Ihre 5 am häufigsten eingereichten Fragen zur Versuchsplanung (DOE)
Created:
Last Modified: Dec 19, 2023 2:50 PM
Kürzlich hat sich JMP mit der Royal Society of Chemistry und Chemistry World zusammengetan, um eine einwöchige Seminarreihe zum experimentellen Design abzuhalten.
Eigentlich war die Serie für den Osten und Westen der USA gedacht, aber wie die Teilnehmerkarte unten zeigt, gerieten die Dinge in diesem Punkt etwas außer Kontrolle.
Die Seminarreihe umfasste eine Gruppe von JMP Experten, die Fragen des Publikums beantworten würden. Da jede Sitzung zwischen 600 und 900 Teilnehmer umfasste, war es eine Herausforderung, alle Fragen im Verlauf der Veranstaltung zu beantworten. Und davon gab es viele – in der Live-Sitzung etwa 400 Fragen, in der Offline-Umgebung sogar noch mehr.
Nachdem sich das Team erholt hatte (und das gemeinsame Einreibemittel seine Wirkung entfaltet hatte), kamen wir zusammen und gingen die Fragen nach Trends durch, die wir in die FAQs der Serie im Internet stellen konnten. In echter JMP-Manier haben wir diese Fragen im Text Explorer durchgespielt und die fünf besten herausgefunden. Hier sind sie, zusammen mit unseren Antworten:
Frage 1: Welchen Zweck haben Mittelpunkte? Wann müssen wir sie nutzen? Wie viele brauchen wir?
OK, das sollten wir wohl zunächst klarstellen: Ein Mittelpunkt ist eine experimentelle Behandlung, die in der Mitte des Designraums existiert. Wenn Sie einen dreifaktoriellen Designraum haben, könnten Sie ihn einem 3D-Diagramm zuordnen, und er würde im Allgemeinen wie ein Würfel aussehen. Der Mittelpunkt würde in der Mitte des Würfels liegen, mit gleichem Abstand zu allen Kanten, Flächen und Scheitelpunkten.
Der Hauptzweck eines Mittelpunkts besteht darin, uns auf Krümmungen (oder krummliniges Verhalten, wenn Sie das 5-Dollar-Wort dafür verwenden) im Datensatz aufmerksam zu machen. Als Ersatz für die Replikation können auch mehrere Mittelpunkte zusammen verwendet werden. Allerdings sollten Sie sich über die Frage, wann Sie sie verwenden sollten, wirklich nicht den Kopf zerbrechen. Wenn Sie sich auf modellzentrierte DOE (optimale Designs) und andere moderne DOE-Strategien wie Definitive Screening Designs (DSDs) konzentrieren, werden Mittelpunkte automatisch einbezogen, wenn sie erforderlich sind. Sie müssen lediglich Modellbegriffe einbeziehen, für deren Untersuchung Mittelpunkte erforderlich sind, und die Algorithmen kümmern sich um den Rest. Wenn Sie weitere Mittelpunkte hinzufügen möchten, um die Variabilität zu untersuchen (und Sie bereits Material für einen Validierungssatz reserviert haben!), können Sie diese ganz einfach hinzufügen. Sie müssen lediglich eine Leistungsanalyse durchführen, um die richtige Zahl herauszufinden.
Frage 2: Müssen wir unsere Experimente wiederholen? Warum? Kann ich wiederholte Messungen als Replikate verwenden?
Die Antwort darauf hängt stark von der Art des Experiments ab, das Sie durchführen. Wenn Sie eher auf der „Screening“-Seite stehen, ist die Replikation weniger wichtig, weil Sie nach groben Trends suchen und nicht nach so viel Variabilität. Du könnte Fügen Sie einige Mittelpunkte hinzu, um eine Vorstellung von der Variation zu bekommen, und führen Sie eine Prüfung auf Krümmung durch, wenn Sie kein DSD durchführen. Aber das war es schon. Wenn Sie Modelle erstellen oder verfeinern, sollten Sie wahrscheinlich Replikationen durchführen, wenn Sie über die Ressourcen und die Zeit verfügen.
