Profileur de prédictionBonjour,
Je vous écris parce que j'ai trouvé des différences entre deux graphiques. Le premier graphique est fait sur le JMP et c'est un profil de prédiction et le second est fait dans minitab. Ma question est parce que j'ai trouvé un résultat étrange dans le graphique JMP. J'ai trouvé une valeur de résultat de type négatif alors qu'en fait, je ne l'ai pas donc j'ai trouvé plus cohérent le résultat sur Minitab. Cependant, je préfère mieux la façon dont JPM donne les résultats. Par conséquent, j'aimerais savoir pourquoi j'ai un tel écart.
JMP 14
Résultat Minitab
Re : Profileur de prédictionSalut @Archy ,
Comme Mark l'a mentionné, le "graphique des effets principaux" de Minitab que vous avez montré ici affiche quelque chose de très différent du profileur de prédiction dans JMP * lors de l'ajustement de votre modèle avec des interactions . Si vous ajustez un modèle d'effets principaux uniquement, le Profileur de prédiction JMP et le "Graphe des effets principaux" de Minitab affichent essentiellement la même chose. (mise à jour : en supposant des données équilibrées, un nombre égal d'observations dans chaque cellule de la conception -- merci pour la remarque, Mark).
J'ai disposé le profileur en rangées de deux afin qu'il corresponde au mieux à Minitab pour vous, Prediction Profiler Triangle rouge > Apparence > Disposer en rangées :
Cela dit, pourquoi ces graphiques correspondent dans ce cas particulier (un modèle à effets principaux uniquement avec des données équilibrées), mais pas dans le modèle que vous avez ajusté auparavant, va droit au cœur de ce que @Mark_Bailey expliquait, et est une chose essentielle à comprendre sur les choix que nous faisons dans les modèles.
Le profileur de prédiction dans JMP affiche le conditionnel relation entre Y et un prédicteur donné, étant donné le niveau sélectionné des autres prédicteurs, alors que le graphique des effets principaux de Minitab ignore essentiellement les autres facteurs et affiche la relation moyenne entre Y et un prédicteur donné. Alors qu'est-ce que cela signifie, et pourquoi la sortie de JMP et de Minitab correspond-elle dans le cas ci-dessus, où j'adapte un modèle d'effets principaux uniquement dans JMP ? Prenons le modèle initial que vous avez montré en premier (et ce qui est enregistré dans votre table de données).
Laissant de côté pour le moment le point que Mark a fait sur le fait que certains de ces termes sont inestimables (ce qui est certainement important, mais est un point distinct de ce post), ce modèle vise à comprendre (c'est-à-dire à estimer statistiquement) les principaux effets pour chaque prédicteur également que les interactions bidirectionnelles entre chaque paire de prédicteurs. Ces interactions sont essentielles à la différence entre un graphique des effets principaux et le profileur de prédiction, car les interactions permettent à notre modèle de capturer les relations entre Y et chaque prédicteur qui peut être différent lorsque le niveau d'un autre prédicteur change.Regardons le profileur de ce modèle, et je vais changer le niveau d'avance par dent. Comme je le fais, regardez la relation entre l'usure de l'outil et le type d'outil à l'extrême gauche :
Vous remarquerez que la relation entre l'usure de l'outil (y) et le type d'outil à l'extrême gauche est différente à différents niveaux d'avance par dent.Il y a une interaction entre ces variables.Il existe également des interactions entre le type d'outil et les autres variables.Un graphique "effets principaux uniquement" calcule simplement la moyenne de ces différentes relations pour arriver à la relation moyenne inconditionnelle. C'est ce que minitab affiche dans le diagramme des effets principaux, et c'est ce que JMP affichera dans le profileur de prédiction si vous adaptez un modèle sans interactions, comme celui-ci :
Je vais faire le même exercice avec le profileur ci-dessous en changeant l'avance par dent. Encore une fois, regardez la relation entre l'usure de l'outil et le type d'outil : 
Cette fois, vous ne remarquerez que les changements d'interception - c'est-à-dire que la relation entre l'usure de l'outil et le type d'outil est la même, mais la prédiction de l'usure de l'outil n'est supérieure ou inférieure qu'en fonction de la contribution de l'avance par dent. Ces effets sont simplement additifs... il n'y a pas de possibilité d'interaction car nous n'avons pas donné au modèle la possibilité de s'adapter/d'en trouver une.
