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 plateforme Fit Model. Pourriez-vous nous donner 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 parce que c’est incroyablement puissant pour faire exactement cela.
De plus, ce que je veux dire est que les indicateurs de prédiction sont ce dont nous avons besoin. J'ai communiqué dans le passé (il y a très, très longtemps) qu'avoir en général ces intervalles de prédiction dans le profileur de prédiction constitueraient un ajout ultime à ce puissant outil. 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 n'y soient pas disponibles ! De plus, il serait facile d'utiliser une telle distribution de Student avec le Simulateur également, au lieu d'une distribution normale ne tenant compte ni de la matrice de conception ni des degrés de liberté (elle existe même sous forme 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 vraiment à grand-chose.
Pour information, beaucoup de gens ne peuvent pas vraiment utiliser JMP pour leurs calculs 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 représente une perte de temps malheureusement énorme.
J'aimerais rouvrir. Maintenant que les PI sont disponibles dans le profileur de prédiction, il est certain que les développeurs JMP connaissent la forme de la distribution t de Student à utiliser. Si cela pouvait être ajouté dans le simulateur pour générer la simulation à partir de Student, en tenant compte de df et de la matrice de conception (voir la formule ci-dessus), ce serait incroyable.
Merci !