Bei den wiederholten Messungen (z. B. das Ausführen derselben Faktoreinstellungen einige Male hintereinander oder das Erhalten mehrerer Messungen zum Ergebnis eines Durchlaufs der Faktoreinstellungen), diese sind nicht replizierte Läufe. Es ist ein wenig verwirrend, weil repliziert Und wiederholt oder wiederholte Messungen klingen so, als ob sie dasselbe sein sollten, aber in diesem Fall gibt es einen wichtigen Unterschied.
A repliziert Der Lauf (im Sinne des DOE) ist eine zufällige Wiederholung des Experiments. Angenommen, Sie nehmen eine DOE-Tabelle und fügen sie in eine Tabelle ein. Wenn Sie dann a zweite Kopie des vollständigen DOE Darunter in derselben Tabelle wäre das immer noch kein repliziertes DOE ... noch nicht. Wenn Sie nun die Zeilenreihenfolge der beiden Kopien des DOE randomisieren würden, wäre das ein DOE mit Replikaten.
Wenn Sie es tun wiederholt Messungen können Sie deren Durchschnitt nehmen und dann den Durchschnitt als Wert für diese Behandlungskombination verwenden, aber sie sind nicht identisch mit repliziert läuft. Der wichtige Punkt ist das Reproduzieren beinhaltet Randomisierung und kann daher die Auswirkungen lauernder Variablen abschwächen. Wiederholte Messungen Ich habe diese Eigenschaft nicht.
Frage 3: Wie viele Antworten kann ich in meinem DOE haben? Wie arbeite ich mit ihnen?
Hinzufügen Faktoren zu einem DOE erhöhen die Kosten in Bezug auf die erforderlichen Durchläufe; Antworten sind grundsätzlich kostenlos. Sie können eine unbegrenzte Anzahl von Antwortvariablen messen, um zu verstehen, wie sich Faktoränderungen auf alle Antworten auswirken. Beim Finden optimaler Prozesseinstellungen mit dem JMP Prediction Profiler können Benutzer ein Gewichtungsschema wählen, das die relative Bedeutung verschiedener Antworten widerspiegelt.
Obwohl es theoretisch keine Grenzen für die Anzahl der Antworten gibt, die Sie in einem DOE haben, ist es für Sie von Vorteil, alle Ihre Antworten während der DOE-Einrichtung zu definieren. JMP leitet sie nach der Datenerfassung automatisch mit allen von Ihnen bereitgestellten Informationen (obere/untere Erwünschtheitsgrenzen, LOD-Werte, Ziele und Wichtigkeiten) an die Modellierungsplattform weiter. Es hilft Ihnen außerdem sicherzustellen, dass Sie darüber nachgedacht haben, wie Sie den Erfolg Ihres DOE messen möchten, und dass alle Ihre Antworten Unterschiede auf den Ebenen erkennen können, die Sie für Ihre Faktoren planen.
Frage 4: Woher wissen Sie, ob Ihre Faktorbereiche angemessen sind?
Als Faustregel gilt: Wenn Sie aufgrund Ihrer Faktoreinstellungen davon ausgehen, dass einige Ihrer Läufe unerwünschte Ergebnisse liefern (z. B. im Papierkorb landen), haben Sie wahrscheinlich Recht. Sie möchten jedoch nicht, dass Ihre Bereiche so breit sind, dass am Ende überhaupt keine messbaren Ergebnisse erzielt werden.
Eine andere Möglichkeit, dies auszudrücken, ist dieser Rat: B Seien Sie mutig bei der Festlegung Ihrer Faktorbereiche . Legen Sie Ihre Tiefpunkte fest niedrig , und deine Höhen hoch . Die Versuchung ist groß, nur die Bereiche zu betrachten, in denen man sich wohlfühlt, weil man vermutet, dass dort das Optimum erreicht wird. Vermeiden Sie diese Versuchung. Die Ergebnisse des Modells werden klarer und die Schätzungen präziser, wenn die Faktorbereiche größer sind.
Wenn Sie befürchten, dass Ihr Prozess aufgrund der großen Bereiche in einigen Bereichen des Entwurfsbereichs keine verwendbaren Daten erzeugen kann, können Sie diesem Problem häufig durch die Definition von Faktoreinschränkungen begegnen, die die Zuweisung von Läufen zu diesen Bereichen verhindern.Denken Sie daran, dass Sie die Flexibilität haben, diese Strategie mit optimalen Designs anzuwenden.
