256418_fr-FR

liliconcom

Spécification du facteur de bloc aléatoire dans les conceptions DOE classiques

Salut tout le monde,

 

Lors de la génération d'une conception DOE classique dans JMP, tout facteur de bloc est automatiquement défini par défaut comme facteur de bloc fixe. Je sais que je peux le changer en effet de bloc aléatoire pour utiliser la méthode REML en y ajoutant l'attribut "effet aléatoire" dans la plate-forme Fit Model. Cependant, je remarque que je pourrais également changer son rôle de conception en "Bloc aléatoire", il n'est pas automatiquement attribué l'attribut "effet aléatoire" dans Fit Model. Y a-t-il donc une différence entre "Blocage" et "Bloc aléatoire" en tant qu'options de rôle de conception ? La seule chose que j'ai remarquée, c'est que le facteur de bloc est affiché dans le profileur de prédiction lorsqu'il est attribué "bloc aléatoire" mais pas lorsqu'il est "bloquant". De plus, la plate-forme Fit Definitive Screening ne fonctionne qu'avec le rôle de conception "Blocage" mais pas avec le rôle de conception "Bloc aléatoire".

 

Merci.

 

Re : Spécification du facteur de bloc aléatoire dans les conceptions DOE classiques

@statman et @Mark_Bailey , merci à vous deux pour les discussions utiles. Ce sont d'excellents points que je dois garder à l'esprit lorsque je planifie mes expériences.

Re : Spécification du facteur de bloc aléatoire dans les conceptions DOE classiques

Mon point sur la restriction contre les effets aléatoires concerne l'utilisation du processus d'ajustement spécial que Brad a créé pour DSD. Bien sûr, vous pouvez utiliser n'importe quelle méthode d'analyse avec le DSD.

 

Deux blocs donneront très peu d'informations sur l'effet aléatoire. L'estimation de la variance sera mauvaise. D'autre part, la possibilité d'affecter n'importe quelle variation au bloc améliorera l'estimation des effets fixes.

 

Avez-vous une expérience préalable avec un effet « jour » ?

Re : Spécification du facteur de bloc aléatoire dans les conceptions DOE classiques

hxnduke,

 

Quelques mots de sagesse d'un de mes mentors,

 

"Tous les modèles sont faux, certains sont utiles" (GEP Boîte)."

"Deux enquêteurs également compétents confrontés au même problème commenceraient généralement à partir de points de départ différents, procéderaient par des voies différentes et pourraient pourtant parvenir à la même réponse. Ce qui est recherché n'est pas l'uniformité mais la convergence .” (Boîte, Chasseur et Chasseur, Statistiques pour les expérimentateurs)

 

Malheureusement, je ne comprends pas votre situation sur la base des explications que vous avez postées. J'aurais besoin de comprendre à quelles questions vous essayez de répondre, quelles sont les variables de réponse que vous essayez de modéliser, sur quels facteurs expérimentez-vous, etc. En général, lorsque j'utilise des blocs dans l'expérimentation industrielle, je consacre beaucoup d'efforts à identifier et à comprendre le bruit (en utilisant la pensée critique et les cartes de processus). Le but de l'expérimentation est de faire en sorte que l'expérience soit représentative des conditions sur lesquelles nous essayons de tirer des conclusions (espace d'inférence). Cela présente un dilemme, plus l'expérience est représentative, plus le bruit dans l'expérience est grand, plus il est difficile de détecter les effets des facteurs. Historiquement, les gens ont choisi de maintenir le bruit constant pour améliorer le précision du plan (mot de Box pour détecter les effets des facteurs). Malheureusement, cela a un effet extrêmement négatif sur l'espace d'inférence. Ainsi, le défi de rendre l'expérience plus représentative de la réalité tout en augmentant la précision de conception est un travail extrêmement important. Il existe un certain nombre de stratégies pour y parvenir : les répétitions (permettent d'estimer le bruit à court terme tel que l'erreur de mesure), les répliques (randomisées et RCBD, BIB), les parcelles divisées, etc. Si vous pouvez identifier le bruit a priori, vous avez des méthodes plus efficientes et plus efficaces à votre disposition . Si vous ne pouvez pas identifier le bruit, votre seul choix est de randomiser ce qui semble être votre cas

