Level: Mittelstufe
Jobfunktion: Analyst / Wissenschaftler / Ingenieur
Industrie: Herstellung
Philip Ramsey, Inhaber und Professor der North Haven Group und der University of New Hampshire
Obwohl es für die Prozess- / Produktentwicklung oder -verbesserung wichtig ist, waren Experimente mit Zwangsmischungen und Mischprozessen aufgrund großer Korrelationen, die durch regionale und lineare Randbedingungen verursacht werden, schwierig zu analysieren. Oft wurden kleine Underfit-Modelle mit fehlender Passform oder große Overfit-Modelle mit aufgeblasener Vorhersageabweichung ausgewählt. Mit den erweiterten Modellauswahlmethoden in der Generalized Regression-Plattform von JMP Pro ist es jetzt möglich, große Mengen potentieller Mischungseffekte anzupassen und zu bewerten. Mit Hilfe von Modellauswahlverfahren, wie z. B. Bereinigung nach vorne, LASSO oder allen möglichen Modellen, kann aus einer großen Anzahl von Kandidaten die beste Teilmenge der Effekte ermittelt werden, auch wenn die Anzahl der potenziellen Effekte die Anzahl der experimentellen Versuche übersteigt (Übersättigung). Mit einem 10-Komponenten-Gemischexperiment mit regionalen und linearen Randbedingungen demonstrieren wir, wie Generalized Regression selbst große Gemischmodelle (z. B. Scheffe full cubic) auswerten und die wichtige Teilmenge der Effekte identifizieren kann. Die Autovalidierungsmethode von Gotwalt und Ramsey (2018) zur Vermeidung von Überanpassung wird veranschaulicht. Wir verwenden die gleichen Methoden, um ein kompliziertes Mischprozessfaktor-Experiment zu analysieren. Bei dem Vortrag handelt es sich in erster Linie um Live-JMP-Analysen und Diskussionen. Das Erstellen von Gemisch- oder Mischprozessexperimenten im benutzerdefinierten Design wird ebenfalls diskutiert.
