Je cherchais plus de détails sur la mise en œuvre des intervalles de prédiction dans le JMP Fit Model Profiler, lorsque vous utilisez la personnalité de variance log-linéaire dans la plate-forme Fit Model. Pourriez-vous fournir plus d'informations par rapport à ce que je peux trouver dans l'aide ou sur Internet? Par exemple, utilise-t-il la matrice de conception dans son calcul? Comme ça:
avec
Avec (c'est la partie qui me manque sur la documentation)
Le carré sigma (chapeau) étant le modèle RSME (pour la variance log-linéaire, je suppose que c'est le RMSE prévu pour une condition de conception) et xh une nouvelle condition de conception. Je l'espère, car c'est incroyablement puissant pour faire exactement cela.
De plus, ce que je veux dire, c'est que nous avons besoin d'inversions de prédiction. J'ai communiqué dans le passé (il y a très, très longtemps) qu'ayant généralement ces intervalles de prédiction dans le profileur de prédiction seraient un ajout ultime à cet outil puissant. Je veux dire, le modèle de régression multiple par défaut (Standard Least Square) est celui utilisé par la plupart des utilisateurs, et c'est dommage que les intervalles de prédiction ne soient pas disponibles là-bas! De plus, il serait facile d'utiliser une telle distribution de Student avec le simulateur, au lieu d'une distribution normale ne tenant pas compte de la matrice de conception ni des degrés de liberté (elle existe même sous forme de multi-réponses en tant que distribution de Student multivariée)! La raison en est que la plupart des gens utilisent d'abord DoE, puis proposent des modèles qui ont logiquement de faibles degrés de liberté. Par conséquent, l'approximation normale ne tient pas tout à fait.
Pour information, beaucoup de gens ne peuvent pas vraiment utiliser JMP pour leur calcul Design Space (environnement QbD) à cause de cette mauvaise distribution normale dans le simulateur, pour obtenir les probabilités de défauts. Ensuite, nous devons généralement revenir à R ou SAS pour le faire, ce qui est une perte de temps énorme et regrettable.
