Lorsqu'un ou plusieurs facteurs d'une expérience sont continus, de nombreux chercheurs préfèrent ajouter plusieurs analyses au centre de la zone de conception. Cette pratique accomplit deux choses:
1) Il permet de tester la courbure globale.
2) Il fournit des exécutions répliquées, ce qui signifie que JMP peut calculer une estimation non biaisée de la variance d'erreur. La plateforme Fit Model effectuera également un test automatique de manque d'ajustement.
Vous pouvez ajouter des courses de centre dans JMP 9 après la création de la conception. Comment la spécification préalable aide-t-elle?
L’ajout de centre s’exécute dans le cadre de la spécification du conception expérimentale permet au concepteur personnalisé d’ajouter ces exécutions de manière optimale. Cela n'a pas d'importance si tous les facteurs sont continus. Cependant, si un facteur est catégorique, une affectation optimale des courses centrales peut alors améliorer la conception.
N’est-il pas préférable d’ajouter un seul centre pour chaque niveau du facteur catégorique?
Étonnamment, cela ne s'avère pas toujours être vrai!
Imaginez un paramètre dans lequel vous avez trois fournisseurs et cinq facteurs continus que vous souhaitez étudier avec un modèle d'effets principal utilisant 12 cycles. Vous décidez que vous voulez que trois des pistes soient des pistes centrales. Il est apparu qu’il était statistiquement plus efficace de ne pas créer un centre pour chaque fournisseur.
Le tableau 1 affiche les paramètres de facteur pour l'allocation optimale des courses de centre aux fournisseurs.
Notez qu'il existe quatre exécutions pour chacun des trois fournisseurs et que le fournisseur C a deux exécutions centrales tandis que le fournisseur B n'en a aucune.
Nous pouvons comparer cette conception avec la conception optimale à neuf cycles pour les trois fournisseurs, avec un cycle central ajouté pour chaque fournisseur. Vous pouvez voir cette conception dans le tableau 2.
Je me sens plus à l'aise avec l'allocation uniforme. Qu'est-ce que je perds?
Premièrement, la variance maximale de prédiction pour la conception est plus grande de 50% supérieure pour la conception avec une allocation égale. En outre, la variance moyenne des prévisions est supérieure de plus de 10%.
La figure 1 montre que les coefficients estimés présentent également des variances plus importantes pour la conception qui alloue le centre de manière uniforme. Pour chaque paramètre, le facteur d'inflation de variance (VIF) est plus grand pour la conception avec une allocation uniforme des centres.
La figure 2 montre des graphiques côte à côte comparant les corrélations de colonnes pour les deux conceptions. La conception pour une allocation uniforme des exécutions de centre a des corrélations de colonne plus salissantes et généralement plus élevées.
Cet exemple est intéressant, mais ce genre de résultat est-il courant?
Je pense que même l'allocation des courses de centre à des blocs et des niveaux de facteurs catégoriels s'avéreront souvent être optimales. Si vous prenez le même scénario avec 21 analyses au lieu de 12, la conception optimale attribue une analyse centrale par fournisseur.
Le dernier mot…
Franchement, je ne suis pas un grand fan de l'ajout de pistes de centre aux conceptions - en particulier les conceptions de projection. Je préférerais pouvoir identifier la source de toute courbure dans la réponse, comme le font les conceptions de dépistage définitives. Pour la réplication, je préfère répliquer les points qui aident à estimer les effets de l’intérêt. Les exécutions centrales n’aident pas à estimer un paramètre autre que l’interception.
