Livello: intermedio
Funzione di lavoro: analista / scienziato / ingegnere
Industria: produzione
Philip Ramsey, proprietario e professore, North Haven Group e University of New Hampshire
Sebbene siano importanti per il processo / lo sviluppo o il miglioramento del prodotto, gli esperimenti sui processi di miscela e miscela vincolati sono stati difficili da analizzare a causa delle forti correlazioni degli effetti causate da vincoli regionali e lineari. Spesso sono stati selezionati modelli di sottotuta piccoli con vestibilità ridotta o grandi modelli di vestibilità con variante di previsione gonfiata. Con i metodi avanzati di selezione del modello nella piattaforma di regressione generalizzata di JMP Pro, è ora possibile adattare e valutare grandi serie di potenziali effetti di miscela. Le tecniche di selezione del modello come potato forward, LASSO, o tutti i possibili modelli permettono di trovare il miglior sottoinsieme di effetti da un ampio pool di candidati anche quando il numero di potenziali effetti supera il numero di prove sperimentali (sovrasaturazione). Usando un esperimento di miscela a 10 componenti con vincoli regionali e lineari, dimostriamo come la regressione generalizzata è in grado di valutare anche modelli di miscele di grandi dimensioni (ad esempio, Scheffe full cubic) e identificare l'importante sottoinsieme di effetti. Viene illustrato il metodo di autovalutazione di Gotwalt e Ramsey (2018) per prevenire il sovradattamento. Utilizziamo gli stessi metodi per analizzare un complicato esperimento di fattori di processo della miscela. Il discorso è principalmente analisi e discussioni JMP dal vivo. Viene anche discussa la generazione di esperimenti di processo di miscelazione o miscela in Custom Design.
