Implémenter des combinaisons de facteurs non autorisées et/ou des contraintes linéaires à l'aide de l'approche DSD ?Salut tout le monde,
J'ai actuellement du mal à combiner les avantages de la plateforme DSD avec la plateforme Custom-Design et je n'ai pas trouvé de solution quelque peu réalisable.
La tâche consiste à étudier environ 30 variables continues et 8 variables catégorielles avec le moins d'exécutions possible (actuellement environ 90) ET d'éliminer les combinaisons qui n'ont aucun sens sur la base de la connaissance des processus. En plus de cela, nous nous intéressons principalement aux interactions car nous savons déjà que de nombreux effets principaux existent (par eux-mêmes).
Toutes les suggestions sont les bienvenues.
Cordialement
Égon
Re : Implémenter des combinaisons de facteurs non autorisées et/ou des contraintes linéaires à l'aide de l'approche DSD ?Bonjour tout le monde,
merci beaucoup pour votre contribution qui sera discutée en interne avec mes collègues au sein de ce projet. Je vous ferai part du résultat.
Cordialement
Égon
Re : Implémenter des combinaisons de facteurs non autorisées et/ou des contraintes linéaires à l'aide de l'approche DSD ?D'ACCORD, @Mark_Bailey , vous m'avez incité à contribuer. J'ai quelques pensées pour @egon_gross .
1. D'un point de vue purement logistique, dans quelle mesure êtes-vous sûr de pouvoir réellement régler les 38 facteurs à leurs niveaux requis, comme dicté dans chaque combinaison de traitement ? Vous avez dit que vous vouliez tous les effets principaux et un ensemble non spécifié d'interactions... dans un ordre d'effet non spécifié (2 voies, 3 voies ou plus ?). Supposons donc simplement que vous souhaitiez la moitié de toutes les interactions possibles à deux facteurs et quelques degrés de liberté restants à des fins d'estimation des effets... vous envisagez donc un minimum de BEAUCOUP de combinaisons de TRAITEMENT. Avec 38 points ! Mon expérience est même avec moins de 10 facteurs lorsque je faisais partie d'équipes exécutant des expériences conçues, les choses ont été gâchées, peu importe les efforts que nous avons déployés. Quelqu'un a mal défini un niveau, a accidentellement dupliqué une combinaison de traitements et/ou n'a pas exécuté celle qui était requise... ce qui aura d'énormes implications pour l'estimation des effets. Ou peut-être mettre la combinaison dans le mauvais bloc... ou dans un autre mode d'échec d'exécution expérimental. Et pire encore, nous ne savions pas souvent que nous avions commis une erreur ! En parlant de blocage... passons à une seconde réflexion.
2. Grâce à une expérience à grande échelle, je peux imaginer des scénarios dans lesquels un blocage pourrait être nécessaire. Par exemple, si l’expérience doit être réalisée sur plus d’une journée et que les gens craignent qu’il y ait un effet quotidien, alors la journée devrait devenir un facteur bloquant. Ou qu'en est-il d'un scénario dans lequel, pour minimiser le délai, quelqu'un décide de mener l'expérience sur deux, trois ou plus, disons, des réacteurs ? Un autre facteur bloquant. Et puisque le blocage est une forme de randomisation restreinte... passons à ma troisième pensée.
3. Comme @Mark_Bailey suggère, pouvez-vous complètement randomiser l'ordre d'exécution expérimental ? Si ce n'est pas le cas, une sorte de conception de tracé divisé est nécessaire, vous êtes donc définitivement dans la timonerie de conception personnalisée de JMP. Maintenant pour ma dernière pensée.
Je vous souhaite bonne chance... si l'expérience fonctionne et que vous êtes prêt à la partager, peut-être qu'une entrée du blog JMP serait une belle histoire !
Re : Implémenter des combinaisons de facteurs non autorisées et/ou des contraintes linéaires à l'aide de l'approche DSD ?L'ordre des réponses n'est pas chronologique. Cela dépend du bouton Répondre sur lequel vous cliquez. J'espère que cette réponse est à la fin !
