Livello: intermedio
Funzione lavorativa: Analista / Scienziato / Ingegnere
Philip Ramsey, proprietario e professore, North Haven Group e University of New Hampshire
Finalista del documento con il miglior contributo
Sebbene importanti per lo sviluppo o il miglioramento del processo / prodotto, gli esperimenti sui processi di miscela e miscela vincolati sono stati difficili da analizzare a causa delle correlazioni di grande effetto causate da vincoli regionali e lineari. Spesso sono stati selezionati modelli underfit piccoli con mancanza di adattamento o modelli overfit grandi con varianza 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 potatura in avanti, LASSO o tutti i modelli possibili consentono di trovare un miglior sottoinsieme di effetti da un ampio pool di candidati anche quando il numero di potenziali effetti supera il numero di prove sperimentali (supersaturazione). Utilizzando un esperimento di miscela di 10 componenti con vincoli sia regionali che lineari, dimostriamo come la regressione generalizzata può valutare anche modelli di miscela di grandi dimensioni (ad esempio, Scheffe full cubic) e identificare l'importante sottoinsieme di effetti. Viene illustrato il metodo di autovalidazione di Gotwalt e Ramsey (2018) per prevenire l'overfitting. Usiamo gli stessi metodi per analizzare un complicato esperimento di fattori di processo di miscela. Il discorso è principalmente analisi e discussione di JMP dal vivo. Viene inoltre discussa la generazione di esperimenti sul processo di miscela o miscela in Custom Design.
