Récemment, JMP s'est associé à la Royal Society of Chemistry and Chemistry World pour organiser une série de séminaires d'une semaine sur la conception expérimentale.
La série était censée être destinée à l'est et à l'ouest des États-Unis, mais, comme le montre la carte des participants ci-dessous, eh bien, les choses ont un peu dérapé sur ce point.
La série de séminaires comprenait un panel de JMP experts qui répondraient aux questions posées par l'auditoire. Avec entre 600 et 900 participants à chaque session, il était difficile de répondre à toutes les questions dans le déroulement de l'événement. Et il y en avait beaucoup – de l'ordre de 400 questions dans la session en direct, avec encore plus dans l'environnement hors ligne.
Une fois que l'équipe s'est rétablie (et que le liniment commun a fait sa magie), nous nous sommes réunis et avons parcouru les questions des tendances à mettre dans les FAQ de la série sur le web. À la manière de JMP, nous avons passé ces questions à l'aide de Text Explorer et avons sélectionné les cinq premières. Les voici avec nos réponses :
Question 1 : A quoi servent les points centraux ? Quand devons-nous les utiliser ? Combien avons-nous besoin?
OK, nous devrions probablement d'abord clarifier ceci : un point central est un traitement expérimental qui existe au centre de l'espace de conception. Si vous avez un espace de conception à trois facteurs, vous pouvez le mapper sur un tracé 3D, et il ressemblera généralement à un cube. Le point central se trouverait au centre du cube, à égale distance de tous les bords, faces et sommets.
L'objectif principal d'un point central est de nous aider à nous alerter de la courbure (ou du comportement curviligne, si vous voulez le mot de 5 $ pour cela) dans l'ensemble de données. Quelques points centraux ensemble peuvent également être utilisés comme substitut à la réplication. Cela dit, vous ne devriez vraiment pas vous demander quand les utiliser. Si vous vous concentrez sur les DOE centrés sur le modèle (conceptions optimales) et d'autres stratégies DOE modernes telles que les conceptions de criblage définitives (DSD), les points centraux sont automatiquement inclus lorsqu'ils sont nécessaires. Vous n'avez qu'à inclure les termes du modèle qui nécessitent des points centraux à étudier, et les algorithmes s'occupent du reste. Si vous souhaitez ajouter plus de points centraux pour étudier la variabilité (et vous avez déjà mis de côté du matériel pour un ensemble de validation !), alors vous pouvez les ajouter assez facilement. Il suffit de faire une analyse de puissance pour trouver le bon nombre.
Question 2 : Avons-nous besoin de reproduire nos expériences ? Pourquoi? Puis-je utiliser des mesures répétées comme répétitions ?
La réponse à cette question dépend beaucoup du type d'expérience que vous faites. Si vous êtes plutôt du côté du « dépistage », la réplication est moins importante parce que vous recherchez des tendances brutes et pas tellement de variabilité. Toi force ajoutez quelques points centraux pour avoir une idée de la variation et faites un dépistage de la courbure si vous ne faites pas de DSD. Mais c'est à peu près tout. Si vous créez ou affinez un modèle, vous devriez probablement faire des réplications si vous avez les ressources et le temps.
Sur les mesures répétées (par exemple, exécuter les mêmes paramètres de facteur plusieurs fois l'un après l'autre ou obtenir plusieurs mesures sur le résultat d'une exécution des paramètres de facteur), ceux ne sont pas courses répliquées. C'est un peu déroutant parce que réplique et répète ou alors mesures répétées on dirait qu'ils devraient être la même chose, mais il y a une différence importante dans ce cas.
UNE répliqué run (au sens DOE) est une répétition aléatoire de l'expérience. Supposons que vous deviez prendre une table DOE et la mettre dans une feuille de calcul. Alors si vous deviez mettre un deuxième copie du DOE complet en dessous sur la même feuille de calcul, ce ne serait toujours pas un DOE répliqué... pour le moment. Maintenant, si vous deviez ensuite randomiser l'ordre des lignes des deux copies du DOE, ce serait un DOE avec réplicats.
Si vous faites répété mesures, vous pouvez prendre leur moyenne et ensuite utiliser la moyenne comme valeur pour cette combinaison de traitement, mais elles ne sont pas les mêmes que répliqué s'exécute. Le point important est que réplication comprend randomisation et peut donc diluer les effets des variables cachées. Mesures répétées n'ont pas cette propriété.
Question 3 : Combien de réponses puis-je avoir dans mon DOE ? Comment travailler avec eux ?
Ajouter les facteurs à un DOE augmente le coût, en termes de courses requises ; réponses sont essentiellement gratuits. Vous pouvez mesurer un nombre illimité de variables de réponse pour comprendre comment les changements de facteurs influencent toutes les réponses. Lorsqu'ils recherchent les paramètres de processus optimaux à l'aide de JMP Prediction Profiler, les utilisateurs peuvent choisir un schéma de pondération qui reflète l'importance relative des différentes réponses.
