Si se exploran completamente seis factores continuos mediante un modelo cuadrático completo, se generan 28 coeficientes. Si no existen ejecuciones suficientes para estimar con precisión todos esos términos desde el inicio, ¿qué estructura permite identificar primero los factores influyentes y las candidatas a curvatura?
Esta sección plantea una única pregunta.
¿Es posible explorar la curvatura con muchos factores continuos y un número reducido de ejecuciones?
El DSD evalúa cada factor continuo en tres niveles
En el Diseño de Tamizaje Definitivo (DSD), los factores continuos toman los valores codificados −1, 0 y +1. A diferencia del tamizaje general de dos niveles, la presencia del nivel 0 para cada factor permite explorar información sobre la curvatura de los términos cuadráticos individuales.
El diseño didáctico para 6 factores consta de 13 ejecuciones. Se puede construir apilando las filas de la matriz de conferencia C de 6×6, las filas de −C (con los signos invertidos) y la fila central total. Cada columna de factor está equilibrada y las columnas de efectos principales son ortogonales entre sí.
Esta geometría ofrece ventajas importantes, pero no significa que sea posible estimar libremente los 28 coeficientes del modelo cuadrático completo con solo 13 ejecuciones. Puede quedar correlación entre varios candidatos a interacciones de dos factores y a términos cuadráticos.
Lea el mapa de correlación antes de obtener los valores de respuesta
El mapa de correlación del diseño muestra la correlación entre las columnas candidatas del modelo. Aunque en el DSD se estructura para separar los efectos principales de las interacciones de dos factores, no todos los candidatos de orden superior son independientes entre sí.
Antes de obtener la respuesta, verifique lo siguiente:
- ¿Están separados los efectos principales de los términos nuisance/bloque previos?
- ¿Qué tan correlacionados están los términos cuadráticos entre sí o con las interacciones de dos factores (2FI)?
- ¿Cómo cambia la estructura básica cuando se mezclan factores categóricos?
- ¿Qué términos refuerzan las ejecuciones centrales o adicionales?
Evalúe la matriz de modelo real, no solo el nombre del diseño.
El análisis por etapas utiliza la esparsidad y la herencia
Dado que no es posible incluir todos los términos candidatos en 13 observaciones a la vez, se plantean las preguntas de manera progresiva.
- Etapa 1 — Efectos principales: Se examinan las candidatas a señales lineales de cada factor continuo.
- Etapa 2 — Curvatura: Se revisan los candidatos a términos cuadráticos junto con los factores influyentes.
- Etapa 3 — Interacciones: Se revisan, ajustadas a la jerarquía, las interacciones de dos factores (2FI) científicamente plausibles entre los efectos principales seleccionados.
- Etapa 4 — Refuerzo: Se determinan ejecuciones adicionales para separar o optimizar los términos ambiguos.
Es fácil confiar en la esparsidad, que indica que la mayoría de los efectos son pequeños, y en la heredabilidad, que sugiere que es probable que las interacciones importantes tengan efectos principales asociados. Aunque ambos son principios analíticos útiles, no son hechos garantizados por los datos.
Seleccionar candidatos de los mismos datos y volver a realizar pruebas genera sesgo de selección. Registre en el recibo los pasos, umbrales y candidatos; verifique los resultados mediante contracción (shrinkage), análisis de sensibilidad, ejecuciones adicionales y confirmación independiente.
Las interacciones cruzadas pueden ser grandes incluso si los efectos principales son pequeños
La interacción entre dos factores puede manifestarse en direcciones opuestas, haciendo que el efecto principal promedio se acerque a cero. Asumir únicamente una fuerte heredabilidad puede llevar a pasar por alto estos términos. Las combinaciones mecanísticamente importantes pueden incluirse como candidatos previos independientemente del rango de los efectos principales.
En muestras pequeñas, si los resultados del gráfico half-normal o de la selección paso a paso varían según la semilla y el ruido, es preferible informar de la propia estabilidad en lugar de presentar una única lista de selección.
Si hay candidatos de curvatura, pase a RSM o aumente el diseño
Si los factores clave se reducen a 2-3 y hay señales de términos cuadráticos, evalúe si es posible ajustar un RSM (Diseño de Superficie de Respuesta) con esos factores. Si falta información, aumente el diseño con puntos axiales, centrales o candidatos selectivos. Si hay muchos factores clave o quedan varias interacciones, no insista en la optimización solo con 13 ejecuciones.