Les courses au point central peuvent être très efficaces et utiles, mais les facteurs doivent être quantitatifs. Ils permettent d'évaluer la courbure générale sur l'espace de conception (degré de liberté pour attribuer l'effet quadratique) et, s'ils sont utilisés correctement, d'examiner la stabilité sur l'espace de conception. Si vous reproduisez les points centraux, certains diraient que vous avez une estimation raisonnablement bonne de la MSE (en pensant que le point central pourrait être les conditions actuelles, vous disposez donc d'un ensemble de données dans les conditions actuelles pour tester les effets des facteurs). Si vous exécutez plusieurs points centraux de manière aléatoire sur l'espace de conception, vous pourrez peut-être également évaluer la stabilité sur l'espace de conception.

Re : Spécification du facteur de bloc aléatoire dans les conceptions DOE classiques

Merci d'avoir fourni l'aspect historique et vos réflexions à ce sujet. Que pensez-vous de notre situation spécifique mentionnée ci-dessous ?

Juste pour clarifier, dans nos études prévues, nous devons diviser les séries en 2 blocs en raison du nombre limité de machines. Nous prévoyons d'exécuter les 2 blocs sur le même ensemble de machines, mais à des jours différents, de sorte que le facteur de blocage ici serait la variabilité quotidienne. Je suppose que cela devrait être un effet aléatoire, mais je me demande si cela vaut la peine de bloquer du tout.

De plus, nous prévoyons également d'inclure au moins 1 point central dans chaque bloc, ce qui pourrait aider à estimer la variance de bloc à bloc.

Re : Spécification du facteur de bloc aléatoire dans les conceptions DOE classiques

Dans le billet de blog de Bradley Jones, il a mentionné que DSD n'est pas approprié pour la conception de parcelles divisées, mais je ne le vois pas vraiment mentionner que les effets aléatoires en général ne peuvent pas être réalisés.
Dans ce papier de Jones et Nachtsheim, ils ont fourni des méthodes de blocage DSD avec des effets aléatoires en ajoutant deux exécutions au point central dans le même bloc pour estimer la variance résiduelle et une autre dans un autre bloc pour estimer la variance de bloc aléatoire.

Juste pour clarifier, dans nos études prévues, nous devons diviser les séries en 2 blocs en raison du nombre limité de machines. Nous prévoyons d'exécuter les 2 blocs sur le même ensemble de machines, mais à des jours différents, de sorte que le facteur de blocage ici serait la variabilité quotidienne. Je suppose que cela devrait être un effet aléatoire, mais je me demande si cela vaut la peine de bloquer du tout.  

Re : Spécification du facteur de bloc aléatoire dans les conceptions DOE classiques

J'offrirai une perspective différente concernant les blocs, les effets de bloc et les interactions bloc par facteur. Le concept de blocage (réplication) remonte à Sir Ronald Fisher. L'idée d'un bloc est de minimiser le bruit à l'intérieur du bloc (maintenir constant) et de maximiser le bruit entre les blocs (sélectionnez les blocs à dessein pour vous assurer que le bruit qui a été maintenu constant dans le bloc change entre les blocs). Cela augmente la précision de la détection des effets des facteurs (par exemple, réduit la MSE) tout en augmentant simultanément l'espace d'inférence (l'étude est reproduite sur un bruit changeant). Lorsque vous traitez des blocs comme un effet fixe, vous pouvez affecter l'effet du bruit et, plus important encore, déterminer si les effets des facteurs expérimentaux se répètent sur un bruit changeant. Ce dernier étant estimé par des interactions bloc par facteur. Dans l'expérimentation industrielle et la conception de produits, robuste signifie l'absence d'interactions bruit-par-facteur (l'effet des facteurs/interactions est le même sur un bruit changeant). Sinon, vous rencontrerez des problèmes avec le temps. En utilisant l'exemple des matériaux entrants lot à lot ; S'il y a un effet (facteur ou interaction) qui dépend de beaucoup de matériaux entrants, vous souhaitez les identifier dès le début de la conception afin de pouvoir concevoir votre produit résistant aux matériaux entrants. Si vous confondez la matière première avec le bloc et traitez le bloc comme un effet fixe, vous pouvez estimer l'effet des variables dans le bloc et interactions bloc par facteur. Malheureusement, la plupart des logiciels confondent les interactions bloc par facteur avec le terme d'erreur. Vous devrez spécifier ces effets manuellement (écrivez votre propre modèle). Je citerai le Dr Box "Bloquez ce que vous pouvez, randomisez ce que vous ne pouvez pas". Mon interprétation de cette citation est que si vous pouvez identifier le bruit, vous feriez mieux de le "bloquer". Bien sûr, si vous ne pouvez pas identifier le bruit, vous randomisez. J'ai eu plusieurs discussions avec Brad Jones sur ce sujet...

