En un diseño factorial fraccionado, la barra de A fue la más larga. ¿Se puede escribir “A movió la respuesta” basándose únicamente en esto? Como se vio en U20, si la columna A está aliada con BC, esa barra podría ser una señal combinada de A + BC.
Esta unidad tiene una sola pregunta.
Después de identificar efectos plausibles con pocas ejecuciones, ¿qué se debe verificar más?
El screening es la primera ola para reducir candidatos
El screening es la etapa en la que se buscan entre muchos factores los candidatos a los que se centrará el siguiente experimento. La tabla de contrastes, el gráfico de Pareto y el gráfico half-normal condensan qué efectos parecen mayores que el ruido de fondo. Sin embargo, la longitud de las barras no resuelve automáticamente lo siguiente:
- ¿Hay otros efectos aliadas en esa columna?
- ¿La falta de réplicas dificulta estimar el error?
- ¿Se ha examinado los mismos datos múltiples veces al elegir efectos?
- ¿Se respetó la jerarquía entre efectos principales e interacciones?
- ¿Es importante ese tamaño en las unidades reales?
Por lo tanto, los resultados del screening se asemejan más a una lista de preguntas posteriores que a una “lista de efectos confirmados”.
El mismo contraste de A puede ocultar causas distintas
En una fracción media de 3 factores, si definimos C=AB, entonces A=BC. Si en la ecuación oculta los coeficientes coded de A (6) y BC (5) están presentes simultáneamente, el contraste de A en la primera fracción suma ambos efectos dando 22. Este es un valor donde aún no se han separado el efecto factorial de A (12) y el efecto de BC (10).
Al añadir la fracción opuesta, es decir, C=-AB, la relación de signo entre A y BC se invierte. En este foldover, el contraste de A es 2. Al combinar las dos olas en 8 ejecuciones, se pueden calcular por separado el efecto de A (12) y el efecto de BC (10).
| Etapa de análisis | Contraste etiquetado como A | Rango interpretable |
|---|---|---|
| Primera fracción de 4 ejecuciones | 22 | Señal combinada de A y BC |
| Foldover de 4 ejecuciones | 2 | Señal donde A y BC se suman con signos opuestos |
| Combinación de ambas olas | A=12, BC=10 | Separación de ambos efectos en un ejemplo didáctico |
Estos números son un ejemplo sintético sin ruido para mostrar la estructura. En datos reales, se deben considerar conjuntamente la incertidumbre de la estimación y la variabilidad entre ejecuciones.
Pareto y half-normal no son sentencias judiciales
El gráfico de Pareto muestra los valores absolutos de los efectos en orden decreciente de magnitud. El gráfico half-normal permite observar si múltiples efectos pequeños se agrupan cerca de la línea base y si los candidatos grandes se desvían de ella. En diseños sin réplicas, también existen métodos que dependen del supuesto de que la mayoría de los efectos pequeños son inactivos, como el pseudoerror estándar de tipo Lenth.
Si este supuesto falla, la propia línea base se vuelve inestable. Si hay varios efectos activos o interacciones aliasadas grandes, las barras pequeñas no son automáticamente errores. No elimine términos basándose únicamente en valores p o en el orden de las barras; lea conjuntamente la información de alias del diseño y las preguntas previas científicas.
Agrupar términos no significativos como error cambia las pruebas para los términos restantes. No oculte el proceso de selección que eligió los términos y creó el error con los mismos datos; registre los supuestos de jerarquía y esparsidad, el análisis de sensibilidad y los datos de confirmación posteriores.
Seleccione experimentos posteriores según la ambigüedad restante
No todos los screening requieren un foldover completo posterior. El siguiente diseño depende de las preguntas pendientes.
- Si los efectos principales y las interacciones de dos factores están aliasados, separe las columnas mediante foldover o ejecuciones selectivas.
- Si el número de factores importantes se reduce a unos pocos, realice un experimento con mayor resolución o factorial completo solo con esos factores.
- Si los puntos centrales se desvían de la línea recta, pase a investigar la curvatura mediante U22.
- Si planea usar las condiciones de predicción en la práctica, realice ejecuciones de confirmación en nuevas unidades independientes.
Las ejecuciones adicionales se deciden no por "hacer más", sino por "qué alias, curvatura o predicción se desea resolver".
Laboratorio In-Silico: Separe un efecto en dos columnas
- Verifique el primer contraste de A con un coeficiente verdadero de A igual a 6 y un coeficiente verdadero de BC igual a 5.
- Al poner BC en 0, observe cómo se acerca el primer contraste combinado al efecto de A.
- Mantenga A en 0 y aumente solo BC para verificar si aparece una "barra de A".
- Tras combinar con el foldover, observe si A y BC se recuperan por separado.
Follow the first screening and foldover
In a 4-run fraction where C=AB, A and BC are the same column. Add 4 foldovers to see how the two contrasts are separated.
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
If we determine that A is the cause based on just the first bar, we miss BC. It must be recorded that the effect selection criteria and additional design were selected after viewing the data.
educational synthetic modelbjs-screening-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.
Una fila del laboratorio es una ejecución sintética de una combinación de tratamiento codificada. Las primeras 4 filas y las 4 del foldover pertenecen a fases distintas; en un experimento real, deben diseñarse por separado la unidad experimental independiente y el orden aleatorio de ejecución.
Lea los resultados de JMP junto con la información del diseño
Pareto·half-normal reads effect candidates and alias information together.
Recheck the hierarchy, residuals, and estimation uncertainty of the selected terms.
See before execution if additional runs isolate any confusion.
Después de identificar posibles efectos grandes en Screening Effect Plots, utilice la información de alias y Design Evaluation para comprobar con qué está mezclada cada barra. En Fit Model, examine la jerarquía de los términos seleccionados, la incertidumbre de estimación y los residuos. Al evaluar Foldover o Augment, compruebe antes de ejecutar qué columnas separarán realmente las corridas adicionales.
El objetivo no es memorizar una secuencia de clics. Lo esencial es comprobar si la ambigüedad que deja el primer resultado se relaciona con la información nueva que aporta el siguiente diseño.
Ejemplo de descripción de resultados
En una media fracción de cuatro corridas apareció un contraste alias A/BC grande. En vez de declararlo efecto principal de A, se añadieron cuatro corridas de la fracción opuesta. El análisis combinado separó los efectos A y BC y la selección de términos mantuvo la jerarquía. Este resultado es un candidato de seguimiento en datos sintéticos de screening y requiere un experimento de confirmación independiente antes de aplicarse a condiciones reales.
Resumen del capítulo
- El screening es una etapa para reducir el conjunto de posibles efectos importantes.
- Las gráficas de Pareto y half-normal no sustituyen el análisis de alias ni el proceso de selección.
- El pooling es una decisión analítica basada en el supuesto de esparsidad.
- Un foldover cambia las relaciones de signo para separar determinados alias.
- Un resultado de screening no establece una causa final ni una condición óptima antes de una confirmación independiente.
En la siguiente unidad veremos cómo los puntos centrales repetidos de un diseño de screening revelan las limitaciones de un modelo lineal.
Material complementario
- NIST/SEMATECH · Analysis of fractional factorial designs
- JMP Help · Analysis of Screening Results
- JMP Help · Augment Design Platform Options
Este artículo y el laboratorio utilizan datos sintéticos con fines educativos y no constituyen evidencia para decisiones reales de investigación, proceso, calidad o regulación.