Question DOESalut tout le monde,
Je suis assez débutant en ce qui concerne DOE et j'ai une petite question.
En gros, disons que j'ai une expérience avec plusieurs facteurs. En particulier, je souhaite tester un composant qui a deux niveaux possibles et je souhaite tester plusieurs concentrations (0, 10, 20 ou 40). Par conséquent, j'ai créé ma conception avec un facteur catégoriel (composant: A, 
et un facteur numérique discret (concentration: 0, 10, 20, 40).
Dans la conception finale, j'ai plusieurs essais avec A-0 ou B-0. Cependant, d'un point de vue biologique c'est exactement la même chose => "aucun composant ajouté". Je me demande s'il existe un moyen de fournir ces informations au logiciel? Comment définir que deux courses sont équivalentes? Ou peut-être devrais-je définir les facteurs différemment? Ou peut-être que ce n'est tout simplement pas faisable.
Merci d'avance pour vos contributions!
BICHERe: question DOEsalut @anne_sa ,
D'après ce que cela donne, vous avez un facteur numérique discret, appelez-le X1 avec quatre niveaux. Vous avez également un autre facteur qui est une catégorie à deux niveaux, appelez-le X2. X1 peut prendre des valeurs [1, 2, 3, 4] ce sont les valeurs codées, pas les valeurs réelles de l'expérience que vous utiliseriez réellement. De même, votre variable catégorielle X2 prend [0, 1], qui sont encore les valeurs codées - dans l'expérience, X2 sera en fait A ou B. En mettant cela dans un DOE personnalisé typique, vous devriez obtenir 8 exécutions où X1 varie de 1 à 4 et X2 sera soit 0 ou 1, obtiendra également les interactions. L'interprétation est alors que 0 = A et 1 = B.
D'un autre côté, si vous avez deux composants A et B qui peuvent tous deux être présents (1) ou absents (0), alors vous voudrez avoir une variable catégorielle supplémentaire X3, qui prend également les valeurs [0, 1] , mais maintenant le [0, 1] signifie désactivé ou activé, respectivement. Si vous générez maintenant le nouveau DOE avec trois facteurs, vous aurez besoin d'au moins 16 exécutions pour obtenir également les interactions. Encore une fois, dans ce cas, X1 va de 1 à 4 et les deux autres variables catégorielles pour le composant A ou B seront soit on, off, soit des mélanges de marche / arrêt, par exemple X2 = 0 (off), X3 = 1 (on ). L'ajout du terme supplémentaire vous permet de voir s'il existe des interactions entre le composant A et le composant B, ainsi que la concentration.
Ce ne sont pas nécessairement des DOE optimaux, en particulier pour minimiser la corrélation des interactions, etc.
J'espère avoir bien compris votre problème.
J'espère que cela t'aides!,
DS
Re: question DOEBienvenue à DOE!
Je ne suis pas fan des facteurs continus réglés sur 0. Comme vous l'avez découvert, cela signifie que vous n'avez pas ce facteur. Je pense qu'il vaudrait peut-être mieux avoir tous les niveaux de concentration différents de zéro. Voyez comment cette idée correspond à votre objectif.
Re: question DOEPour développer @markbailey le commentaire de (et j'ai le même avis) sur le fait de ne pas être fan de la mise à zéro des facteurs continus car pas du tout dans le système ``, trop souvent le système à l'étude agit comme un système nouveau ou atypique avec un facteur clé complètement absent. L'absence du facteur pourrait influencer l'estimation des paramètres d'une manière fâcheuse. Il peut mettre en place une sécurité ou une défaillance abjecte connue dans le processus qui ne fournit pas d'informations utiles sur le problème en question. Ou un autre mode d'échec imprévu.
Enfin, que vous disent vos connaissances en ingénierie ou en principes de base (si vous en avez) sur ce qui pourrait se passer avec le facteur complètement absent?
Et je déteste même suggérer cela ... mais si vous êtes déterminé et déterminé à découvrir ce qui se passe à `` zéro '' pour ce facteur, il est peut-être temps pour un simple essai de type home run à `` zéro '' et regarde ce qui se passe? Et ne pas inclure ces combinaisons dans l'analyse? Mais encore une fois ... seulement si vous êtes certain de ne pas induire une situation de sécurité ou dangereuse.