Manchmal befürchten Experimentatoren, dass sie durch zu weite Einstellung der Faktorbereiche aufgrund einer gekrümmten Beziehung zwischen einem Faktor und einer Antwort möglicherweise eine optimale Einstellung verpassen, die in der Mitte des Bereichs liegt. In einem benutzerdefinierten Design sollte dies durch Hinzufügen von Polynomtermen zum gewünschten Modell behoben werden, was dazu führt, dass das generierte Design Läufe umfasst, die auf mittlere Faktorwerte zwischen den Endpunkten festgelegt sind.
Generell möchten Sie, dass Ihre Experimente einen ausreichend großen Bereich abdecken, um Unterschiede in Ihren Einstellungen deutlich erkennen zu können. Sie möchten außerdem, dass Ihre Einstellungen weit genug voneinander entfernt sind, damit Sie alle Wendepunkte in Ihren geschwungenen Linien erkennen können, sodass Sie wissen, wo „gut“ und „schlecht“ sind. Andernfalls liegt das Ergebnis bei der Optimierung bei dem extrem hohen oder niedrigen Wert in Ihrem Designraum. Und Sie werden es nicht merken, wenn Sie sich in der Nähe eines Ortes befinden, an dem Ihr System außer Kontrolle gerät.
Frage 5: Was ist der Unterschied zwischen klassischem Design und modernem Design?
Klassische Designs sind feste Pläne, denen der Experimentator folgen muss, um die geplante Studie an seine Anforderungen und Einschränkungen anzupassen. Diese Designs wurden vor der Ära der allgegenwärtigen und billigen Datenverarbeitung entwickelt. Moderne Designs nutzen Softwarealgorithmen, um einen einzigartigen Plan für die jeweilige Situation zu erstellen. Moderne Designs versuchen, die vom Experimentator gestellten statistischen Fragen bestmöglich zu beantworten und dabei das vorgegebene Experimentierbudget einzuhalten.
Modernes Design ist die natürliche Erweiterung des klassischen Designs. Durch den Betrieb moderner DOEs verlieren Sie nichts, was Sie vom klassischen Design kennen, gewinnen aber ein hohes Maß an Flexibilität. Grundsätzlich sind es moderne Designs Modellzentriert indem sie das Design an ein Modell anpassen, das aus vom Benutzer definierten Begriffen besteht. Als Nutzer entscheiden Sie durch die Auswahl des Modells, was Sie im Experiment lernen möchten. Klassische Designs sind designorientiert Sie definieren das Design und vom Benutzer wird erwartet, dass er seine Fragen in dieses vordefinierte Design einfügt. In vielen Fällen führen moderne und klassische Ansätze zum gleichen Design, da die klassischen Designs optimal für die Anpassung an Standardmodelle geeignet sind. Moderne Designs ermöglichen es Ihnen, das optimale Design in Situationen zu finden, in denen klassische Ansätze nicht funktionieren würden, beispielsweise wenn Sie einen unregelmäßig geformten Faktorraum haben, den Sie erkunden müssen.
Das Abenteuer geht weiter
Und das ist es. Bei der Betrachtung der Ergebnisse war es interessant zu sehen, wie häufig diese Fragen aufkamen. Es erinnerte mich an etwas, das viele meiner Lehrer sagten: „Stellen Sie die Frage, denn es ist sehr wahrscheinlich, dass andere sie auch haben, aber zu schüchtern sind, sie zu stellen.“
Glaubst du überhaupt, dass wir eines verpasst haben? Gibt es weitere brennende Fragen, die Sie zu DOE haben? Schreiben Sie sie einfach in die Kommentare und wir werden sehen, was wir tun können, damit sie beantwortet werden. Bis dahin viel Spaß beim Experimentieren!
Dieser Beitrag wurde ursprünglich in English (US) geschrieben und wurde zu Ihrer Bequemlichkeit übersetzt. Wenn Sie antworten, wird es auch in English (US) übersetzt.
Comments