Level: Mittelstufe
Job Funktion: Analyst / Wissenschaftler / Ingenieur
Philip Ramsey, Inhaber und Professor der North Haven Group und der University of New Hampshire
Bester Beitragsfinalist
Obwohl dies für die Prozess- / Produktentwicklung oder -verbesserung wichtig ist, war die Analyse von Experimenten mit eingeschränktem Gemisch und Mischverfahren aufgrund großer Effektkorrelationen, die durch regionale und lineare Einschränkungen verursacht wurden, schwierig zu analysieren. Oft wurden kleine Unteranpassungsmodelle mit mangelnder Anpassung oder große Überanpassungsmodelle mit überhöhter Vorhersagevarianz ausgewählt. Mit den erweiterten Modellauswahlmethoden in der Generalized Regression-Plattform von JMP Pro ist es jetzt möglich, große Mengen potenzieller Mischungseffekte anzupassen und zu bewerten. Modellauswahltechniken wie Pruned Forward, LASSO oder alle möglichen Modelle ermöglichen es, die beste Teilmenge von Effekten aus einem großen Pool von Kandidaten zu finden, selbst wenn die Anzahl potenzieller Effekte die Anzahl experimenteller Versuche überschreitet (Übersättigung). Anhand eines 10-Komponenten-Mischungsexperiments mit regionalen und linearen Einschränkungen zeigen wir, wie die generalisierte Regression auch große Mischungsmodelle (z. B. Scheffe-Vollkubik) bewerten und die wichtige Teilmenge der Effekte identifizieren kann. Die Autovalidierungsmethode von Gotwalt und Ramsey (2018) zur Verhinderung einer Überanpassung ist dargestellt. Wir verwenden dieselben Methoden, um ein kompliziertes Experiment mit Mischprozessfaktoren zu analysieren. Der Vortrag besteht hauptsächlich aus Live-JMP-Analysen und -Diskussionen. Das Generieren von Gemisch- oder Mischprozessversuchen in Custom Design wird ebenfalls diskutiert.
