Apprenez-en plus dans notre cours en ligne gratuit :
Pensée statistique pour la résolution de problèmes industriels
Dans cette vidéo, nous vous montrons comment analyser des expériences factorielles complètes dans JMP à l'aide du fichier 2x2x2 Unreplicated.jmp.
Comme son nom l'indique, il s'agit d'un 2 non répliqué 3 expérience factorielle complète. Les facteurs sont la température, le temps et le catalyseur, et la réponse est le rendement.
Étant donné que cette expérience a été conçue dans JMP, nous pouvons exécuter le script Model pour lancer l'analyse. Au lieu de cela, à titre d'illustration, nous sélectionnons Analyser, puis Ajuster le modèle.
Vous pouvez voir que la boîte de dialogue Spécification du modèle a été renseignée avec la réponse, le rendement et plusieurs effets de modèle. Par défaut, le modèle inclut uniquement les effets principaux et les interactions bidirectionnelles.
Nous allons sélectionner ces effets et cliquer sur Supprimer pour recommencer et remplir le panneau des effets du modèle à partir de zéro.
Nous ajouterons les effets principaux et les interactions bidirectionnelles.
Pour ce faire, nous sélectionnons les trois facteurs dans le panneau Sélectionner les colonnes, puis nous cliquons sur le bouton Macros et sélectionnons Factoriel en degré. Vous pouvez voir que, par défaut, Degré est 2. Ainsi, le panneau des effets du modèle est rempli d'effets principaux et d'interactions bidirectionnelles.
Nous allons cliquer sur Exécuter pour exécuter cette analyse.
Par défaut, vous voyez le tableau Résumé des effets et le profileur de prédiction.
Les termes du tableau Résumé des effets sont triés par ordre croissant en fonction de PValue. Le terme le plus significatif est Température, suivi de l'interaction Température*Temps.
Vous pouvez voir que les autres interactions bidirectionnelles ne sont pas significatives.
Nous allons réduire le modèle en supprimant les effets non significatifs, un à la fois. Pour ce faire, nous sélectionnons l'interaction Température*Catalyseur dans le tableau Récapitulatif des effets, puis cliquez sur Supprimer. Nous supprimons également l'interaction Time*Catalyst.
Les coefficients des effets dans le modèle sont répertoriés dans le tableau Estimations des paramètres.
Le Prediction Profiler vous permet de visualiser votre modèle. La température, qui est le terme le plus significatif, a la ligne de profil la plus raide. Lorsque nous cliquons et faisons glisser cette ligne vers la valeur basse de la température, puis la valeur haute, vous pouvez voir comment le rendement prévu change.
Vous pouvez également voir l'interaction entre la température et le temps. Remarquez ce qui arrive à la pente de la ligne pour le temps lorsque vous changez la température du niveau bas au niveau haut. La pente de la ligne pour le temps change.
Pour mieux voir cette interaction, nous cliquons sur le triangle rouge supérieur et sélectionnons Factor Profiling puis Interaction Plots.
Vous pouvez voir que les lignes de profil ne sont pas parallèles. Cela vous indique que l'effet d'un facteur sur la réponse dépend du réglage de l'autre facteur.
Jetons un autre coup d'œil au profileur de prédiction.
Le but de cette expérience est de maximiser le rendement. Donc, vous voyez des panneaux de désirabilité. La dernière case de la rangée du haut est la fonction de désirabilité, qui indique l'objectif de réponse. Lorsque nous double-cliquons sur cette case, nous voyons l'objectif et la désirabilité. Des valeurs plus élevées de rendement sont plus souhaitables. Lorsque nous demandons à JMP de trouver les paramètres des facteurs qui maximiseront la réponse, nous optimisons cette fonction de désirabilité.
Faisons cela maintenant. Nous sélectionnons Optimiser et Désirabilité dans le triangle rouge pour le profileur de prédiction, puis Maximiser la désirabilité.
Les paramètres de nos facteurs qui entraînent le rendement prévu le plus élevé sont la température au niveau élevé (120), le temps au niveau bas (4) et le catalyseur au niveau élevé (5). À ces paramètres, le rendement prévu est de 89,32. Les valeurs entre parenthèses forment un intervalle de confiance pour la moyenne de ce rendement prévu. Avec ces paramètres de facteur, vous pouvez être sûr à 95 % que le rendement moyen sera compris entre 88,2 et 90,5 (en supposant, bien sûr, que le processus n'a pas changé).
Il existe de nombreuses options supplémentaires sous le triangle rouge supérieur pour explorer et analyser vos résultats, dont nous ne discuterons pas dans cette courte vidéo.
Nous vous encourageons à explorer ces options par vous-même.
