251459_fr-FR

liliconcom

Équation de formule de prédiction

Chers et respectés tous, S'il vous plaît, aidez-nous à résoudre ce problème d'obtention de l'équation finale de prédiction après avoir appliqué RSM à des données. J'ai lu plusieurs articles qui ont cité l'équation réelle en différents termes ayant une constante et des interceptions (image ci-jointe), celle donnée par JMP n'ayant que des valeurs numériques (image ci-jointe).

 

Re : Équation de formule de prédiction

Salut @Afnanyasir ,

 

Avant d'abandonner le terme de mélange, A*B, et les termes quadratiques, A^2 et B^2, je recommande d'utiliser la plateforme Fit Model et de tester le modèle RSM, mais d'utiliser les "Personnalités" GLM, GenReg ou Stepwise pour voyez quels termes du développement polynomial du RSM sont vraiment insignifiants dans le modèle. Essayez d'autres méthodes pour ajuster les données et voyez ce qu'elles donnent. S'ils donnent tous des résultats similaires selon lesquels les termes A*B et quadratiques sont insignifiants, supprimez-les dans le modèle final. Si les données ont été collectées via un RSM DOE, il n'est pas nécessaire de les analyser via cette même plateforme. Vous pouvez également l’analyser d’autres manières.

 

J'espère que cela t'aides,
DS

Re : Équation de formule de prédiction

Merci pour une réponse détaillée. Comme je l'ai dit plus tôt, le diagramme de régression des données explique les données de manière linéaire et les modèles quadratiques et autres modèles polynomiaux sont qualifiés de non significatifs dans les estimations des paramètres. seuls le facteur individuel A et le facteur individuel B sont qualifiés de significatifs. Ma question est la suivante : dois-je inclure les termes non significatifs tels que AxB ou A2B2 dans mon modèle RSM pour obtenir l'équation finale ? ou dois-je ajouter uniquement les facteurs significatifs qui sont les facteurs individuels A et B ?

Re : Équation de formule de prédiction

Dois-je donc ajouter les estimations de paramètres non significatifs dans RSM pour obtenir l'équation finale ? ou dois-je simplement les ignorer ? parce que l'équation finale change si j'inclus ou exclus les paramètres non significatifs. Merci

 

Re : Équation de formule de prédiction

Désolé de mon ignorance, mais certaines de vos informations sont contradictoires. Vous dites que vous souhaitez analyser les données de votre ensemble de données à l'aide de RSM (construction de modèle JMP intégrée, je suppose)... cela inclut les effets principaux, les effets de 2e ordre (interactions à 2 facteurs) et les effets quadratiques (par exemple, A+B). +AB+A^2+B^2). Ce modèle n'attribue pas d'effets d'interaction quadratiques (par exemple, A^2B, AB^2, A^2B^2), car ceux-ci sont supposés être des estimations d'erreur (je n'en débattrai pas ici). Dans votre dernière réponse, vous suggérez que le modèle est uniquement linéaire ? Vous mentionnez également le "mélange". Alors, est-ce une conception de mélange ? RSM n'est pas la façon dont vous analyseriez généralement une conception de mélange (avec les contraintes associées).

 

Il y a quelques réflexions :

1. Commencez avec un modèle saturé (attribuez tous les degrés de liberté). Simplifiez le modèle en supprimant les termes insignifiants (utilisez la théorie scientifique, les valeurs RSquare et RSquare Adj et le delta entre celles-ci, les erreurs standard et les tracés normaux pour aider à sélectionner les facteurs significatifs). Réexécutez le modèle simplifié pour obtenir des résidus permettant d'évaluer les hypothèses du modèle. Si les termes quadratiques sont insignifiants, supprimez-les du modèle.

2. Si vous en êtes réellement à un point où vous optimisez pour développer la meilleure équation de prédiction, la signification n’est pas la principale préoccupation. Cela aurait déjà dû être déterminé et vous ne faites maintenant que remplir l'espace de la région de conception optimale.

Re : Équation de formule de prédiction

Salut @Afnanyasir ,

 

Si vous avez des connaissances préalables sur un modèle, utilisez simplement cette forme fonctionnelle.

 

Par exemple, en physique, si un objet tombe de la hauteur « h » avec une certaine vitesse initiale (v0), alors la position verticale de l'objet (en fonction du temps) est (g est la constante gravitationnelle) :

 

y(t) = h + v0*t + (1/2)gt^2

 

Si l'expérience que vous faites implique la chute d'objets, alors vous utiliserez cette équation et aucune autre, ce n'est donc pas une formule empirique, mais une formule de principes premiers. Si vous avez une formule de principes fondamentaux de physique ou de chimie, allez-y et utilisez-la.

