Nivel: Intermedio
Función laboral: Analista / Científico / Ingeniero
Industria: Fabricación
Philip Ramsey, propietario y profesor, North Haven Group y University of New Hampshire
Aunque es importante para el desarrollo / mejora del proceso / producto, los experimentos de mezcla limitada y mezcla han sido difíciles de analizar debido a las grandes correlaciones de efectos causadas por restricciones regionales y lineales. A menudo, se han seleccionado modelos de ropa pequeña con falta de ajuste o modelos de gran tamaño con variación de predicción inflada. Con los métodos avanzados de selección de modelos en la plataforma de regresión generalizada de JMP Pro, ahora es posible ajustar y evaluar grandes conjuntos de efectos de mezcla potenciales. Las técnicas de selección de modelos tales como poda hacia adelante, LASSO o todos los modelos posibles permiten encontrar un mejor subconjunto de efectos de un gran grupo de candidatos, incluso cuando el número de efectos potenciales supera el número de ensayos experimentales (sobresaturación). Usando un experimento de mezcla de 10 componentes con restricciones tanto regionales como lineales, demostramos cómo la Regresión Generalizada puede evaluar incluso modelos de mezcla grandes (por ejemplo, Scheffe full cubic) e identificar el subconjunto importante de efectos. Se ilustra el método de autovalidación de Gotwalt y Ramsey (2018) para evitar el sobreajuste. Utilizamos los mismos métodos para analizar un experimento de factor de proceso de mezcla complicada. La charla es principalmente análisis y discusión de JMP en vivo. Generación de experimentos de mezcla o proceso de mezcla en diseño personalizado también se discute.
