Bonjour!
J'utilise JMP 13 dans mon mémoire de maîtrise afin de construire un modèle statistique. Je suis nouveau dans la construction de modèles, donc je m'excuse d'avance si mes questions semblent un peu basiques, mais toute forme d'aide signifierait vraiment beaucoup pour moi.
Dans mon mémoire de maîtrise, j'ai réalisé un Definitive Screening Design (6 facteurs + 2 faux facteurs, 7 réponses, 17 exécutions) afin d'étudier certains processus. Après avoir effectué toutes les expériences et analyses nécessaires, j'ai analysé les données collectées avec deux méthodologies analytiques proposées par Jones et Nachtsheim en 2016 (méthode de sélection efficace de modèles pour les DSD (EMS) ou régression pas à pas directe (FSR)). Ils disent que l'EMS est généralement préféré, mais que le FSR fonctionne de manière adéquate si le nombre d'effets actifs ne dépasse pas la moitié du nombre d'exécutions et qu'il y a au plus deux interactions bidirectionnelles actives ou au plus un effet quadratique actif (Guide du DOE p. 257). Ces conditions s’appliquent à toutes nos réponses.
J'ai quelques questions concernant la sélection des facteurs pour la construction de modèles avec la méthode FSR. J'ai fait le FSR avec les conditions suivantes :
Règle d'arrêt : AICc minimum
Sens : En avant
Règles : Combiner
FSR a choisi certains facteurs et j'ai créé un modèle avec les moindres carrés standards.
Voici donc ma première question :
Dans le résumé des effets (voir le résumé des effets photo 1 ci-dessous), j'ai remarqué que le facteur Temp (5,25) a une valeur PV de 0,16260. Je sais que ce facteur est inclus en raison de la règle de combinaison (Temp. est inclus dans l'interaction Konc.lakt*Temp. qui a une PValue inférieure à 0,05). Est-il nécessaire pour le modèle que Temp. est inclus ou puis-je construire un modèle sans, bien que Temp. est inclus dans l'interaction ? Si Temp. est supprimé, JMP continue de m'avertir que Temp. est manquant.
J'ai également remarqué que cela ne change pas beaucoup le modèle si je supprime Temp. comme facteur, ce qui est logique en raison de la valeur élevée, que je comprends comme un signe que le facteur est insignifiant. (ou ai-je tort?). Les valeurs PV des autres facteurs inclus ont également changé, donc maintenant le facteur Konc.lakt avait également une valeur PV supérieure à 0,05 (dois-je l'exclure également ?).
J'ai comparé les modèles. (Voir photos ci-dessous : Réel par parcelle prédite 1 pour le modèle réduit et Réel par parcelle prédite 2 pour le modèle non réduit). J'ai comparé le modèle avec tous les effets sur l'image Effect Summary 1 et le modèle avec uniquement les facteurs qui ont une PValue inférieure à 0,05 (Voir photo Effect summary 2). Les modèles semblent très similaires, le modèle avec plus d'effets inclus a un peu mieux ajusté (ce qui est logique), mais pas beaucoup, l'analyse résiduelle est également très similaire et les points provenant d'expériences supplémentaires, qui n'ont pas été utilisées pour créer un modèle (bleu , étoiles violettes et vertes) sont dans des positions similaires. Est-il vrai que je garde les effets les moins actifs dans le modèle ? Je ne pense pas, car ces effets ne changent pas beaucoup le modèle, donc les inclure pourrait être trompeur et nous pourrions surajuster le modèle. Ou est-ce que je me trompe peut-être ?
Si je regarde une autre réponse, où j'obtiens un seul facteur avec une valeur inférieure à 0,05, alors l'ajout d'un autre facteur au modèle améliore un peu plus le modèle que dans l'exemple précédent (meilleur ajustement, meilleure analyse résiduelle) mais toujours pas très beaucoup (Voir photo ci-dessous : Réel par parcelle prédite 3 pour le modèle non réduit et Réel par parcelle prédite 4 pour le modèle réduit). Les choses changent-elles si l’on se retrouve avec un seul facteur dans le modèle réduit ?
