Estoy utilizando la función de diseño de elección del Departamento de Energía (DOE) para crear un diseño para un experimento de elección discreta. Me gustaría excluir algunas combinaciones de niveles de atributos debido a que no tienen sentido lógico juntas, y también me gustaría reducir la carga cognitiva de los participantes. (Por ejemplo, excluir la combinación de "ningún empleo perdido" y "8 de cada 10 hogares tienen dificultades económicas").
Soy consciente de que la opción de diseño de experimentos personalizado permite combinaciones no permitidas, pero aun así quiero poder implementar la matriz de medias/varianzas previas, tal como lo permite la opción de "diseño de elección". Por lo que entiendo, no es posible usar estas distribuciones previas en el diseño de experimentos personalizado, ni tampoco se pueden implementar combinaciones no permitidas en la pestaña de diseño de elección. ¿Existe alguna manera de no permitir combinaciones sin dejar de poder implementar mi matriz de medias/varianzas previas?
Hola @jlynn21 , tienes razón al saber de la funcionalidad limitada disponible (a partir del lanzamiento de JMP 19.x); desafortunadamente Choice Design es el único lugar donde puedes incorporar estos priors, pero la funcionalidad para combinaciones no permitidas no está actualmente soportada (hasta donde lo investigué y probé). Te animo encarecidamente a que hagas una oferta para esto en la Lista de deseos de JMP - Comunidad de usuarios de JMP ! Mientras tanto, continuaré buscando y si puedo brindar alguna sugerencia adicional, te lo haré saber. Aparte de simplemente generar tu conjunto de candidatos y usar el filtrado de tabla de datos (JMP 19 ha mejorado la funcionalidad en esta dirección) o el script JSL para filtrar las filas para las que se aplican las combinaciones no permitidas.
Hola @jlynn21 ,
@PatrickGiuliano ya te informó sobre el estado actual de la plataforma y sus opciones.
Los diseños de elección pueden considerarse un subconjunto específico del diseño factorial fraccional, con solo factores categóricos, un bloqueo/agrupación de experimentos (para crear conjuntos de elección), una respuesta de elección discreta y, a menudo, algunas restricciones (por ejemplo, el número de factores/atributos que pueden cambiar en un subconjunto de experimentos/conjunto de elección).
En cuanto a su situación, creo que aún hay dos opciones que podría considerar para ayudarle (que se pueden combinar):
- Utilice la plataforma de Diseños Personalizados y, basándose en la información de su estudio previo, aplique el criterio de Optimalidad A con ponderaciones de parámetros de Optimalidad A para dar mayor peso a los efectos que desea reducir la varianza. También puede especificar directamente en la plataforma de Diseños Personalizados las combinaciones no permitidas (mediante filtrado o programación).
- Si ya dispone de un diseño de estudio o elección previo, utilícelo junto con la plataforma Diseños de aumento . De esta forma, se conserva la información del diseño anterior y la ampliación permitirá estimar con mayor precisión los efectos (con un criterio de optimización D o A, y la posibilidad de añadir ponderaciones para el parámetro de optimización A).
Espero que esta solución alternativa pueda ayudarte.
Para dar un poco más de contexto a los enfoques propuestos en este documento:
1. Utilice la plataforma de Diseños Personalizados y, basándose en la información de su estudio previo, aplique un criterio de Optimalidad A con Ponderaciones de Parámetros de Optimalidad A para dar mayor peso a los efectos que desea reducir la varianza. También puede especificar directamente en la plataforma de Diseños Personalizados las combinaciones no permitidas (mediante filtrado o programación). Agregar un bloque aleatorio puede ayudar a crear conjuntos de opciones del tamaño deseado.
Esto podría funcionar, pero solo si no le importa prescindir de la información previa y asumir que la utilidad es la misma en todos los perfiles (es decir, que los parámetros beta/de utilidad son todos cero). Bajo el supuesto de que la utilidad es la misma en todos los perfiles, la matriz de información para un diseño de elección discreta es equivalente a la matriz de información de un diseño por bloques (en el documento adjunto lo denominan diseño neutral en cuanto a utilidad).
Así pues, según el Enfoque 1, puede utilizar la función de Bloqueo aleatorio en Diseño personalizado para crear conjuntos de opciones de igual tamaño, incorporando sus restricciones.
2. Si ya dispone de un diseño de estudio o elección previo, utilícelo junto con la plataforma Diseños de aumento . De esta forma, se conserva la información del diseño anterior y la ampliación permitirá estimar con mayor precisión los efectos (con un criterio de optimización D o A, y la posibilidad de añadir ponderaciones para el parámetro de optimización A).
Esto también funcionaría, pero dado que no le importa no utilizar su conocimiento previo sobre los parámetros de utilidad, y por lo tanto, asume que la utilidad es igual en todos los perfiles, de alguna manera está incorporando ese conocimiento previo (indirectamente), ya que estaría aprovechando su diseño existente (creado en base a esos parámetros de utilidad), pero estaría asumiendo una utilidad igual en todos los perfiles para las ejecuciones aumentadas.
Dicho de otro modo: la incorporación del conocimiento previo sería indirecta, ya que sin proporcionar explícitamente dicho conocimiento sobre los parámetros de utilidad, sería difícil garantizar que las opciones dentro de los conjuntos de elección ampliados estén equilibradas en términos de utilidad. Las ejecuciones ampliadas se seleccionarían para complementar el diseño existente (es decir, intentando lograr una replicación equitativa de las combinaciones de factores, etc.), pero no habría garantías de equilibrio de utilidad con respecto a los parámetros de utilidad.
