77079_fr-FR

liliconcom

termes du troisième ordre dans le modèle linéaire

Chers experts JMP,

J'aimerais connaître votre opinion sur les sujets ci-dessous:

1) Est-il judicieux d’inclure des termes du 3ème ordre (cubique, interaction) dans un modèle avec des séries expérimentales constituées de facteurs étudiés sur 3 niveaux uniquement?

2) Dans quelles circonstances incluriez-vous des termes de 3ème ordre relatifs au modèle de processus industriel?

Merci beaucoup,

Michal

Re: termes du troisième ordre dans le modèle linéaire

Ajouter à mon collègue @markbailey Les recommandations et les conseils de votre deuxième question sur le «Quand»?, ajoutons que si vos connaissances en physique, en chimie, en biologie, en comportement socioéconomique ou votre expertise du domaine général sont telles qu'AVANT de mener des expériences, vous pensez qu'il peut y avoir des effets d'interaction actifs à 3 facteurs, eh bien, c'est un moment où j'avais mis en place une conception permettant d'estimer ces effets. Vous pouvez optimiser cela au sein de la plate-forme JMP Custom Design en expliquant explicitement les effets d'interaction spécifice à 3 facteurs que vous souhaitez estimer.

Re: termes du troisième ordre dans le modèle linéaire

Premièrement, vous ne pouvez pas estimer les paramètres des termes du troisième ordre avec seulement trois niveaux. Si votre expérience correspond au modèle de second ordre avec un manque d'ajustement, utilisez DOE> Augment Design pour ajouter les nouveaux termes et créer les nouvelles exécutions qui complètent les exécutions d'origine.

 

Deuxièmement, j'explorerais les termes du troisième ordre si mon modèle de second ordre présentait un manque d'ajustement significatif ou si j'étais incapable de vérifier les prédictions du modèle de second ordre. Cet échec indique un biais du modèle qui ne peut pas être testé comme un manque d’ajustement.

 

Le modèle de second ordre modélise avec succès la plupart des cas avec une réponse non linéaire, mais sur une plage étendue, un modèle linéaire d'ordre supérieur ou un autre modèle complet (par exemple, un réseau de neurones) peut être nécessaire pour éliminer le biais. Par exemple, si votre réponse présente une asymptote, la fonction polynomiale ne pourra pas modéliser correctement la réponse.