DOE personnalisé JMP vs DOE factoriel completSalut,
Je suis nouveau sur JMP. J'aimerais apprendre et comprendre la différence entre la conception DOE personnalisée et la conception Full Factorial DOE. Je conçois une expérience utilisant 4 variables (2 niveaux chacune, la 4ème variable est catégorique). Une factorielle complète nécessite 16 exécutions. Cependant, lorsque je crée l'expérience dans la conception personnalisée, le nombre d'exécutions par défaut dans JMP est de 12. Pourquoi le nombre de pistes dans chacun de ces domaines est-il différent ? Je comprends pourquoi il est de 16 dans la factorielle complète (2 ^ 4). Mais pourquoi JMP recommande-t-il seulement 12 dans la conception personnalisée ? Qu'est-ce qui a été supposé / pris en compte dans chacune de ces conceptions ?
J'apprécierais grandement toute aide à ce sujet!
Merci,
Sajith
Re : JMP Custom DOE vs Full Factorial DOEJ'ai un avis différent, mais avant de le présenter, je veux juste dire que la stratégie et les principes du plan d'expériences sont invariants au choix de la méthode de conception.
Un inconvénient des plans factoriels fractionnaires classiques (réguliers) est la confusion. (Je suppose que vous n'aimez pas non plus les plans de Plackett-Burman, car ils conduisent également à des effets corrélés plutôt qu'à des effets confondus.) La confusion peut être facile à comprendre (je ne le crois pas) mais je suis toujours incapable d'estimer beaucoup d'effets. Les principes de dépistage clés guident mes décisions concernant les effets confondus, mais les principes ne sont pas garantis et mes conclusions non plus. Le modèle de confusion est arbitraire (conception d'aberration minimale) pour la plupart des utilisateurs. Je peux choisir la confusion dans une mesure limitée mais la tâche n'est pas facile, et que changerais-je si j'ai peu de connaissances préalables ? Ainsi, les conceptions classiques comportent également des risques.
La conception personnalisée me demande de spécifier à l'avance ce que je veux estimer. Cela me permet en outre d'identifier les effets primaires et potentiels pour produire une conception optimale pour un ensemble de modèles lorsque le modèle est incertain. Il minimise ensuite la corrélation entre les estimations (D-optimal) de sorte que l'estimation est possible pour chaque effet, mais avec une variance plus grande si la corrélation ne peut pas être éliminée. Dans la stratégie DOE, je ferai tout mon possible pour maximiser la taille de l'effet tout en minimisant la variance quelle que soit la méthode de conception. Je peux même gérer la corrélation plus facilement avec une conception optimale d'alias.
Les expériences de mélange les plus simples utilisant un plan simplex parviennent à réussir malgré des estimations corrélées. Il me semble une bonne chose qu'il n'y ait pas d'effets confondus avec ces dessins.
L'ajout de points centraux à un plan factoriel fractionnaire introduit également une corrélation des effets.
La méthode de conception augmentée dans JMP (conception personnalisée avec un ensemble fixe d'exécutions) n'est pas difficile. C'est le moyen le plus simple et le plus flexible que je connaisse pour planifier la prochaine série d'expérimentations et développer les preuves empiriques. Je peux spécifier de nouvelles plages de facteurs, de nouveaux termes de modèle et le nombre de nouvelles exécutions. Il n'y a pas de sacrifice.
La conception personnalisée produira le résultat classique lorsqu'elle est optimale pour les spécifications de conception données des facteurs, des modèles, de la randomisation et du blocage. Mais la conception personnalisée peut créer toutes les autres conceptions entre les choix classiques. La conception personnalisée offre de nombreux avantages en plus de l'économie. Alors pourquoi devrais-je commencer par un design classique ?