Un collègue, @P_Bartel , a soulevé deux questions très importantes. Le premier problème est de savoir dans quelle mesure la randomisation sera peu pratique avec autant de facteurs. Ce problème signifie que vous devez utiliser une conception personnalisée à tracé divisé, et non un DSD. Le deuxième problème est de savoir dans quelle mesure vous pouvez contrôler chaque exécution dans une expérience comportant autant de facteurs.
J'espère que Peter ajoutera à ce fil ses connaissances approfondies sur ces deux questions.
Re : Implémenter des combinaisons de facteurs non autorisées et/ou des contraintes linéaires à l'aide de l'approche DSD ?Je viens juste d'ajouter à l'excellent article de Mark. Je dois dire que je suis un peu confus. Savez-vous déjà qu’il y a 38 facteurs qui ont un effet ? Et maintenant, vous souhaitez enquêter sur les termes du 2e ordre ? C'est très inhabituel. Cela ne suit pas un des principes de l’expérimentation : rareté des effets ? Habituellement, lorsqu'il y a autant de facteurs à étudier, je suggère une sorte d'étude par échantillonnage dirigé (composante de variation) pour réduire le nombre à une taille plus gérable pour l'expérimentation. Je ne peux pas imaginer avoir un modèle de prédiction contenant autant de termes. Il serait pratiquement impossible que ce modèle soit applicable dans le « monde réel ». L'autre pensée que j'ai, c'est que vous ne discutez pas du tout du bruit. Des éléments de bruit à court terme (par exemple, erreur de mesure) aux éléments à long terme (par exemple, conditions ambiantes, variation d'un lot à l'autre des variables d'entrée). Je dois dire que vous avez éveillé mon intérêt pour ce que vous étudiez.
Re : Implémenter des combinaisons de facteurs non autorisées et/ou des contraintes linéaires à l'aide de l'approche DSD ?L'élimination manuelle des analyses dans un DSD ou l'ajustement des niveaux dans les analyses existantes détruiront la structure de repli dont dépend l'analyse unique. À ce stade, la conception résultante n’est plus un DSD et n’offre plus les avantages d’un DSD. je suis d'accord avec @ian_jmp que nous devrions être en mesure de trouver un design personnalisé pour fonctionner.
Je n’aime pas suggérer l’approche suivante car je crois que les données les plus réalistes proviennent d’une expérience avec tous les facteurs pertinents, mais cette approche n’est pas toujours possible. Une autre façon serait de diviser les facteurs en deux ou plusieurs expériences. Cette approche risque de séparer les facteurs qui interagissent. Vous ne pourrez pas modéliser ces interactions et elles pourraient constituer une caractéristique clé du comportement du processus. Cela nécessite suffisamment de connaissances sur les processus concernant les interactions pour prendre des décisions à faible risque quant aux facteurs à séparer.
Re : Implémenter des combinaisons de facteurs non autorisées et/ou des contraintes linéaires à l'aide de l'approche DSD ?Le DSD est quelque peu rigide et n’apporte pas de solution à tous les cas. C’est dans cette situation que vous devez utiliser une conception personnalisée. Le reste de ma réponse est basé sur une conception personnalisée.
Avez-vous déjà examiné les 38 facteurs ? Les données sont-elles disponibles ? Serait-il possible d’augmenter les données existantes pour s’adapter au nouveau modèle et tester les interactions ? L'augmentation est un excellent moyen d'en apprendre davantage grâce à de nouvelles preuves tout en exploitant les données existantes à des fins économiques.
Lorsque vous dites « n'a aucun sens », voulez-vous dire que ces traitements sont physiquement impossibles ou voulez-vous dire qu'ils sont susceptibles de produire de mauvais résultats (réponses indésirables) ? UN test est une sorte de jeu de devinettes utilisé pour « choisir le gagnant ». Un expérience est un plan conçu pour collecter des données adaptées à un modèle, quelle que soit l’opportunité des réponses. Il existe une grande différence entre ces deux approches et les mentalités qui les sous-tendent. Si votre cas est le premier, il existe des moyens d’éliminer les exécutions absurdes. Si votre cas est le dernier, je n’éliminerais aucune course fondée sur des préjugés.
