conception de dépistage 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 antérieures de l'équipe. Je ne sais pas 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 le modèle le plus approprié à choisir serait un modèle de dépistage définitif ?
J'apprécierai toutes remarques ou conseils
Merci
Conception d'expériencesRe: conception de dépistage définitiveJe pense que vous ne pouvez pas vous attendre à adapter le modèle impartial basé sur les données d'un DSD si le principe de rareté des effets ne tient pas. La méthode Fit Definitive Screening n’échappe pas à l’hypothèse de ce principe.
À tout le moins, vous devez ajouter des exécutions et utiliser plus que le nombre minimum d'exécutions, et utiliser plus que la valeur par défaut de 4 exécutions supplémentaires pour couvrir le nombre potentiel d'effets dans le modèle. Combien de courses supplémentaires ? Je ne sais pas. L'ajout d'essais dans le DSD est généralement basé sur une considération de puissance, une caractéristique clé dans la sélection d'un modèle de dépistage.
Une approche alternative est une conception personnalisée dans laquelle vous pouvez modifier l'estimabilité de chaque terme si nécessaire et ajouter 3 à 4 exécutions pour chaque terme si possible.
L’économie d’un DSD, comme de tout modèle de criblage, est attrayante, mais le petit modèle ne satisfera le modèle que s’il comporte un petit nombre de termes.
Re: conception de dépistage définitiveMerci @statman pour les informations que vous avez fournies
" Mon conseil basé sur une discussion limitée de votre situation. "Veuillez me faire savoir les détails dont vous avez besoin et je serai heureux de les partager. Je pense que vous aurez alors une meilleure visibilité pour me donner plus de conseils ce qui est très apprécié
cordialement
Re: conception de dépistage définitiveMerci @Mark_Bailey
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 en fin de compte une conception de dépistage mais il donne la possibilité de voir les courbures de ma réponse et de construire un modèle de surface de réponse. D'après mes lectures, l'analyse du dépistage définitif peut être effectuée à l'aide de la régression pas à pas avant dans laquelle la parcimonie de l'effet devrait se maintenir. D'un autre côté, si je souhaite analyser un plan de dépistage définitif et dans le cas où de nombreux effets sont susceptibles d'être actifs (plus de la moitié de mes facteurs), je dois utiliser la plateforme Fit Definitive Screening qui prend en compte la structure avantageuse du DSD ( ajouter des exécutions supplémentaires et analyser le modèle en 2 étapes)
Qu'en penses-tu ?
Re: conception de dépistage définitiveJ'ajouterai seulement 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 clés du dépistage sont respectés. L’un des problèmes les plus importants qui, à mon avis, ne s’applique pas à 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. Pensez-vous que moins de la moitié des 8 facteurs seront inactifs ?
Deuxièmement, dépistage ou non, veillez à ce que le " les niveaux de chaque facteur ont été déterminés en fonction des expériences antérieures 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 types). Les fourchettes doivent toujours être larges. Ils ne doivent pas être sélectionnés en espérant 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 permettre de « choisir le gagnant ».
Re: conception de dépistage définitiveDit,
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 partisan de l'approche séquentielle que m'a enseignée le Dr GEP Boîte. Il s'agit d'une approche de méthode scientifique, dans laquelle vous partez d'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 procéder et la manière la plus efficace et efficiente est dépendant de la situation . Cette approche typiquement commence par des conceptions fractionnaires à 2 niveaux pour filtrer un grand nombre de variables (basées sur les principes de rareté et de hiérarchie des effets). Puis déplacer 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 de 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 sur votre situation, est de passer du temps à identifier ce que pourrait être le bruit, puis d'élaborer une stratégie pour gérer ce bruit. Je pense aussi que le blocage (ou : répétitions, split-plots, 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 obtenez une estimation numérique de sa taille. Même si la randomisation vous donnera, espérons-le, une estimation impartiale du bruit, elle peut compromettre la précision de la conception.
"Bloquez ce que vous pouvez randomisez ce que vous ne pouvez pas", GEP Boîte
Je ne dis pas de ne pas utiliser de modèles de sélection définitifs (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 nécessaires pour les obtenir. ces informations.
Bonne chance pour ton voyage.