Re : JMP Custom DOE vs Full Factorial DOE@SajithD ne pas mettre un peigne trop fin à votre deuxième message montrant la fenêtre de spécification du modèle avec uniquement les effets principaux et une conception à 12 cycles ... vous pouvez estimer sélectionner deux interactions de facteurs. La raison étant que vous avez suffisamment de degrés de liberté pour le faire. Mais comme @statman souligne... vous voudrez vous assurer de passer quelques minutes avec la plate-forme d'évaluation de conception pour comprendre la corrélation entre vos estimations de paramètres. Le plan à 12 passages sera le plus efficace en estimant UNIQUEMENT les effets principaux... mais vous pouvez estimer les interactions à deux facteurs.
Re : JMP Custom DOE vs Full Factorial DOEPour ajouter deux pensées à @cwillden et @statman Le conseil avisé de :
1. Les méthodes de conception optimale permettent à l'équipe de planification expérimentale d'articuler des combinaisons spécifiques (l'expression est souvent appelée « combinaisons non autorisées ») que vous ne voulez PAS inclure dans la conception expérimentale. Parfois, des combinaisons spécifiques ne présentent pas d'intérêt ou peuvent entraîner une défaillance catastrophique du système étudié ou un danger pour l'équipement, les personnes ou l'environnement. Ainsi, la section de planification de conception personnalisée de JMP permet à l'expérimentateur d'interdire ces combinaisons. Avec les conceptions classiques, vous obtenez ce que vous obtenez en fonction du nombre de facteurs, du crénelage choisi (en cas de fractionnement d'une conception) et de leurs niveaux.
2. Souvent, les ressources dictent plus que toute autre chose le nombre d'exécutions d'une expérience. Les matériaux, le temps d'équipement, l'effort de test, tout peut jouer un rôle contraignant. C'est pourquoi la plate-forme de conception personnalisée de JMP vous permet de spécifier le nombre exact d'exécutions que vous souhaitez inclure dans l'expérience. Encore une fois, le nombre d'exécutions de Classical Designs est "vous obtenez ce que vous obtenez" sans la possibilité d'adapter l'expérience aux contraintes de ressources.
Re : JMP Custom DOE vs Full Factorial DOECorrect et l'explication de Cameron est assez bonne.
Je dirai qu'il y a des opinions divergentes sur l'utilisation des conceptions optimales... Les conceptions optimales peuvent offrir un avantage en termes de nombre de courses/ressources, mais pas sans risque.
L'avantage de la factorielle fractionnaire classique est la possibilité de comprendre facilement le crénelage, il n'y a pas de crénelage partiel. Vous pouvez choisir ce que vous voulez estimer et ce que vous voulez confondre. Ceci est très utile lorsque vous allez itérer. Le problème potentiel avec les conceptions optimales est le crénelage partiel... il peut être difficile d'expliquer des résultats qui n'ont pas de sens technique ou scientifique. Il peut être difficile de planifier et d'exécuter la prochaine expérience pour éliminer les effets confondus. Certes, je suis extrêmement biaisé par mon expérience. J'ai trouvé que l'expérimentation est mieux faite de manière séquentielle (quelle est la probabilité que vous ayez LES bons facteurs testés à des niveaux optimaux lors de la première expérience ?). Le but de la première expérience est de concevoir une meilleure expérience. Ainsi, le nombre total de "séries" nécessaires n'a pas grand-chose à voir avec la première expérience, mais avec l'ensemble de l'étude. Bien que les conceptions optimales puissent économiser des ressources, elles peuvent sacrifier l'avantage de l'additivité de plusieurs conceptions fractionnaires exécutées de manière itérative. L'autre considération concernant la sélection de la conception est ce que vous ferez avec le bruit... mais c'est une autre discussion.
Re : JMP Custom DOE vs Full Factorial DOEMerci beaucoup! Cette explication a été très utile.
