grand discours - merci.
Le problème que je voulais soulever concerne les aspects de la re-randomisation en raison de difficultés dans la séquence de randomisation d'origine. Ceci est important si vous souhaitez invoquer des arguments de causalité.
OK merci pour le commentaire, pourriez-vous s'il vous plaît expliquer comment cela pourrait être un problème dans mon étude?
Le blocage vous permet d'exécuter des expériences qui ont des contraintes de randomisation plus petites, c'est-à-dire qu'elles sont plus faciles à réaliser. La randomisation est la clé pour faire des déclarations de causalité, ce dont vous avez besoin pour l'amélioration et le dépannage. Vos expériences de validation en ont pris soin, votre étude est donc assez complète. Le problème que j'ai soulevé concerne la nécessité d'une re-randomisation car la séquence d'expériences que vous obtenez à partir de la randomisation initiale est difficile à exécuter ou entravera les aspects de généralisation de l'étude, en particulier dans le contexte temporel tel que le vôtre. Comment rendre compte de la re-randomisation (en essayant à nouveau) n'est pas évident. David Cox, dans son livre sur la planification des expériences (Cox, 1958), en parle et le REML dont vous avez parlé est une option mentionnée par Cox dans une première version. La récupération des informations inter-blocs est une inspiration clé pour le travail REML de Patterson & Thompson 1971 et l'amélioration ultérieure par Kenward & Roger 1997 https://journals.sagepub.com/doi/abs/10.1177/0962280214520728?journalCode=smma
Voici un paragraphe de mon livre avec Shelly Zacks sur Statistiques industrielles modernes qui fait référence à ceci:
"Le blocage et la randomisation dans la planification des expériences visent à augmenter la précision du résultat et à garantir la validité de l'inférence. Le blocage est utilisé pour réduire les erreurs. Un bloc est une partie du matériel expérimental qui devrait être plus homogène que l'ensemble de l'agrégat. Par exemple, si l'expérience est conçue pour tester l'effet du revêtement en polyester des circuits électroniques sur leur sortie de courant, la variabilité entre les circuits pourrait être considérablement plus grande que l'effet du revêtement sur la sortie de courant. Afin de réduire cette composante de variance, on peut bloquer par circuit. Chaque circuit sera testé sous deux traitements: sans revêtement et revêtement. Nous testons d'abord la sortie de courant d'un circuit sans revêtement. Plus tard, nous enduisons le circuit et testons à nouveau. Une telle comparaison d'avant et après un traitement, des mêmes unités, est appelée comparaison par paires. Un autre exemple de blocage est les exemples célèbres de chaussures de garçon (pp. 97 dans Box, Hunter et Hunter, 1978). Deux types de matériaux pour les semelles de chaussures doivent être testés en fixant les semelles sur n paires de chaussures pour garçons et en mesurant la quantité d'usure des semelles après une période de port actif des chaussures. Comme il y a une grande variabilité entre l'activité des garçons, si les paires m seront avec des semelles d'un type et le reste de l'autre, il ne sera pas clair si une différence qui pourrait être observée dans le degré d'usure est due aux différences entre les caractéristiques du matériau unique ou les différences entre les garçons. En bloquant par paire de chaussures, nous pouvons réduire une grande partie de la variabilité. Chaque paire de chaussures se voit attribuer les deux types de semelles. La comparaison à l'intérieur de chaque bloc est exempte de la variabilité entre les garçons. De plus, comme les garçons utilisent leur pied droit ou gauche différemment, il faut attribuer au hasard le type de semelles aux chaussures gauche ou droite. Ainsi, les traitements (deux types de semelles) sont attribués au sein de chaque bloc au hasard. D'autres exemples de blocs peuvent être des machines, des équipes de production, des jours de la semaine, des opérateurs, etc. En général, s'il y a t traitements à comparer, et b blocs, et si tous les t traitements peuvent être effectués dans un seul bloc, nous attribuons tous les t traitements à chaque bloc. L'ordre d'application des traitements dans chaque bloc doit être aléatoire. Une telle conception est appelée conception de blocs complets randomisés. Nous verrons plus loin comment une analyse correcte du rendement peut valablement tester les effets des traitements. Sinon, tous les traitements peuvent être appliqués à l'intérieur de chaque bloc, il est souhaitable d'attribuer les traitements aux blocs de manière équilibrée. Ces conceptions, qui seront discutées plus loin, sont appelées conceptions de blocs incomplets équilibrés (BIBD). La randomisation au sein de chaque bloc est également importante pour valider l'hypothèse selon laquelle les composantes d'erreur du modèle statistique sont indépendantes. Cette hypothèse peut ne pas être valide si les traitements ne sont pas attribués au hasard aux unités expérimentales de chaque bloc. "
Grand commentaire merci! Franc
Niveau: intermédiaire
Frank Deruyck, chargé de cours, HOGENT University of Applied Sciences and Arts
Dans cette présentation, un DOE optimal et des modèles statistiques sont créés pour maximiser les performances d'un processus de bouclage chimique avec capture de CO2 pour générer du H2 et du gaz de synthèse, de nouveaux recours potentiels pour l'énergie et l'économie circulaire. Le réacteur complexe à lit fluidisé utilisé est soumis à plusieurs effets d'interaction et quadratiques possibles, ainsi qu'à un bruit aléatoire, une stratégie expérimentale et de modélisation réfléchie est donc nécessaire. Dans JMP, le DOE et les plates-formes d'analyse offrent une grande variété d'options de préparation du DOE et d'ajustement de modèle. Cet article illustrera comment décider entre un RSM orthogonal, un DOE personnalisé et un DSD en fonction de critères et de buts de R&D, et d'objectifs de modèle et de diagnostics du DOE tels que la puissance, la corrélation de facteurs et le profil de variance. La construction du modèle se fait en filtrant les facteurs efficaces en utilisant une régression pas à pas (sélection à facteur fixe vers l'avant et tous les modèles possibles) suivie d'une analyse REML éliminant la variance aléatoire du bruit. Des modèles utiles pour la conversion du méthane et le rendement en gaz de synthèse sont obtenus et soutenus par des expériences de validation supplémentaires. La fonction de désirabilité du profileur est utilisée pour calculer les conditions de fonctionnement optimales. Ce travail démontre la possibilité d'optimiser un processus technologique complexe avec une approche minutieuse du DOE et de la modélisation statistique.
