Niveau: intermédiaire
Fonction: Analyste / Scientifique / Ingénieur
Industrie: fabrication
Philip Ramsey, propriétaire et professeur, North Haven Group et Université du New Hampshire
Bien qu’elles soient importantes pour le développement ou l’amélioration des procédés / des produits, les expériences en mélange restreint et en procédé de mélange ont été difficiles à analyser en raison des corrélations importantes entre les effets causées par des contraintes régionales et linéaires. Souvent, de petits modèles sous-équipés avec un manque d’ajustement ou de grands modèles suréquipés avec une variance de prévision gonflée ont été sélectionnés. Grâce aux méthodes de sélection de modèle avancées de la plate-forme de régression généralisée de JMP Pro, il est désormais possible d'ajuster et d'évaluer de grands ensembles d'effets de mélange potentiels. Les techniques de sélection de modèle telles que LUNO, élagage avancé ou tous les modèles possibles permettent de trouver le meilleur sous-ensemble d’effets parmi un grand nombre de candidats, même lorsque le nombre d’effets potentiels dépasse le nombre d’essais expérimentaux (sursaturation). En utilisant une expérience de mélange de 10 composants avec des contraintes à la fois régionales et linéaires, nous montrons comment la régression généralisée peut évaluer même des modèles de mélange volumineux (par exemple, Scheffe en cube complet) et identifier le sous-ensemble important d'effets. La méthode d'auto-validation de Gotwalt et Ramsey (2018) visant à prévenir les sur-ajustements est illustrée. Nous utilisons les mêmes méthodes pour analyser une expérience compliquée de facteur de processus de mélange. Il s’agit principalement d’analyses et de discussions en direct sur JMP. La génération d’expériences de mélange ou de processus de mélange dans une conception personnalisée est également abordée.
