Différents résultats analysant Plackett Burman avec Statistica et JMP Pro 12Hey!
J’ai commencé à utiliser JMP Pro 12 hier et j’essaie actuellement de maîtriser la fonction DOE.
Auparavant, un étudiant avait conçu une matrice de Plackett Burman utilisant 11 facteurs dans 12 expériences. Des données expérimentales sur la concentration en protéines ont été obtenues. Ces expériences ont été analysées avec Statistica, ce qui a donné 4 facteurs significatifs à des valeurs p inférieures à 0,01. Nous utilisons maintenant JMP Pro en espérant qu’il serait plus pratique de travailler avec. Mais une fois que j'ai saisi les données et utilisé l'outil d'analyse -> modélisation -> de dépistage tel qu'expliqué dans le plan, je me retrouve avec les mêmes 4 facteurs que ceux qui ont le plus contribué, mais avec des valeurs p supérieures à 0,3. Avez-vous une idée de ce que j'ai pu faire de mal, comment ces différents résultats ont-ils été obtenus?
Je vous remercie 
Re: Différents résultats analysant Plackett Burman avec Statistica et JMP Pro 12La plateforme de filtrage sert de passerelle entre vos données et votre analyse de régression. Son but est d'identifier rapidement les effets actifs selon les principes du dépistage. Vous pouvez cliquer Faire modèle (ouvrez la boîte de dialogue Adapter le modèle) ou Exécuter le modèle (ouvrez l'option Ajuster les moindres carrés) en bas pour afficher les effets de contraste actuellement sélectionnés dans une analyse de régression.
Il me semble que si, en réalité, seulement 4 des 11 facteurs candidats sont actifs, vous avez de bonnes chances d’obtenir au moins une approximation de premier ordre de la réponse, avec éventuellement quelques effets d’interaction. Cette approximation peut suffire à optimiser la réponse ou à vous guider dans l’augmentation de l’expérience initiale avec des analyses supplémentaires pour améliorer le modèle et donc l’optimisation.
Re: Différents résultats analysant Plackett Burman avec Statistica et JMP Pro 12Ah je l'ai! Je vous remercie!
Re: Différents résultats analysant Plackett Burman avec Statistica et JMP Pro 12Pour que la réponse de Peter soit un peu plus avancée, la conception du PB est conçue pour le filtrage. Dans votre cas, les 12 analyses ont été conçues pour examiner les 11 facteurs. L’approche de dépistage, en général, et la conception de PB, en particulier, ont du succès lorsque les principes de dépistage du effet clairsemé , hérédité , et hiérarchie tenir. La propriété de projection d’un modèle de filtrage vous permet souvent de construire un modèle avec des effets principaux et des interactions à deux facteurs sans exécution supplémentaire pour le modèle. petit nombre de facteurs actifs parmi le grand nombre de facteurs candidats examinés. (Notez que les conceptions à deux niveaux empêchent la modélisation de la courbure dans la réponse.)
Donc, la modélisation est limitée par la conception, ou pour inverser cette relation, la conception adéquate suit le modèle prévu. Si votre modèle réaliste est plus compliqué (nombreux facteurs actifs générant de nombreux effets, linéaires et non linéaires), la conception doit également être plus complexe que la conception de filtrage.
Si (plus ou moins) plus de la moitié des facteurs candidats de l'expérience sont actifs ou si l'ampleur des effets n'est pas beaucoup plus grande que l'écart type de la réponse, vous risquez de ne pas bien détecter les facteurs actifs. Il n'y a tout simplement pas assez de données et pas toutes les combinaisons de niveaux nécessaires pour résoudre le problème dans ce cas.
L’analyse initiale pourrait toutefois fournir certaines indications. Il est également possible d'utiliser les données PB existantes et de les augmenter pour augmenter la capacité de modélisation de la réponse sans recommencer.
Re: Différents résultats analysant Plackett Burman avec Statistica et JMP Pro 12Une conception de Plackett-Burman de 12 facteurs pour 11 facteurs est une forme de modèle de filtre super saturé. Habituellement, ces types de conceptions sont utilisés pour identifier les facteurs très influents dans un système en vue d'un plan de résolution de problèmes qui inclut une expérimentation ultérieure avec ces facteurs dans des conceptions alternatives plus adaptées aux objectifs d'optimisation des processus.
Re: Différents résultats analysant Plackett Burman avec Statistica et JMP Pro 12Ce que j'aimerais savoir, c'est lequel des 11 facteurs se répercutant de manière significative sur le rendement en protéines. Dans les 12 expériences différentes compositions des facteurs ont été utilisées. Le rendement en protéines a été mesuré pour les 12 expériences. Nous aimerions maximiser le rendement du produit. Si je dispose de 11 facteurs contribuant à un seul produit par expérience, puis-je analyser cela en utilisant une simple analyse de régression?
Désolé, un peu confus à propos de tout ça.
Re: Différents résultats analysant Plackett Burman avec Statistica et JMP Pro 12Merci pour la réponse rapide!
Est-ce le chapitre complet sur les dessins factoriels? Il me lit comme si j’aurais besoin de plus que les 12 expériences qui ont été faites pour les 11 facteurs différents?
Re: Différents résultats analysant Plackett Burman avec Statistica et JMP Pro 12Voir Aidez-moi > Livres > Guide de conception d'expériences > Chapitre 10: La plateforme de dépistage Fit sur deux niveaux .
Re: Différents résultats analysant Plackett Burman avec Statistica et JMP Pro 12L'analyse de régression dans JMP devrait donner les mêmes résultats que Statistica.
La plate-forme Screening utilise une approche différente qui s’appuie sur les principes de filtrage d’effets, de hiérarchie et d’hérédité. Il crée des contrastes basés sur ces principes pour être orthogonaux. Ils sont probablement les mêmes que les estimations de paramètres dans le cas d'une conception de PB. Les contrastes sont ajoutés sur la base des principes jusqu’à saturation du modèle, de sorte qu’il n’ya pas de degrés de liberté pour estimer l’erreur. Les pseudo-erreurs de Lenth sont calculées et utilisées pour calculer les rapports t. Cependant, ces ratios n’ayant pas de distribution de Student, une distribution d’échantillonnage empirique est calculée par une simulation de Monte Carlo. La simulation produit des valeurs p individuelles et simultanées pour le contrôle, par expérience et par expérience, des erreurs de type I.