Re: question DOEFaisant écho à mes estimés collègues, je souhaite d'abord vous souhaiter la bienvenue dans le monde du DOE. C'est un sujet et un outil fascinant et incroyablement puissant. Malheureusement, les conseils concernant le choix du design dépendent de la situation. Sur quelles hypothèses souhaitez-vous avoir un aperçu? Les facteurs vont représenter ces hypothèses dans votre expérience. Réalisez qu'il y a une différence entre un tester conçu pour "choisir un gagnant" et un expérience qui est conçu pour donner un aperçu des relations causales. Cela prend en compte la sélection des facteurs, le réglage du niveau et les conditions dans lesquelles vous effectuez l'expérience (espace d'inférence). Mon conseil est de réfléchir aux combinaisons de traitements (facteurs et niveaux) et d'essayer de prédire quels résultats vous attendez et quels résultats pourraient être possibles. Prédisez quels pourraient être tous les résultats possibles et que feriez-vous dans chaque cas. Alors continuez. Par exemple, si le facteur X1 est significatif, que feriez-vous? Si ce facteur est insignifiant, que feriez-vous? (pour tous les facteurs). Si vous exécutez l'expérience et qu'aucune variation pratiquement significative n'est "créée", que ferez-vous? Et si vous créez un tas de variations, mais que rien n'est attribuable aux facteurs? ... etc.
Concentrez-vous sur les informations que vous souhaitez et ensuite sur la conception qui convient. Chaque fois que je vois des facteurs et à plus de 2 niveaux, je pense à un objectif de choix du gagnant. Vous ne prédisez certainement pas un polynôme de troisième ordre? Alors pourquoi 4 niveaux d'une variable continue?
Souvenez-vous qu'il y a toujours deux choses dans l'expérimentation, l'une consiste à comprendre le phénomène, l'autre à apprendre à expérimenter.
Désolé pour ma diatribe. Continuer. Et revenez et posez des questions!
Re: question DOESalut,
Merci beaucoup @DS , @markbailey , @P_Bartell et @statman pour vos commentaires. Chaque contribution est vraiment précieuse et m'aide à mieux comprendre l'ensemble du processus.
Je pense que je vais suivre vos conseils et ne pas inclure ce niveau 0 dans ma conception.
Concernant le nombre de niveaux pour le facteur X2, les personnes familiarisées avec le champ expérimental souhaitaient avoir plusieurs niveaux «intermédiaires» (4 voire plus) car elles s'attendent à un comportement quadratique mais elles ne savent pas exactement à quel point la réponse commencera à diminution. Cependant d'après ce que je comprends, deux niveaux suffisent pour une étape de criblage, et 3 si l'on veut ajouter un effet quadratique dans le modèle et "choisir le gagnant". Y a-t-il donc un gain à ajouter des niveaux intermédiaires? Est-ce que cela aide à saisir le point exact de «rupture»? Ou va-t-il simplement diminuer la précision des résultats?
Merci encore pour votre aide!
Re: question DOEVous aviez raison d'ajouter un facteur numérique discret lorsque vous vouliez dicter les niveaux de facteur exacts. (Ensuite, JMP décide des termes qui doivent être ajoutés au modèle.) La meilleure pratique pour couvrir la possibilité d'une réponse non linéaire au changement d'un niveau de facteur est d'ajouter un facteur continu et de spécifier les termes nécessaires dans le modèle. . (JMP décidera des meilleurs niveaux pour estimer les paramètres de votre modèle.)
Gardez également à l'esprit de choisir une large gamme pour ce facteur continu. N'essayez pas de «deviner» où sera le meilleur niveau et de limiter la portée aux alentours d'une telle estimation. Comme mentionné précédemment, cette étude ne consiste pas à «tester» pour «choisir le gagnant». Il s'agit d'estimer un modèle pour trouver le gagnant. Les meilleures estimations nécessitent un effet important, qui est produit par une large gamme de facteurs.
Re: question DOEAjouter à @markbailey Le dernier commentaire de JMP, pour mettre en œuvre ce qu'il recommande, vous devrez utiliser la plate-forme de conception personnalisée de JMP. Vous serez en mesure de saisir les niveaux spécifiques haut et bas que vous souhaitez couvrir dans votre espace de facteur expérimental et le modèle exact que vous souhaitez estimer ... mais comme Mark le note, d'autres niveaux seront sélectionnés par l'algorithme de conception personnalisée. cela PEUT ne pas être de jolis «chiffres ronds» que certains membres de votre équipe pourraient naïvement juger nécessaires. Comme Mark le suggère, le but est de trouver un modèle utile ici ... pas le gagnant. Vous devriez également envisager d'utiliser le Prédiction Profiler et les capacités de simulation de JMP pour vous aider à trouver et à explorer dans la quête de ce «modèle utile».
D'autres étapes impliquées dans la résolution de problèmes où le DOE est au cœur de l'effort comprennent des cycles de confirmation ou une expérimentation supplémentaire pour améliorer le modèle ou votre compréhension du système. Les exécutions de confirmation sont tout sauf requises pour les problèmes d'optimisation de la réponse. Une expérimentation supplémentaire pourrait être recommandée pour explorer la robustesse de la solution, OU supposer que vous manquez le point d'inflexion qui semble si central?
La résolution de problèmes par le DOE n'est souvent pas terminée avec une seule conception ... Je vous recommande, vous et votre équipe, d'adopter le concept de l'expérimentation séquentielle comme élément central de votre méthodologie de résolution de problèmes.
