieme di scelta).
Riguardo alla tua situazione, credo che ci siano ancora due opzioni da considerare per aiutarti (che possono essere combinate):
- Utilizza la piattaforma Progettazione personalizzata e, in base alle informazioni già disponibili sul tuo studio precedente, puoi utilizzare un criterio A-Ottimalità con pesi dei parametri A - Ottimalità per attribuire maggiore peso agli effetti per i quali desideri ridurre la varianza. In alternativa, puoi specificare direttamente nella piattaforma Progettazione personalizzata le combinazioni non consentite (tramite filtri o script).
- Se disponete già di uno studio/disegno di scelta precedente, utilizzatelo e la piattaforma Augment Designs . In questo modo, le informazioni del vostro studio precedente verranno mantenute e l'aumento dei dati contribuirà a stimare gli effetti con maggiore precisione (con un criterio di ottimalità D o A e la possibilità di aggiungere pesi per i parametri di ottimalità A).
Spero che questa soluzione alternativa possa esserti d'aiuto.
Giusto per fornire un po' più di contesto agli approcci qui proposti:
1. Utilizza la piattaforma Progettazione personalizzata e, in base alle informazioni già disponibili sul tuo studio precedente, utilizza un criterio A-ottimalità con pesi dei parametri A-ottimalità per attribuire maggiore peso agli effetti per i quali desideri ridurre la varianza. Puoi anche specificare direttamente nella piattaforma Progettazione personalizzata le combinazioni non consentite (tramite filtri o script). L'aggiunta di un blocco casuale può aiutare a creare set di scelta con la dimensione desiderata.
Questo potrebbe funzionare, ma solo se si accetta di non utilizzare le informazioni a priori e di presumere che l'utilità sia uguale per tutti i profili (ovvero, i parametri beta/utilità sono tutti pari a zero). Nell'ipotesi che l'utilità sia uguale per tutti i profili, la matrice di informazione per un disegno a scelta discreta è equivalente alla matrice di informazione di un disegno a blocchi (che nel documento allegato viene definito disegno a utilità neutrale).
Quindi, secondo l'Approccio 1, è possibile utilizzare la funzione di blocco casuale nella progettazione personalizzata per creare gruppi di scelte di dimensioni uguali, incorporando anche i relativi vincoli.
2. Se disponete già di uno studio/disegno di scelta precedente, utilizzatelo e la piattaforma Augment Designs . In questo modo, le informazioni del vostro studio precedente verranno mantenute e l'aumento dei dati contribuirà a stimare gli effetti con maggiore precisione (con un criterio di ottimalità D o A e la possibilità di aggiungere pesi per i parametri di ottimalità A).
Anche questo funzionerebbe, ma presupponendo che tu non abbia problemi a non utilizzare le tue conoscenze pregresse sui parametri di utilità, e quindi che l'utilità sia uguale per tutti i profili, in un certo senso incorporeresti (indirettamente) tali conoscenze pregresse, poiché sfrutteresti il tuo progetto esistente (creato sulla base di quei parametri di utilità), ma presupporresti un'utilità uguale per tutti i profili nelle esecuzioni aumentate.
In altre parole: l'incorporazione delle conoscenze pregresse sarebbe indiretta, poiché senza fornire esplicitamente le conoscenze pregresse sui parametri di utilità sarebbe difficile garantire che le opzioni all'interno dei set di scelta ampliati siano bilanciate in termini di utilità. Le simulazioni ampliate verrebbero selezionate per integrare il disegno esistente (ovvero cercando di ottenere una replicazione equa delle combinazioni di fattori, ecc.), ma non vi sarebbero garanzie di bilanciamento dell'utilità rispetto ai parametri di utilità.