J'espère que cela aide à clarifier la différence que vous voyez entre le tracé des effets principaux dans minitab et le profileur de prédiction dans JMP.
@julien
Re : Profileur de prédictionJe ne sais pas ce que tu veux dire.
mais les résultats des deux semblent toujours différents
Quels résultats ? Quelle différence?
R : la tendance des lignes est différente entre Minitab et les deux graphiques JMP
c'était l'usure de l'outil au lieu de la température de l'outil.
Votre demande concernait l'usure des outils. C'est cette analyse que vous avez montrée.
J'aimerais avoir l'axe des x tel qu'il était avant car j'ai utilisé ces valeurs pour développer mes expériences.
R=Oui, mais vous avez travaillé avec la température de l'outil
Quelles valeurs d'axe des abscisses ?
je ne veux pas dans l'axe de 1 à 4.3, je veux 1 et 4.3
Cordialement
Re : Profileur de prédictionJe ne sais pas ce que tu veux dire.
mais les résultats des deux semblent toujours différents
Quels résultats ? Quelle différence? Comparez-vous le Prediction Profiler à un autre type de tracé ? Comparez-vous JMP à MINITAB ?
c'était l'usure de l'outil au lieu de la température de l'outil.
Votre demande concernait l'usure des outils. C'est cette analyse que vous avez montrée. C'est aussi l'analyse que j'ai faite.
J'aimerais avoir l'axe des x tel qu'il était avant car j'ai utilisé ces valeurs pour développer mes expériences.
Je pense que vous entendez par "avant", lorsque vous avez utilisé le type de modélisation nominal pour vos facteurs quantitatifs. Ce choix, entre autres, produira un axe x du profileur de prédiction pour n'accepter que les niveaux de la colonne de données. Cela ne vous permet pas non plus d'optimiser à un niveau de facteur autre que ceux qui ont été utilisés dans l'expérience. (Coincé avec 'choisir le gagnant.') Cela nécessite également deux fois plus de paramètres pour ces termes de facteurs dans le modèle.
D'un autre côté, la façon dont je l'ai fait (utiliser le type de modélisation continue) montre le profil de réponse continue (réaliste) et vous permet toujours d'entrer n'importe quel niveau de facteur que vous voulez, y compris ces niveaux dans l'expérience. Il permet également de trouver un niveau optimal, même s'il ne faisait pas partie des trois niveaux utilisés dans l'expérience. (Interpolation)
Re : Profileur de prédictionMerci beaucoup, mais les résultats des deux semblent toujours différents et c'était l'usure de l'outil au lieu de la température de l'outil. De plus, j'aimerais avoir l'axe des x tel qu'il était auparavant car j'ai utilisé ces valeurs pour développer mes expériences. Que puis-je faire?
Cordialement
@Mark_Bailey a écrit:
Voici le tableau de données mis à jour.
Re : Profileur de prédictionVoici le tableau de données mis à jour.
Re : Profileur de prédictionTout d'abord, j'ai changé le type de modélisation de tous les facteurs quantitatifs de nominal à continu.
Deuxièmement, j'ai analysé la distribution des niveaux de facteur et j'ai découvert que Type d'outil = O n'a été observé que lorsque Largeur de coupe = 1 , ce défaut de conception élimine donc l'une des estimations des paramètres d'interaction. Voir:
Troisièmement, j'ai sélectionné un modèle utilisant une régression pas à pas vers l'avant. (Notez que j'ai remplacé le facteur de type d'outil d'origine à la place des contrastes créés par Stepwise pour l'analyse de régression finale.) J'obtiens ce profileur de prédiction :
Ces profils semblent raisonnables. Je pense donc qu'il y a un problème avec votre modèle.
En ce qui concerne la différence entre le Prediction Profiler et le tracé des effets principaux dans MINITAB, vous comparez deux tracés complètement différents. Le profileur de prédiction montre le profil de chaque facteur sur la réponse conditionnée au niveau actuel des autres facteurs . Dès lors, c'est un prédiction profileur. Le graphique des effets principaux dans MINITAB, d'autre part, montre la réponse moyenne inconditionnelle à chaque niveau de facteur . C'est la moyenne des données (et biaisée lorsque la conception n'est pas équilibrée, comme dans ce cas). Ce n'est pas la moyenne des moindres carrés (impartiale) du modèle.