 

Re : Spécification du facteur de bloc aléatoire dans les conceptions DOE classiques

Il existe de nombreux cas pour lesquels le DSD n'est pas approprié. L'un de ces cas est lorsque vous avez des effets aléatoires liés au blocage ou à la randomisation en parcelles divisées.

 

Voir le billet de blog de Bradley Jones sur ce problème.

Re : Spécification du facteur de bloc aléatoire dans les conceptions DOE classiques

Puisque vous avez mentionné que le bloc fixe consomme plus de DOF que le bloc aléatoire, cela signifierait-il que changer l'attribut du facteur de bloc en "effet aléatoire" dans le tableau de données existant généré via le DOE classique augmenterait la puissance des estimations de paramètres s'il existe plusieurs niveaux du facteur de bloc ?

Re : Spécification du facteur de bloc aléatoire dans les conceptions DOE classiquesCe n'est pas vraiment quelque chose de spécifique aux DOE optimaux, vous pouvez donc totalement analyser une conception classique bloquée avec des blocs aléatoires même si elle est fixe par défaut. Il n'y a pas vraiment d'inconvénient là-dedans. Cela étant dit, si vous faites un DSD, je vous recommande fortement d'utiliser Fit Definitive Screening pour l'analyse, où je ne pense pas que vous pourrez le contraindre à traiter Block comme aléatoire.Re : Spécification du facteur de bloc aléatoire dans les conceptions DOE classiques

Merci d'avoir clarifié la différence entre les deux effets de blocage. Je conviens que l'effet de bloc aléatoire est le plus logique dans la plupart des scénarios, du moins ceux pertinents pour mes études.

Ce qui m'intéresse, c'est comment attribuer le facteur de bloc en tant que "bloc aléatoire" lors de la génération d'une conception DOE classique ou d'une conception DSD. Dans la plate-forme DOE personnalisée, vous pouvez le spécifier assez facilement. Cependant, dans le DOE/DSD classique, le facteur de bloc est défini par défaut comme effet fixe et vous ne pouvez modifier son attribut qu'après la génération de la table de conception (du moins pour autant que je sache).

Est-il judicieux d'utiliser l'effet de bloc aléatoire et la méthode REML pour la conception DOE classique ou est-ce quelque chose de spécifique à la conception personnalisée ?

Re : Spécification du facteur de bloc aléatoire dans les conceptions DOE classiques

Les blocs fixes et les blocs aléatoires sont traités différemment dans l'optimisation de la conception, et vous devez utiliser le type de bloc qui correspond à la façon dont vous adapterez votre modèle. Ils consomment des degrés de liberté différemment, il y aura donc un impact sur la façon dont les points sont alloués dans votre espace de conception en fonction du type de blocs que vous avez sélectionné.Notez la différence dans les tailles de conception minimales et recommandées entre les 2 approches.Les blocs fixes nécessitent généralement plus d'exécutions.

 

Il y a certaines raisons pour lesquelles vous pourriez traiter un bloc comme fixe, mais je trouve que les blocs aléatoires ont plus de sens dans la plupart des contextes que j'ai vus, en particulier si votre objectif est de tenir compte de la variation causée pour les blocs et de ne pas avoir besoin de faire d'inférence sur les effets.Par exemple, si j'inclus plusieurs lots de matières premières dans ma conception, peu m'importe que le Lot A augmente la réponse moyenne de 1,5 et le Lot B de -0,6 car une fois que les Lots A et B sont consommés, ils disparaissent pour toujours et nous Je n'aurai jamais un autre Lot A ou Lot B.Je veux seulement que les lots que j'utilise dans la conception soient représentatifs de la variation typique des lots de matières premières que je rencontrerai à l'avenir.