Les enquêteurs utilisent des modèles de dépistage lorsqu'ils souhaitent identifier les facteurs qui ont les effets les plus importants sur une réponse.
Une conception de dépistage vous permet d’étudier un grand nombre de facteurs dans une expérience relativement petite.
[À l'écran]
De nombreux modèles de criblage standard se concentrent sur l'estimation des effets principaux.
Les conceptions de dépistage définitives peuvent éviter l’ambiguïté du modèle et vous permettre d’identifier les facteurs importants plus rapidement et plus efficacement. Et si l'effet d'un facteur particulier est fortement incurvé, une conception de filtrage traditionnelle peut ne pas tenir compte de cet effet et filtrer le facteur.
[À l'écran]
Les conceptions de dépistage définitives évitent la confusion des effets et peuvent identifier les facteurs ayant un effet non linéaire sur la réponse.
Regardons le dépistage définitif dans JMP.
Supposons que vous deviez déterminer lequel des six facteurs affecte le rendement d'un processus d'extraction.
Si vous en avez un, je trouve qu'il est plus facile d'ouvrir d'abord le tableau de données factorielles. Ce fichier est lié ci-dessous. N'oubliez pas que nous pouvons enregistrer les réponses, les facteurs et les contraintes du triangle rouge de la plate-forme DOE.
Dans le tableau de données du facteur d'extraction> Sélectionnez le DOE> Criblage définitif> Conception de tri sélectif.
Double-cliquez sur Y sous Nom de la réponse et tapez Rendement.
Dans le menu triangle rouge, sélectionnez Facteurs de charge.
Les noms et les plages de facteurs sont ajoutés au plan des facteurs avec les interactions de modèle par défaut.
Cliquez sur Continuer.
Le plan des options de conception s’ouvre. Ici, vous pouvez spécifier une structure de blocage. Il n'est pas nécessaire de bloquer dans cet exemple, vous acceptez donc la sélection par défaut de Aucun bloc requis.
Vous pouvez également choisir d'ajouter des options supplémentaires, ce qui améliore considérablement votre capacité à détecter les effets de second ordre. Un minimum de quatre Extra Runs est fortement recommandé, cependant pour cette démo, je pars à 0.
Une conception de sélection définitive ajoute une analyse pour chaque facteur et une analyse supplémentaire pour atteindre un point central ou une courbure dans notre analyse.
Pour cette démonstration, sous le triangle rouge, je définirai la graine aléatoire à "123" afin que vous puissiez reproduire ces résultats.
Ensuite, sélectionnez Make Design.
La fenêtre de conception de tri définitif se met à jour pour afficher un plan de conception et un plan d’évaluation de la conception.
Ouvrez l'évaluation de la conception> Carte de couleur sur le contour des corrélations
La palette de couleurs sur les corrélations attribue une échelle d'intensité de couleur aux valeurs absolues des corrélations entre tous les effets principaux et les interactions à deux facteurs. J'ai plus d'informations à ce sujet ci-dessous.
[À l'écran]
Carte de couleur des corrélations
La zone d'un bleu profond montre qu'il n'y a pas de corrélation entre les effets principaux ou entre les effets principaux et les interactions à deux facteurs.
Les zones bleues et grises plus claires indiquent que les corrélations absolues entre les interactions à deux facteurs sont faibles.
Les carrés rouges indiquent les corrélations absolues de 1. Celles-ci apparaissent toutes sur la diagonale, reflétant la corrélation attendue d'un effet avec lui-même.
Laissez ou définissez l'ordre d'exécution sur Aléatoire.
Sélectionnez Make Data Table
C’est là que nous menons nos essais et collectons des données. Et je vais maintenant ouvrir les données d'extraction liées et exécuter le script de modèle d'ajustement définitif en sélectionnant sa flèche verte dans le panneau des tableaux.
Sélectionnez Exécuter.
Et nous pouvons examiner le rapport d'analyse et explorer les facteurs qui ont été examinés en commençant par les effets principaux de l'étape 1.
Essayez un projet de dépistage définitif Créez-vous vous-même en utilisant le jeu de données exemple d'extraction lié.
