D CONCEPTIONS OPTIMALESBonjour,
Je suis un utilisateur JMP et j'ai un doute sur
comment JMP découvre l'importance du
effets dans DOE après avoir effectué un D OPTIMAL
conception.
Si par exemple j'ai un modèle à 16 passages et qu'il s'avère
que je ne peux en exécuter que 13, alors je peux utiliser D-OPTIMAL
pour savoir lesquels ignorer.
Le problème est que je ne sais pas si la seule façon de
évalue l’importance des effets en utilisant
une valeur p passant par les moindres carrés ordinaires
régression.
Si tel est le cas, je trouve cela très simpliste,
puisqu'il existe des alternatives bayésiennes
pour ce faire, nous pouvons estimer davantage
les valeurs manquantes.
J'apprécierai vraiment les commentaires sur ce sujet.
Merci.
Re: D CONCEPTIONS OPTIMALESSalut Dan,
Merci beaucoup pour la réponse. Vous avez insisté pour avoir
ÉNORME prudence lorsqu’il s’agit d’imputer une disparition
valeurs.
J'ai essayé avec JMP mais ça ne donne pas le
option raisonnable pour imputer ces éléments manquants
valeurs en les estimant à l'aide des contrastes qui peuvent être
considéré comme nul, tel que facteur 3 et 4
interactions.
Que pensez-vous de cette façon d’imputer les valeurs manquantes ? Parce que
Georges J.P. Box a insisté sur le fait que c'était un bon moyen de
imputez les valeurs manquantes jusqu'à 2, maximum 3.
Ces valeurs sont « inventées » mais en utilisant une méthode différente et
peut-être une technique appropriée ayant moins d'influence
sur le modèle.
J'apprécierai votre opinion à ce sujet.
Merci encore,
Rafel
Re: D CONCEPTIONS OPTIMALESJe pense que vous ne comprenez pas comment fonctionnent les conceptions D-optimales. Les conceptions D-Optimal ne peuvent être créées que pour le modèle que vous avez spécifié et ne doivent pas « choisir les exécutions à ignorer ».
Par exemple, supposons que j'ai 4 facteurs et que je souhaite ajuster un modèle avec tous les effets principaux et toutes les interactions bidirectionnelles. Cela me donnera 11 termes dans mon modèle (y compris l'interception). Une conception D-optimale nécessitera au moins 11 exécutions (c'est-à-dire le nombre minimum d'exécutions proposé par JMP dans le processus de création de conception). C'est une exigence car le D dans D-optimal fait référence à un déterminant d'une matrice qui doit être inversé.
Maintenant, si je prends la même situation mais que je liste toutes mes interactions bidirectionnelles comme "Si possible" plutôt que "Nécessaire", vous verrez le nombre minimum d'exécutions tomber à 5 (uniquement l'interception et les effets principaux). En faisant cela, vous demandez en fait à JMP de créer une conception bayésienne D-Optimal. Dans une telle situation, vous ne pouvez pas adapter le modèle aux effets principaux et à toutes les interactions bidirectionnelles. Vous devrez utiliser quelque chose comme la régression pas à pas vers l'avant (ou d'autres techniques proposées par JMP) pour déterminer lesquelles des interactions bidirectionnelles sont considérées comme « actives ».
Maintenant, peut-être que votre question concerne davantage une conception D-optimale à 16 exécutions qui permet d'estimer tous les effets principaux et toutes les interactions bidirectionnelles, mais pour une raison quelconque, 3 exécutions ne sont pas terminées. Pour cette situation, vous disposez de 13 exécutions, ce qui est plus que les 11 exécutions requises. Par conséquent, la régression des moindres carrés ordinaires fonctionnera et permettra de tester tous les paramètres. Malheureusement, la conception n’est pas optimale pour 13 courses, elle est optimale pour 16. Par conséquent, vous aurez probablement une multicolinéarité plus élevée des estimations des paramètres et une plus grande variance des estimations des paramètres. Il ne s'agit pas d'une limitation de JMP, c'est d'une limitation de la régression des moindres carrés et du fait de ne pas compléter la conception telle qu'elle était initialement présentée.
JMP propose des alternatives dans de telles situations. Vous pouvez imputer les valeurs manquantes. Vous pouvez essayer des techniques de modélisation alternatives qui gèrent différemment la multicolinéarité et les valeurs manquantes (PLS, réseaux de neurones, modèles de partition, etc.). Si vous accédez à JMP Pro, vous disposez d'encore PLUS d'options pour ajuster les modèles afin de gérer ces situations différemment.
Une ÉNORME prudence cependant, surtout lorsqu'il s'agit d'imputer des valeurs manquantes. S'il s'agit d'une expérience planifiée, chaque essai est choisi pour avoir une grande influence sur les résultats. Après tout, vous essayez d’obtenir un maximum d’informations pour un nombre minimal de points de données. Je ne recommanderais PAS d'imputer des valeurs pour une expérience conçue, car il n'y a pas beaucoup de données pour déterminer une structure appropriée pour imputer avec précision les valeurs et ce résultat « inventé » aura beaucoup d'influence sur le modèle.
