Nivel: intermedio
Función laboral: Analista / Científico / Ingeniero
Philip Ramsey, propietario y profesor, North Haven Group y Universidad de New Hampshire
Finalista al mejor trabajo contribuido
Aunque son importantes para el desarrollo o mejora de procesos / productos, las mezclas restringidas y los experimentos de procesos de 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 pequeños de ajuste insuficiente con falta de ajuste o modelos grandes de ajuste excesivo con varianza 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 posibles efectos de mezcla. Las técnicas de selección de modelos como poda hacia adelante, LASSO o todos los modelos posibles permiten encontrar el mejor subconjunto de efectos de un gran grupo de candidatos, incluso cuando el número de efectos potenciales excede el número de ensayos experimentales (sobresaturación). Utilizando un experimento de mezcla de 10 componentes con restricciones regionales y lineales, demostramos cómo la regresión generalizada puede evaluar incluso modelos de mezcla grandes (por ejemplo, Scheffe cúbico completo) e identificar el subconjunto importante de efectos. Se ilustra el método de autovalidación de Gotwalt y Ramsey (2018) para evitar el sobreajuste. Usamos los mismos métodos para analizar un complicado experimento de factor de proceso de mezcla. La charla es principalmente análisis y discusión en vivo de JMP. También se discute la generación de experimentos de proceso de mezcla o mezcla en diseño personalizado.