J'ajouterais toutes les interactions à deux facteurs.Avez-vous une connaissance des processus concernant les effets d'interaction ? Si vous savez qu'une interaction n'est pas possible, supprimez ce terme. Si vous savez qu'une interaction est active, conservez-la (effet principal). Pour les autres, changez de Estimabilité depuis Nécessaire à Si possible (effet potentiel). Ce changement produira un Conception optimale bayésienne . Il réinitialise le nombre minimum d'exécutions, qui est toujours égal au nombre de paramètres nécessaires à l'estimation. Ce changement aidera l'économie de la conception à respecter votre budget. Nous vous recommandons d'utiliser plus que le nombre minimum d'exécutions. Une bonne approche consiste à considérer les interactions potentielles et à décider combien d’entre elles seront réellement actives. Bien sûr, vous ne connaissez pas ce chiffre, mais faites une supposition éclairée. Ajoutez 3 à 4 exécutions pour chacun de ces effets. Par exemple, si j'ai 30 interactions potentielles mais que je m'attends à ce que seulement 4 d'entre elles soient actives, j'ajouterais alors 12 à 16 exécutions au minimum.
Cette étude vise-t-elle principalement à dépister les effets ? Vous avez déclaré que vous saviez déjà que les 30+8 facteurs sont actifs et que vous n'auriez donc pas besoin de filtrer les facteurs. Si tel est le cas, laissez le critère recommandé : D-optimal. Si votre objectif principal est la sélection de modèle suivie de l'optimisation, remplacez le critère par I-optimal. Si votre objectif est une combinaison d'effets de filtrage et d'optimisation, remplacez le critère par A-optimal.
Vous souhaitez équilibrer le besoin d'économie avec le besoin de bonnes estimations des paramètres du modèle ou de la réponse. Le grand nombre de termes dans le modèle conduit à un grand nombre d'exécutions mais pas nécessairement à un grand nombre de degrés de liberté d'erreur qui seront utilisés pour établir des intervalles de confiance et des tests d'hypothèses pour vos décisions. Vous espérez donc généralement avoir des effets 3 à 4 fois supérieurs à l’écart type de réponse. Assurez-vous d'élargir la gamme des facteurs continus afin de produire les effets les plus importants. Ne réduisez pas les plages autour du niveau que vous espérez être optimal. Il s'agit d'une approche de test. La gamme plus large prend en charge et l'approche expérimentale.
Re : Implémenter des combinaisons de facteurs non autorisées et/ou des contraintes linéaires à l'aide de l'approche DSD ?Lors de la création de plusieurs options de conception à l'aide de la conception personnalisée, je me suis heurté à un effort expérimental extrêmement élevé, ce qui était hors de question. La deuxième approche - création d'un DSD, élimination manuelle des combinaisons non autorisées suivie d'une évaluation de la conception - s'est également soldée par une impasse. Je vais néanmoins laisser une chance au Custom Design impliquant plusieurs contraintes linéaires.Re : Implémenter des combinaisons de facteurs non autorisées et/ou des contraintes linéaires à l'aide de l'approche DSD ?Compte tenu de ce que vous dites, je m'attendrais à ce qu'une conception personnalisée soit la meilleure solution. Mais vous insinuez également que vous n’êtes pas satisfait du design auquel vous êtes parvenu grâce à cette méthode, alors il y a peut-être plus à dire. Certes, si la « connaissance des processus » que vous mentionnez peut être exprimée via une série de contraintes linéaires, et si vous avez des connaissances technologiques préalables selon lesquelles certains effets conjoints doivent être estimés, et d'autres n'ont tout simplement pas de sens, alors une conception personnalisée est la bonne approche.
