conception de criblage définitiveChers tous,
Je prévois de construire un RSM pour optimiser ma méthode. J'ai 8 facteurs continus, 1 facteur catégoriel et 2 réponses. Les niveaux de chaque facteur ont été déterminés en fonction des expériences précédentes de l'équipe. Je n'ai aucune idée s'il y a des interactions entre les facteurs ou non. Je ne parviens pas à identifier la source du bruit et je prévois de randomiser. Après avoir fait quelques recherches, je pense que la conception la plus appropriée à choisir serait une conception de criblage définitive?
J'apprécierai toutes remarques ou conseils
Merci
BICHERe: conception de criblage définitiveMentionné,
Je suppose que vous essayez de comprendre une surface de réponse (RSM est une méthodologie) décrivant deux variables dépendantes. Il existe de nombreuses approches pour y parvenir. Je suis biaisé par l'approche séquentielle qui m'a été enseignée par le Dr GEP Boîte. Il s'agit d'une approche de méthode scientifique, dans laquelle vous commencez par des hypothèses (représentées par des facteurs dans l'expérience) et utilisez des données pour donner un aperçu de ces hypothèses. Il n’existe pas de «bonne» façon de le faire et le moyen le plus efficace est dépendant de la situation . Cette approche typiquement commence par des conceptions fractionnaires à 2 niveaux pour filtrer un grand nombre de variables (sur la base des principes de rareté et de hiérarchie des effets). Déplacer ensuite l'espace dans le sens de l'amélioration et réduire le nombre de variables. Au fur et à mesure de l'itération de votre travail, vous commencez à ajouter des termes d'ordre supérieur au modèle. Ces effets d'ordre supérieur peuvent être factoriels (interactions) ou polynomiaux (courbure). Le travail séquentiel est très utile pour comprendre la surface. Ce type de travail est le meilleur géré par le scientifique ou l'ingénieur qui comprend les mécanismes (par exemple, physiques, chimiques) et peut interpréter les résultats d'une étude statistique. C'est le scientifique / ingénieur qui doit expliquer (hypothèses) et prédire les effets possibles des facteurs (et si l'effet est linéaire dans l'espace étudié), les interactions et extrêmement important, le BRUIT . Peut-être devriez-vous commencer par comprendre le modèle du premier ordre et l'impact du bruit avant d'étudier les relations non linéaires, mais cela dépend de ce que vous faites et de ce que vous ne savez pas. Mon conseil, basé sur votre discussion limitée de votre situation, est de passer un peu de temps à identifier ce que pourrait être le bruit, puis à développer une stratégie pour gérer ce bruit. Je pense également que le blocage (ou: les répétitions, les graphiques fractionnés, les covariables, etc.) est une meilleure stratégie que la randomisation. Pourquoi, parce que vous voulez comprendre l'impact du bruit, attribuez-le de préférence, pas seulement obtenir une estimation numérique de sa taille. Bien que la randomisation vous donne, espérons-le, une estimation non biaisée du bruit, elle peut compromettre la précision de la conception.
"Bloquez ce que vous pouvez rendre aléatoire ce que vous ne pouvez pas", GEP Boîte
Je ne dis pas de ne pas utiliser de conceptions de dépistage définitives (Brad Jones a fait un excellent travail en apportant cette stratégie de conception à la communauté), il vous suffit de peser les informations dont vous avez besoin à ce stade avec les ressources pour obtenir cette information.
Bonne chance pour ton voyage.
Re: conception de criblage définitiveJ'ajouterai juste deux commentaires à @statman ,.
Premièrement, il s'agit d'une conception de dépistage, elle est donc destinée à être utilisée dans une situation de dépistage dans laquelle les principes de dépistage clés sont valables. L'un des plus importants que je soupçonne ne tient pas dans votre cas est la rareté des effets. Ce type de conception met l'accent sur l'économie plutôt que sur la capacité. L'hypothèse est que peu de facteurs sont, en fait, actifs. Vous attendez-vous à ce que moins de la moitié des 8 facteurs soient inactifs?
Deuxièmement, filtrage ou non, veillez à ce que le " les niveaux de chaque facteur ont été déterminés en fonction des expériences précédentes de l'équipe "ne sont pas trop étroits. Les plages doivent être déterminées en fonction de la nécessité de provoquer un changement important dans la réponse afin que la régression puisse estimer efficacement les paramètres du modèle (petites erreurs standard). Les plages doivent toujours être larges. Ils ne doivent pas être sélectionnés sur la base de l’espoir que la réponse atteindra toujours un niveau souhaitable. Ceci est une expérience, pas un test. L'expérience doit fournir les meilleures données pour soutenir la modélisation, et non pour soutenir «choisir le gagnant».
Re: conception de criblage définitiveMerci @markbailey
revenons à vos remarques, je n'ai aucune idée si plus de la moitié de mes facteurs sont inactifs ou non! Je suis d'accord que le DSD est à la fin une conception de criblage mais il donne la possibilité de voir les courbures dans ma réponse et de construire un modèle de surface de réponse. À partir de mes lectures, l'analyse du criblage définitif peut être effectuée à l'aide de la régression progressive progressive dans laquelle la parcimonie d'effet devrait tenir. En revanche, si je souhaite analyser une conception de dépistage définitif et au cas où de nombreux effets seraient susceptibles d'être actifs (plus de la moitié de mes facteurs), je devrais utiliser la plateforme de dépistage définitif Fit qui prend en compte la structure avantageuse de DSD ( ajouter des analyses supplémentaires et analyser le modèle en 2 étapes)
Que pensez-vous?
Re: conception de criblage définitiveMerci @statman pour les informations que vous avez fournies
" Mon conseil basé sur la discussion limitée de votre situation "S'il vous plaît laissez-moi savoir de quels détails vous avez besoin et je serai heureux de partager. Ensuite je pense que vous aurez une meilleure visibilité pour me donner plus de conseils ce qui est très apprécié
meilleures salutations