El DSD es un puente entre el tamizado y la optimización, no un diseño final para todos los casos.
Lab In-Silico: observe la inestabilidad de los candidatos paso a paso
- Cambie el factor de efecto principal verdadero entre A y F y verifique si aparece en el primer escalón.
- Cambie el factor de curvatura verdadero y observe si los candidatos del segundo escallo lo siguen.
- Aumente la interacción C×D para verificar si se altera el orden de selección paso a paso.
- Cambie la semilla y el ruido para observar la estabilidad de la selección.
Separate the main effect phase and curvature phase of DSD
In 6-factor 13-run synthetic DSD, we change the true main effect, curvature, interaction, and noise to see how stable the top candidates are at each stage.
If this is your first time: What should I press?
- 1. Read the question firstIn the Lab title, check the one thing you will compare this time.
- 2. Change just one conditionInitially, change only one of the inputs: n, effect, or spread.
- 3. new composite specimen pressureNew synthetic data is created. The same conditions may vary depending on the sample.
- 4. Pictures and calculation results CompareWrite in one sentence what moves and what stays the same before and after the change.
If it gets stuckresetGo back to see the default results and change just one condition. This Lab is not a correct answer tester but a pattern observation tool.
Synthetic observations of the same settings
calculation result
The results of the steps are not the final model without selection bias. If sparsity/heredity is weak or interaction is strong, additional runs and independent confirmation are required.
educational synthetic modelbjs-advanced-design-sequence-v1. One row is one independent simulation or design run unless otherwise indicated. It cannot be used for actual research, quality, or regulatory decisions.
El laboratorio es un DSD de enseñanza fijo de 6 factores y 13 ejecuciones construido con una matriz de conferencia. Es un ejemplo simple de escalado que solo muestra las puntuaciones de efectos principales y de cuadrados centrados; no reproduce los métodos de selección o inferencia de JMP Fit Definitive Screening.
En JMP, registre conjuntamente la evaluación del diseño y la etapa de análisis
View the correlation structure of 3-level coordinates and main effects and quadratic terms.
Before step analysis, check which candidate terms are poorly differentiated.
Record the impact of selection steps and hierarchy assumptions on the results.
En la evaluación de Definitive Screening, examine primero la tabla de tres niveles y el mapa de correlaciones. En los resultados por etapas de Fit Definitive Screening, registre el umbral, los efectos principales, términos cuadrados e interacciones seleccionados, y la jerarquía. Antes de llamar modelo final al resultado de una selección automática, revise el modelo completo o alternativo y la posibilidad de aumentarlo.
Ejemplo de descripción de resultados
Se utilizó un DSD de 13 corridas para seis factores continuos. En el mapa de correlaciones previo a observar la respuesta, las columnas de efectos principales eran ortogonales entre sí y se registraron las correlaciones de términos cuadrados y posibles interacciones de dos factores. Una estrategia escalonada previa seleccionó los efectos principales A y D y D² como candidatos de seguimiento; como dependía de la esparsidad, la herencia y el sesgo de selección, se planificaron cuatro corridas adicionales y una confirmación independiente.
Conclusión del capítulo
- Los factores continuos de un DSD tienen una estructura de tres niveles: −1, 0 y +1.
- Conecta la exploración de efectos principales y curvatura con pocas corridas.
- El mapa de correlaciones muestra qué candidatos de orden superior no pueden separarse.
- El análisis escalonado depende de la esparsidad, la herencia y el proceso de selección.
- Los posibles efectos y curvaturas siguen siendo candidatos hasta aumentar y confirmar el diseño.
En la última unidad reuniremos el diseño, el análisis, la confirmación y las limitaciones en un paquete validable que otras personas puedan volver a rastrear.
Material complementario oficial
- JMP Knowledge Portal · Definitive Screening Designs
- JMP Help · Fit Definitive Screening Platform Options
- JMP Knowledge Portal · Screening Designs
Este artículo y el laboratorio utilizan datos sintéticos con fines educativos y no constituyen evidencia para decisiones reales de investigación, proceso, calidad o regulación.