Response surface methodology

From Wikipedia, the free encyclopedia

Designed experiments with full factorial design (left), response surface with second-degree polynomial (right)

In statistics, response surface methodology (RSM) explores the relationships between several explanatory variables and one or more response variables. The method was introduced by G. E. P. Box and K. B. Wilson in 1951. The main idea of RSM is to use a sequence of designed experiments to obtain an optimal response. Box and Wilson suggest using a second-degree polynomial model to do this. They acknowledge that this model is only an approximation, but use it because such a model is easy to estimate and apply, even when little is known about the process.

Basic approach of response surface methodology

An easy way to estimate a first-degree polynomial model is to use a factorial experiment or a fractional factorial designs. This is sufficient to determine which explanatory variables have an impact on the response variable(s) of interest. Once it is suspected that only significant explanatory variables are left, then a more complicated design, such as a central composite design can be implemented to estimate a second-degree polynomial model, which is still only an approximation at best. However, the seconddegree model can be used to optimize (maximize, minimize, or attain a specific target for) a response. [edit]Special [edit]Cube Cubic designs are discussed by Kiefer, by Atkinson, Donev, and Tobias and by Hardin and Sloane. [edit]Sphere Spherical designs are discussed by Kiefer and by Hardin and Sloane. [edit]Simplex

geometries

geometry and mixture experiments

Mixture experiments are discussed in many books on the design of experiments, and in the responsesurface methodology textbooks of Box and Draper and of Atkinson, Donev and Tobias. An extensive discussion and survey appears in the advanced textbook by John Cornell. [edit]Extensions

[edit]Multiple

objective functions

See also: Multiobjective optimization and Pareto efficiency Some extensions of response surface methodology deal with the multiple response problem. Multiple response variables create difficulty because what is optimal for one response may not be optimal for other responses. Other extensions are used to reduce variability in a single response while targeting a specific value, or attaining a near maximum or minimum while preventing variability in that response from getting too large. [edit]Practical

concerns

Response surface methodology uses statistical models, and therefore practitioners need to be aware that even the best statistical model is an approximation to reality. In practice, both the models and the parameter values are unknown, and subject to uncertainty on top of ignorance. Of course, an estimated optimum point need not be optimum in reality, because of the errors of the estimates and of the inadequacies of the model. Nonetheless, response surface methodology has an effective track-record of helping researchers improve products and services: For example, Box's original response-surface modeling enabled chemical engineers to improve a process that had been stuck at a saddle-point for years. The engineers had not been able to afford to fit a cubic three-level design to estimate a quadratic model, and their biasedlinearmodels estimated the gradient to be zero. Box's design reduced the costs of experimentation so that a [1][2] quadratic model could be fit, which led to a (long-sought) ascent direction.

Dirancang eksperimen dengan rancangan faktorial lengkap (kiri), respon permukaan dengan tingkat dua polinomial (kanan) Dalam statistik, respon permukaan metodologi (RSM)mengeksplorasi hubungan antara variabel penjelas beberapa dan satu atau lebih variabel respon. Metode ini diperkenalkan oleh PMPBox dan KB Wilson pada tahun 1951. Ide utama dari RSM adalah dengan menggunakan urutan percobaan yang dirancang untuk mendapatkan respon yang optimal. Kotak dan Wilson menyarankan menggunakan model polinomial tingkat dua untuk melakukan ini.Mereka mengakui bahwa model ini hanya sebuah pendekatan,tetapi menggunakannya karena model seperti itu mudah untuk memperkirakan dan menerapkan, bahkan ketika sedikit yang diketahui tentang proses. Dasar pendekatan metodologi respon permukaan Cara mudah untuk memperkirakan model polinomial tingkat pertama adalah dengan menggunakan percobaan faktorial atau desain faktorial pecahan. Hal ini cukup untuk menentukan variabel penjelas memiliki dampak pada variabel respon (s) dari bunga.Setelah diduga bahwa hanya variabel penjelas yang signifikan yang tersisa, kemudian desain yang lebih rumit, seperti desain komposit pusat dapat diterapkan untuk memperkirakan model polinomial tingkat dua, yang masih hanya perkiraan terbaik. Namun, model tingkat dua dapat digunakan untuk mengoptimalkan (memaksimalkan, meminimalkan, atau mencapai target tertentu untuk) tanggapan.

[Sunting] geometri Khusus [Sunting] Cube Desain kubik dibahas oleh Kiefer, oleh Atkinson, Donev, dan Tobias dan oleh Hardin dan Sloane. [Sunting] Sphere Desain Bulat dibahas oleh Kiefer dan oleh Hardin dan Sloane. [Sunting] Simplex geometri dan campuran percobaan Campuran percobaan yang dibahas dalam banyak buku pada desain percobaan, dan dalam respon-permukaan buku teks metodologi Box dan Draper dan Atkinson, Donev dan Tobias.Sebuah diskusi yang luas dan survei muncul dalam buku teks canggih oleh John Cornell. [Sunting] Ekstensi [Sunting] Beberapa fungsi tujuan Lihat juga: optimasi obyektif majemuk dan efisiensi Pareto Beberapa ekstensi dari kesepakatan metodologi respon permukaan dengan masalah respon ganda. Beberapa variabel respon menciptakan kesulitan karena apa yang optimal untuk satu tanggapan tidak mungkin optimal untuk tanggapan lainnya.Ekstensi lain digunakan untuk mengurangi variabilitas dalam respon tunggal sementara menargetkan nilai tertentu, atau mencapai maksimum atau minimum dekat sementara mencegah variabilitas dalam bahwa respon dari terlalu besar. [Sunting] kekhawatiran Praktis Respon metodologi permukaan menggunakan model statistik, dan karena itu praktisi perlu menyadari bahwa bahkan model statistik terbaik adalah perkiraan dengan kenyataan. Dalam prakteknya, baik model dan nilai parameter tidak diketahui, dan tunduk pada ketidakpastian di atas kebodohan. Tentu saja, titik optimum diperkirakan tidak perlu optimal dalam kenyataannya, karena kesalahan dari perkiraan dan kekurangan dari model. Meskipun demikian, respon metodologi permukaan memiliki track record-efektif untuk membantu peneliti meningkatkan produk dan layanan: Misalnya, asli Kotak responpermukaan pemodelan memungkinkan insinyur kimia untuk meningkatkan proses yang telah terjebak pada titik pelana selama bertahun-tahun. Para insinyur tidak mampu membayar sesuai desain tiga tingkat kubik untuk memperkirakan model kuadrat, dan mereka biasedlinear-model perkiraan gradien menjadi nol. Desain Box mengurangi biaya eksperimen sehingga model kuadrat bisa menjadi bugar, yang menyebabkan arah pendakian (lama dicari) [1] [2].