Merci pour toutes vos réponses et vos efforts par avance.
Daniel
Oui, je l'ai fait pour chacune de mes mesures. J'ai également effectué des transformations lorsque cela était approprié (meilleur ajustement des données et meilleure analyse des résidus). Que pensez-vous de mes autres propositions pour améliorer le modèle ?
Plusieurs fois, les tests de réponse (mesures) sont exécutés plusieurs fois (3) et la réponse résultante est moyennée pour réduire l'erreur apportée par le système de mesure.
Vous pouvez également consulter l'aide JMP pour obtenir des informations sur la transformation de modèle.
Ajustement de modèles linéaires > Rapport et options des moindres carrés standard > Profilage factoriel > Transformation de la boîte Cox Y
C'est un bon point. Je pense que oui, mais je vais devoir le vérifier. Le modèle semble bien meilleur sur d'autres réponses, j'ai en fait choisi les deux pires modèles, car je me demande comment pourrais-je améliorer ces modèles. La solidité des réponses a été mesurée par curiosité et elle devrait se révéler être une bonne ou une mauvaise méthode d'analyse. Je suppose que la méthode n'est pas si bonne...
Je réfléchissais également à ce qui pourrait être fait pour améliorer le modèle. Je suppose que si la méthode analytique est mauvaise, il n’y a pas grand-chose à faire à part répéter les mesures. Puis-je également essayer de créer un modèle avec une autre méthode que les moindres carrés standard, par exemple la variance log-linéaire ? Pourrais-je améliorer mon modèle en faisant quelques expériences supplémentaires et si oui, comment puis-je choisir les valeurs de facteurs que le modèle améliorera le plus (si cela est même possible) ? Existe-t-il un autre moyen d'améliorer le modèle ?
Daniel,
Votre méthode de test pour vos réponses, à savoir la rondeur et la solidité, a-t-elle des capacités adéquates ? Si vous analysez vos échantillons plusieurs fois le même jour et au fil du temps, obtenez-vous des résultats reproductibles. Je suis curieux car nous constatons souvent que de nombreux signaux proviennent du bruit une fois que nous avons compris le bruit de notre méthode de test.
Pour votre première question, ce n'est pas une nécessité absolue mais cette règle de combinaison vise à respecter le principe de l'hérédité des effets.Il est généralement déconseillé de supprimer les effets principaux et de laisser les interactions contenant cet effet dans le modèle.Cela étant dit, si vous le supprimez, vous dites en fait que l'effet moyen de la température sur tous les autres niveaux de facteurs est de 0, mais que la taille de l'effet peut être non nulle en fonction du ou des niveaux d'autres facteurs (via le interactions).
Si les facteurs ont un degré élevé de corrélation les uns avec les autres, les valeurs p peuvent changer considérablement en fonction de ce qui entre et sort du modèle.Puisque vous avez fait un DSD, vos effets principaux devraient tous être complètement orthogonaux, donc je ne pense pas que ce soit ce qui se passe Konc.lakt.Les niveaux alpha ne sont pas sacrés.Vous pouvez utiliser votre jugement si la valeur p est marginale.
Un autre conseil que je vous donnerais est d'être généreux en alpha pour ce type de design.Les DSD n'ont pas la plus grande puissance statistique car ce sont généralement des conceptions très économiques.Il serait assez facile de supprimer quelques facteurs qui comptent réellement.Je préfère être sur-formé plutôt que sous-formé.Votre modèle semble sous-adapté dans Actual by Predicted 4. C'est également une bonne idée d'effectuer des analyses de confirmation sur quelques points différents dans votre espace de conception pour vous assurer que votre modèle fournit des prédictions raisonnables.