Je suppose que sous Conception personnalisée, je devrais spécifier les interactions d'ordre supérieur que je voudrais que mon modèle estime. Par exemple, ci-dessous est une capture d'écran de ma conception. Sur cette base, ma conception ne pourrait estimer que les effets principaux, n'est-ce pas ? Si j'ai besoin d'interactions d'ordre supérieur, je suppose que je devrais spécifier sous Modèle ?
Merci encore pour votre aide, Cameron!
Sajit
Re : JMP Custom DOE vs Full Factorial DOEC'est tout un cours d'étude contenu dans cette question, mais je vais essayer de résumer du mieux que je peux.La conception personnalisée est construite sur un paradigme complètement différent de conceptions "optimales" ou "algorithmiques".Les plans factoriels complets sont un type classique de DOE.Ils appliquent toutes les combinaisons possibles de niveaux de facteurs dans la conception.Cela confère à la conception des propriétés très souhaitables, telles que des effets orthogonaux (pas de corrélation entre les termes du modèle, de sorte que les coefficients sont estimés avec une précision maximale pour un nombre donné d'exécutions).Vous pouvez également estimer tous les effets principaux et les termes d'ordre supérieur jusqu'aux interactions à n voies pour n facteurs.Cependant, vous constaterez que ces conceptions explosent rapidement en taille.Une factorielle complète avec 8 facteurs, chacun avec 2 niveaux, a 2^8 = 256 exécutions.Dans la plupart des cas, c'est beaucoup trop de courses.
Dans les conceptions classiques, vous vous tourneriez vers des factorielles fractionnaires pour réduire le nombre d'exécutions.Ces conceptions confondent stratégiquement les termes du modèle d'ordre supérieur afin de réduire considérablement la taille de la conception.Dans de nombreux cas, les expérimentateurs ne s'intéressent qu'aux effets principaux et aux interactions à 2 facteurs.Ainsi, perdre la capacité d'estimer des interactions à 8, 7, 6, 5, 4 voies est sans conséquence.Par exemple, je pourrais faire une factorielle fractionnaire avec 8 facteurs en seulement 64 exécutions (un peu moins que 254 !), et avoir toujours des effets principaux non corrélés et des interactions à 2 facteurs, et je peux peut-être même estimer des ordres plus élevés que cela en fonction du niveau de fractionnement.Ces conceptions, parmi de nombreuses autres conceptions classiques, sont toutes dérivées de la théorie.
Les conceptions optimales sont générées à partir d'algorithmes informatiques où vous décrivez essentiellement ce que vous voulez comme entrées dans l'algorithme, et il renvoie une conception avec l'ensemble de points de conception le plus optimal pour répondre à vos objectifs expérimentaux.Il le fait à travers un processus de réorganisation des points de conception (c'est-à-dire vos conditions d'exécution) à l'intérieur de l'espace de conception jusqu'à ce que certains critères d'optimisation soient optimisés (maximisés pour certains critères ou minimisés pour d'autres).Il existe 2 critères d'optimalité vraiment importants, D- et I-optimalité.L'optimalité D met l'accent sur les estimations précises des coefficients du modèle (ce qui en fait un assez bon choix global, mais excelle dans les situations de dépistage où les gens choisiraient généralement des plans factoriels fractionnaires).L'optimalité I met l'accent sur une faible variance de prédiction et est davantage associée aux conceptions de surface de réponse.L'idée de base est que si les conceptions classiques sont très rigides et sans compromis, les conceptions optimales peuvent adapter une expérience à vos besoins.Je peux faire une conception décente pour la situation à 8 facteurs avec quelque chose comme 48 exécutions et être toujours capable d'estimer tous les termes du modèle qui m'intéressent (effets principaux et interactions à 2 facteurs).Je paye cette commodité en autorisant certaines corrélations partielles entre les termes du modèle, mais cela a souvent peu de conséquence.
Vous trouverez d'autres critères d'optimalité dans Custom Design.A-optimality est un ajout plus récent, et je pense que ce sont des conceptions très convaincantes.
