Confirmation du modèle de conception d'écran définitif (DSD)Salut à tous,
J'ai conçu un DSD avec les informations suivantes:
- Conception: 7 facteurs continus et 1 facteurs catégoriels, 22 cycles
- Evaluation de la conception sur la puissance et la corrélation: très bonne
- Fit model via Fit Definitive Screening: excellent
- RMSE = 0,2803, RSq = 0,997, PValeur <0,001)
- Manque d'ajustement: non (ration F 191, Prob> F = 0,0561)
- Les résidus résiduels et Studentized sont tous bons
- Structure du modèle:
- Contient 5 facteurs d'interaction principaux, 4 quadratiques et 1
- Confirmation du modèle: essayez quelques courses (points) autour de la désirabilité Max
- certains sont très bien d'accord avec la prédiction
- certains montrent de grandes différences
En raison de contraintes de ressources, nous pouvons exécuter 5 à 10 cycles de confirmation.
S'il vous plaît donnez votre avis:
- Les causes potentielles de la différence, par exemple sous-ajustement ou sur-ajustement?
- Méthode ou procédure pour améliorer / optimiser le modèle
Merci.
BICHERe: Confirmation du modèle de conception d'écran définitif (DSD)Ce sera très difficile pour nous d’aider. Réalisez que les statistiques que vous rapportez n'ont rien à voir avec le fait que le modèle fonctionne dans le futur. L'extrapolation est technique ou scientifique et elle dépend grandement de la représentativité de votre expérience par rapport aux conditions futures. La conception définitive du criblage est une stratégie visant à gérer les facteurs de conception, et non le bruit (facteurs que vous ne souhaitez pas contrôler ou gérer). Vous ne dites rien sur la façon dont vous avez géré le bruit. Si les facteurs de bruit sont maintenus constants, votre espace d'inférence est trop petit et votre modèle ne s'appliquera probablement qu'aux données en main. Pour de futures expérimentations, mon conseil est de passer autant de temps à réfléchir à ce que vous ferez avec les facteurs non inclus dans la structure de conception (bruit) que ceux que vous êtes.
Re: Confirmation du modèle de conception d'écran définitif (DSD)Salut Statman,
Le DOE était basé sur les résultats du logiciel de simulation. Nous avons trouvé qu'un niveau de facteur (-1,0, + 1) capturait la plage complète de la variable représentative, mais physiquement (0, 0,5, 1) ou (-1, -0,5, 0) devrait être la plage effective pour la cible réponse.Nous pouvons donc considérer ce facteur comme un facteur de bruit et utiliser un même niveau de facteur dans l'exécution de confirmation.
Sur la base des informations supplémentaires ci-dessus, un conseil s'il vous plaît?
Merci.
Re: Confirmation du modèle de conception d'écran définitif (DSD)Je ne suis pas sûr de pouvoir vous aider. Êtes-vous en train de dire que les résultats de l'exécution des expériences dans le logiciel de simulation ne sont pas reproductibles dans le logiciel de simulation? Ou vous dites que les résultats de l'expérience dans le logiciel de simulation ne se répètent pas dans la «vraie vie»?
Je pense qu'il peut y avoir des confusions sur ce qu'est le bruit. Il porte un certain nombre de noms différents: Nuisance, background, et. Al. Les exemples incluent: les conditions environnementales ambiantes, l'usure ou la dégradation des matériaux et de l'équipement, la technique de l'opérateur, dans certains cas l'erreur de mesure, la variation d'un lot à l'autre des matériaux, etc. Ces variables ne sont généralement pas manipulées dans une expérience et sont soit maintenues constantes ( mauvaise idée) ou varier au cours de l’exécution de l’expérience. Celles-ci doivent être représentatives des «conditions» futures pour que vos résultats expérimentaux soient applicables à l'avenir (ou pour que votre modèle prédise les variables de réponse dans le futur).
Si vous utilisez un logiciel de simulation, l'algorithme est déjà contenu dans le logiciel. Vous ne le savez pas? Je n'ai aucune idée de la façon dont votre logiciel de simulation «simule» le bruit.
Re: Confirmation du modèle de conception d'écran définitif (DSD)Salut Statman,
Merci pour votre patience.
Je connais le concept de bruit. J'ai commencé par utiliser la méthode Taguchi pendant de nombreuses années. Donc, dans mon cas, nous n'avons pas à nous soucier des bruits.
En bref, le DOE était basé sur les résultats de l'exécution d'un logiciel de simulation, tout semble bon sauf que le modèle fonctionne mal avec certaines données de confirmation.
Pour comprendre ce qui peut causer les confirmations pas si bonnes, le lièvre est quelques choses que j'essaye maintenant:
1) Au lieu d'utiliser le modèle généré par Run Model juste après Fit Definitive Screening, j'ai utilisé la régression pas à pas pour choisir des termes utilisant les critères AICc et BIC. Ensuite, j'adapte les termes sélectionnés avec les moindres carrés standard. J'ai eu une amélioration.
2. Je peux également ajuster les termes sélectionnés ci-dessus avec des exécutions d'addition en supposant que le modèle est sous-ajusté. Question: comment décider si un modèle est sous-ajusté ou sur-ajusté? Quelle est la solution est-il sur-ajustement?
3. Dois-je même essayer l'ajustement de régression non linéaire?
Merci.
Re: Confirmation du modèle de conception d'écran définitif (DSD)Je suis heureux de vous aider si je le peux, mais vous n'avez pas répondu à ma première question? Si vous exécutez des simulations, pourquoi fractionner? A moins que le temps de calcul ne soit trop long? L'expérience a été menée par un logiciel de simulation, les essais de confirmation ont-ils également été exécutés par le logiciel de simulation?
Je ne sais pas ce que la méthode Taguchi a à voir avec cette discussion? Il n'a certainement pas été le premier à identifier l'importance du bruit dans des situations expérimentales (voir Fisher). Si vous pointez vers le tableau interne et externe, cette méthode a été abordée pour la première fois dans les années 1950 avec Cox et les tableaux croisés. Je ne comprends pas ce que vous voulez dire "nous n'avons pas besoin de nous soucier du bruit"? Chaque variable qui pourrait éventuellement varier a été étudiée?
Il existe de nombreuses méthodes / approches pour l'ajustement de modèle. Il y a l'approche additive qui est ce que fait par étapes et il y a l'approche soustractive qui commence saturé et supprime les termes. Différentes approches pour différentes situations. Il existe un certain nombre de statistiques qui peuvent vous aider, mais aucune statistique ne vous donne une réponse définitive. Mon premier conseil est d'utiliser l'ingénierie et la science pour déterminer si les facteurs et les niveaux suggérés par le modèle ont du sens, les statistiques utiles comprennent: RMSE, RSquare-RSquare Adjusted delta (certains utilisent des RSquares prédits), coefficients, p-values, résidus (beaucoup parcelles), VIF, etc.