 

Mais, d'après ce que vous dites, il semble que d'après des travaux antérieurs, vous ayez une indication qu'il s'agit d'un modèle linéaire basé sur le dosage et la température d'alcali, et que vous vouliez simplement vérifier s'il y avait des termes croisés ou des termes d'ordre supérieur. En l'exécutant via un RSM, vous pouvez obtenir une bonne indication des facteurs qui pourraient être importants ou non. Cependant, la valeur p que vous indiquez concerne davantage la valeur estimée du paramètre et si elle se situe ou non dans l'intervalle de confiance de 95 %. Cela signifie simplement que l’estimation des paramètres n’est pas très bonne.

 

Si vous souhaitez savoir si un terme, tel que A*B ou A^2 ou B^2, doit figurer dans un modèle, je vous recommande de l'exécuter via les personnalités étape par étape ou GenReg dans la plateforme Fit Model. Vous pouvez également essayer une personnalité PLS ou GLM et voir ce que vous y trouvez.

 

À titre d'exemple, avec les données d'exemple Big Class.jmp, vous pouvez exécuter un RSM sur l'âge en utilisant la taille et le poids comme « A » et « B ». Si vous faites cela, le tracé du résumé des effets vous indique quels facteurs (et combinaisons) sont pertinents, si leur valeur P est << alpha. C’est le genre de valeurs p que vous souhaitez examiner.

 

Pour votre travail, cela ressemble à votre réponse, l'augmentation de SCOD dépend simplement de manière linéaire de la température et de la dose d'alcali. Quel que soit le modèle le plus simple et que vous puissiez vérifier, alors optez pour celui-ci, par tous les moyens.

 

Comme dernier conseil, si vous disposez d'un petit ensemble de données, vous souhaiterez peut-être envisager de valider le modèle. Vous devriez consulter le complément JMP de validation automatique et voir si cela peut vous aider.

 

J'espère que cela t'aides!,

DS

Re : Équation de formule de prédiction

Bonjour @SDF1 Monsieur/Madame. Merci beaucoup pour votre réponse détaillée. Oui, par RSM, je veux dire le modèle de surface de réponse et j'avais une connaissance préalable du modèle que j'allais utiliser en fonction de mes données. Pour la vérification croisée, mon superviseur a exécuté les mêmes données via un autre logiciel qui a confirmé que les données se comportaient de manière linéaire (de manière croissante) et que le tracé de régression dans JMP expliquait également les données de manière linéaire. Si j'inclus tous mes termes ou si je dis des variables indépendantes et leur mélange, l'équation devient plus compliquée (image ci-jointe) et est répertoriée comme non significative, donc fondamentalement, je ne les ai pas inclus dans l'exécution de RSM car elles ont été décrites comme non significatives. Les facteurs A, B sont significatifs tandis que A*B, A2 et B2 sont qualifiés de non significatifs (image ci-jointe). alors dois-je également exécuter les termes non significatifs pour obtenir la formule complète ? et si j'ajoute tous les termes, comment vais-je exprimer l'équation finale (image ci-jointe) ?

Re : Équation de formule de prédiction

Salut @Afnanyasir ,

 

Juste pour être sûr, lorsque vous dites que vous avez appliqué le RSM aux données, voulez-vous dire un modèle de surface de réponse ? Avant d'appliquer ce modèle spécifique, savez-vous a priori qu'il s'agit du bon modèle à utiliser, peut-être à partir d'une équation physique ou chimique connue pour modéliser le type spécifique de comportement ? Si non, quelle est la justification du choix de ce modèle particulier ? Si ce n'est pas basé sur un modèle physique/chimie, je recommande de l'analyser avec GenReg, ce que vous pouvez faire puisque vous disposez de JMP Pro.

 

Le modèle que vous montrez ne ressemble pas à un RSM complet car, comme vous le montrez dans l'équation ci-dessous, votre modèle n'a pas le terme de mélange A*B et il lui manque l'un des termes quadratiques. Sinon, votre équation est parfaitement correcte. Vous avez l'ordonnée à l'origine, le premier nombre, la pente pour la dépendance à la dose d'alcali, la pente pour la dépendance à la température et la pente pour la dépendance à la température^2. Les autres termes ont-ils été abandonnés parce qu’ils ne contribuaient pas au modèle ?

 

Vous pouvez toujours saisir manuellement les autres termes pour obtenir le RSM complet et réexécuter le modèle. Attention : faites attention au nombre de termes que vous incluez dans votre modèle afin de ne pas sur-ajuster. Votre modèle actuel contient trois termes, vous avez donc besoin d'au moins 4 lignes dans votre tableau de données pour garantir que vous disposez d'au moins un degré de liberté. Si vous essayez de prédire un résultat, vous souhaiterez le tester sur certaines données qui n'ont pas été utilisées pour ajuster le modèle, ou au moins effectuer quelques vérifications pour vous assurer que votre modèle est correct. Si vous avez suffisamment de lignes dans votre tableau de données (peut-être > 100 environ), vous pourrez peut-être effectuer une validation croisée et trouver le modèle empirique le mieux adapté.

 

J'espère que cela t'aides,

DS