Niveau: intermédiaire
Fonction du poste: Analyste / Scientifique / Ingénieur
Philip Ramsey, propriétaire et professeur, North Haven Group et Université du New Hampshire
Meilleur article finaliste
Bien qu'elles soient importantes pour le développement ou l'amélioration des processus / produits, les expériences de mélange et de processus de mélange sous contraintes ont été difficiles à analyser en raison des corrélations d'effets importantes causées par des contraintes régionales et linéaires. Souvent, de petits modèles sous-ajustés avec un manque d'ajustement ou de grands modèles de sur-ajustement avec une variance de prédiction gonflée ont été sélectionnés. Grâce aux méthodes avancées de sélection de modèles 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 modèles telles que l'élagage avant, le LASSO ou tous les modèles possibles permettent de trouver un meilleur sous-ensemble d'effets à partir d'un grand pool de candidats, même lorsque le nombre d'effets potentiels dépasse le nombre d'essais expérimentaux (sursaturation). En utilisant une expérience de mélange à 10 composants avec des contraintes régionales et linéaires, nous démontrons comment la régression généralisée peut évaluer même les grands modèles de mélange (par exemple, Scheffe cubique plein) et identifier le sous-ensemble important d'effets. La méthode d'autovalidation de Gotwalt et Ramsey (2018) pour éviter le surajustement est illustrée. Nous utilisons les mêmes méthodes pour analyser une expérience complexe de facteurs de processus de mélange. Le discours est principalement des analyses et des discussions JMP en direct. La génération d'expériences de mélange ou de processus de mélange dans la conception personnalisée est également abordée.
