Salut, je suis curieux de savoir comment vous choisissez un modèle pour un DOE personnalisé (deux facteurs continus par exemple). Je sais que si mon objectif est l'optimisation, je choisis un modèle RS et JMP ajoutera des exécutions plus proches du centre de l'espace de conception, mais lorsque j'examine les points de conception, j'ai toujours l'impression qu'il existe de nombreux écarts importants entre les niveaux de facteurs choisis par JMP (je vérifie à l'aide d'un nuage de points). Cela m'inquiète que je puisse manquer le point idéal pour l'optimisation. Si j'augmente le nombre d'exécutions, je me retrouve avec plus de répétitions sans combler ces lacunes. J'ai découvert que je devrai essayer d'utiliser des modèles d'ordre supérieur (puissances : 4e ou 5e) pour remplir ces espaces.
Je suis un peu nouveau au DOE, donc j'essaie de déterminer si c'est la bonne façon d'y penser ou simplement de croire que je ne manquerai pas le point idéal avec un RSM si je m'assure que certaines métriques (variance , puissance) dans l'évaluation de la conception semblent bonnes. Merci!
Je m'attends à ce que chaque expérience ne pas inclure le "sweet spot" comme une course. Même ainsi, je continue toujours utiliser une expérience chaque fois que j'ai besoin d'apprendre comment quelque chose fonctionne à partir de preuves empiriques.
Vous avez rencontré un point commun de confusion pour toute personne diplômée d'un simple essai pour expérimenter , alors ne vous sentez pas mal à ce sujet. Le but d'une expérience est de obtenir les meilleures données pour ajuster le modèle qui décrit adéquatement la réponse aux changements de facteurs . Ce n'est pas un essai. Ce concept est une étape majeure pour devenir un maître, un expérimentateur gourmand.
Les principes de conception fonctionnent ensemble dans toute méthode de conception. Nous utiliserons une conception personnalisée.
- Vous choisissez une réponse significative ou plus d'une si nécessaire.
- Vous considérez tous les facteurs qui affectent la réponse et sélectionnez un ensemble d'entre eux pour l'étude. Le reste sera maintenu constant tout au long de l'expérience.
- Vous utilisez autant que possible des facteurs continus. Vous utilisez la plage la plus large pour chaque facteur afin de garantir un effet important qui aura le plus de puissance et l'estimation la plus efficace.
- Vous sélectionnez des termes pour le modèle de régression linéaire afin de représenter tous les effets de ces facteurs, y compris les effets principaux, les effets d'interaction et les effets non linéaires d'ordre suffisant. Il est courant que les effets de second ordre soient suffisants sur la plage de facteurs, mais les termes d'ordre supérieur sont autorisés.
- Vous sélectionnez le critère d'optimalité : D-optimal pour mettre l'accent sur l'estimation et le test des paramètres ou I-optimal pour mettre l'accent sur la prédiction. (Il existe d'autres critères pour les cas particuliers.)
- Vous décidez du budget des runs pour cette expérience et réalisez la conception.
- JMP détermine les niveaux de facteur qui sont le plus informatif par rapport au modèle. Autrement dit, ils fournissent collectivement les meilleures données pour étayer l'estimation des paramètres du modèle.
(Notez que j'ai délibérément ignoré de nombreuses considérations lors de la conception d'une expérience pour illustrer le processus de pensée général.)
Cette dernière tâche n'est plus votre travail. On ne s'attend plus à ce que les courses individuelles donnent la réponse, le sweet spot, comme elles le feraient dans un test simple. Cette approche est pilotée par le modèle, elle est centrée sur le modèle. Par exemple, si vous savez qu'il n'y a pas d'effets non linéaires de ces facteurs, tous les niveaux de facteur autres que les points finaux fourniront moins d'informations sur l'effet (paramètre de pente). Un expérimentateur gourmand ne gaspillerait jamais une course avec des conditions qui fournissaient moins que le maximum d'informations disponibles.
Le sweet spot est déterminé expérimentalement par une prédiction du modèle. Ce n'est pas le résultat d'un test d'une condition particulière. (La prédiction doit, bien sûr, être confirmée empiriquement.)
La sélection du modèle pour la conception est accomplie par l'une des nombreuses approches et leurs croyances associées :
- Commencez avec le plus grand modèle possible qui inclut des termes pour représenter tous les effets potentiels. Par exemple, le modèle RSM par défaut dans JMP inclut des termes pour tous les effets principaux, les effets d'interaction à deux facteurs et les effets non linéaires de second ordre. Ce choix est le plus coûteux en termes de nombre de passages. Cependant, cela ne nécessitera probablement pas d'expérimentation supplémentaire (augmentation de la conception originale pour l'économie).
- Commencez avec le plus petit modèle possible qui inclut des termes pour représenter uniquement les effets principaux. Le modèle par défaut dans JMP fournit cet ensemble minimal de termes. Cette conception produira des estimations biaisées si des effets d'ordre supérieur sont présents et si leurs estimations sont corrélées avec les estimations des effets principaux. Ces énigmes peuvent être résolues avec des exécutions supplémentaires pour un nouveau modèle avec des termes supplémentaires pendant augmentation de la conception .
- Commencez par le modèle qui, selon vous, est le plus probablement adéquat. Vous n'utilisez pas de modèle par défaut. Vous choisissez les effets principaux, les effets d'interaction et les effets non linéaires pour chaque cas. La conception personnalisée offre un choix supplémentaire pour chaque terme : estimable si possible. Cette option signifie que vous pouvez inclure un terme dans votre modèle même si vous n'êtes pas certain qu'il n'est pas nul avant d'exécuter l'expérience. La conception ne sera pas optimale pour un modèle mais optimale sur l'ensemble de tous les modèles possibles compte tenu des termes potentiels.
Notez que je n'ai jamais eu recours une seule fois à l'examen des niveaux de facteur qui permettent d'atteindre le point idéal. Je n'ai pas à le faire. Je ne devrais pas. Cette tâche n'est pas le rôle de la conception. Cette tâche est le rôle du modèle, alors obtenons le meilleur modèle possible. Ce résultat nécessite la meilleure conception des données pour estimer notre modèle.
J'espère que cette brève explication vous aidera. Il ne s'agit pas de leçons complètes dans une éducation sur le DOE, mais j'espère qu'il clarifie d'où vient le point idéal dans le DOE et comment les niveaux de facteur doivent être sélectionnés (par la conception, pas par vous).
Voir JMP Aider > Livres > Conception d'expériences pour plus d'informations sur l'utilisation de la conception personnalisée avec JMP.
Voir " Conception optimale des expériences : une approche d'étude de cas " de Peter Goos et Bradley Jones pour une approche moderne de l'expérimentation si vous préférez apprendre par vous-même.
Voir Logiciel JMP : conception personnalisée d'expériences si vous préférez l'enseignement en classe avec un expert.