Bien qu'il n'y ait pas de limites théoriques au nombre de réponses que vous avez dans un DOE, il est à votre avantage de définir toutes vos réponses lors de la configuration du DOE. JMP les transmettra automatiquement à la plate-forme de modélisation après la collecte des données avec toutes les informations que vous fournissez (limites de désirabilité supérieure/inférieure, valeurs LOD, cibles et importances). Cela permet également de s'assurer que vous avez réfléchi à la manière dont vous allez évaluer le succès de votre DOE et que toutes vos réponses peuvent détecter des différences aux niveaux que vous prévoyez pour vos facteurs.
Question 4 : Comment savez-vous si vos plages de facteurs sont appropriées ?
Une règle de base est que si, en fonction de vos paramètres de facteur, vous vous attendez à ce que certaines de vos courses donnent des résultats indésirables (c'est-à-dire qu'elles finissent à la poubelle), vous avez probablement raison. Mais vous ne voulez pas que vos gammes soient si larges que vous n'obteniez aucun résultat mesurable du tout.
Une autre façon d'exprimer cela est ce conseil : B e audacieux dans la définition de vos plages de facteurs . Réglez vos bas faible , et tes hauts haute . La tentation est grande de ne regarder que les plages qui vous mettent à l'aise, car vous pensez que l'optimum y est atteint. Évitez cette tentation. Les résultats du modèle seront plus clairs et les estimations seront plus précises lorsque les plages de facteurs sont plus larges.
Si vous craignez que votre processus ne produise pas de données utilisables dans certaines régions de l'espace de conception en raison des larges plages, ce problème peut souvent être résolu en définissant des contraintes de facteur qui interdisent l'affectation d'exécutions à ces zones.N'oubliez pas que vous avez la possibilité d'utiliser cette stratégie avec des conceptions optimales.
Parfois, les expérimentateurs craignent qu'en définissant des plages de facteurs trop larges, ils puissent manquer un réglage optimal qui se produit au milieu de la plage, en raison d'une relation courbe entre un facteur et une réponse. Dans une conception personnalisée, cela doit être résolu en ajoutant des termes polynomiaux au modèle souhaité, ce qui entraînera la conception générée à inclure des exécutions définies à des valeurs de facteur intermédiaires entre les points de terminaison.
Plus généralement, vous souhaitez que vos expériences couvrent une plage suffisamment large pour voir clairement les différences dans vos paramètres. Vous voulez également que vos paramètres soient suffisamment éloignés les uns des autres pour que vous puissiez voir tous les points d'inflexion dans vos lignes courbes, ce qui vous permet de savoir où se trouvent « bon » et « mauvais ». Sinon, lorsque vous optimisez, le résultat sera à la valeur extrêmement élevée ou basse dans votre espace de conception. Et vous ne saurez pas si vous êtes à proximité d'un endroit où votre système devient incontrôlable.
Question 5 : Quelle est la différence entre le design classique et le design moderne ?
Les conceptions classiques sont des plans fixes que l'expérimentateur doit suivre, adaptant l'étude prévue à leurs exigences et contraintes. Ces conceptions ont été développées avant l'ère de l'informatique omniprésente et bon marché. Les conceptions modernes utilisent des algorithmes logiciels pour générer un plan unique pour la situation actuelle. Les conceptions modernes tentent de donner la meilleure réponse possible aux questions statistiques posées par l'expérimentateur, tout en respectant le budget expérimental spécifié.
Le design moderne est le prolongement naturel du design classique. En exécutant des DOE modernes, vous ne perdez rien de ce dont vous vous souvenez de la conception classique, mais vous gagnez en flexibilité. Fondamentalement, les conceptions modernes sont centré sur le modèle en ce qu' ils font correspondre le design à un modèle composé de termes définis par l'utilisateur. En tant qu'utilisateur, vous décidez de ce que vous voulez apprendre dans l'expérience en sélectionnant le modèle. Les dessins classiques sont centré sur la conception en ce qu'ils définissent la conception, et l'utilisateur est censé faire en sorte que ses questions s'intègrent dans cette conception prédéfinie. Dans de nombreux cas, les approches modernes et classiques conduiront à la même conception car les conceptions classiques sont optimales pour ajuster les modèles standard. Les conceptions modernes vous permettent de trouver la conception optimale dans des situations où les approches classiques ne fonctionneraient pas, comme lorsque vous avez un espace factoriel de forme irrégulière que vous devez explorer.
L'aventure continue
Et c'est tout. En regardant les résultats, il était intéressant de voir à quelle fréquence ces questions se posaient. Cela m'a rappelé quelque chose que beaucoup de mes professeurs ont dit : « Posez la question, car il est très probable que d'autres l'aient aussi, mais sont trop timides pour la poser ».
Bref, tu penses qu'on en a raté un ? Y a-t-il d'autres questions brûlantes que vous vous posez au sujet du DOE ? Allez-y et mettez-les dans les commentaires, et nous verrons ce que nous pouvons faire pour y répondre. D'ici là, bonne expérimentation !
