Conférencier
|
Transcription
|
| Paulo Peloia |
Bonjour, je m'appelle Paulo Peloia. Je suis responsable de l'analyse des données pour l'Amérique latine chez Syngenta Crop Protection. La recherche |
| |
que je vais présenter concerne l'optimisation de la taille du sous-échantillon pour les ravageurs du sol sur les expériences de la canne à sucre. |
| |
Ici au Brésil, nous menons quelques expériences pour tester des produits contre les ravageurs du sol sur la canne à sucre avec quatre répétitions sur quatre sous-échantillons par parcelle. |
| |
Et dans chaque sous-échantillon, il faut creuser le sol pour enlever les racines de... la canne à sucre et ensuite évaluer les dégâts causés par ces ravageurs du sol. D'accord, nous le faisons sur 0,5 mètre de ligne. |
| |
Avec ce design, malheureusement, c'est notre problème, nous pouvons détecter une différence significative entre les traitements dans 40% des cas en ne considérant qu'un alpha de 5%. D'accord. |
| |
Avant d'augmenter le nombre de répétitions dans nos essais, ce qui augmenterait considérablement le coût de nos expériences, nous avons décidé d'évaluer d'abord le nombre de sous-échantillons que nous collectons. |
| |
On sait que plus le nombre de sous-échantillons est élevé, plus l'erreur expérimentale est faible. On sait aussi que cette...cette diminution de l'erreur expérimentale diminue avec le nombre de sous-échantillons. Nous avons donc une tendance non linéaire et |
| |
à un certain point, cette réduction des erreurs expérimentales devient proche de zéro. D'accord, pour cette raison, nous avons décidé d'utiliser le modèle de plateau quadratique, la méthodologie dont nous allons parler dans quelques secondes. |
| |
J'ai donc dit que l'objectif de cette recherche était de déterminer le nombre optimal de sous-échantillons par parcelle |
| |
pour les ravageurs du sol sur la canne à sucre, ce qui contribue le moins du monde à un processus expérimental plus efficace. Bon, parlons maintenant de la méthodologie que nous avons utilisée. |
| |
Eh bien, nous avons commencé cette étude avec... avec la réalisation de deux expériences à blanc avec 11 traitements, quatre blocs et huit sous-échantillons par parcelle. Encore huit, pas quatre |
| |
sous-échantillons par parcelle. Bon, avec ça... avec le résultat de ces deux expériences à blanc, on l'applique, ça... la méthodologie bootstrap |
| |
pour estimer l'erreur type moyenne ou l'erreur expérimentale pour chaque taille de sous-échantillon de huit à un. Après cela, nous adaptons le modèle de plateau quadratique. Voyons maintenant cette méthodologie, le modèle de plateau quadratique. |
| |
D'accord, donc ici à gauche, nous avons les équations liées à ce modèle, mais je vais me concentrer sur la droite ici, sur le graphique, d'accord. |
| |
Fondamentalement, ce modèle commence par un modèle quadratique, d'accord, jusqu'à une rupture... jusqu'à un point de rupture où il devient un plateau ou une ligne horizontale, d'accord. |
| |
Dans le cas de cette étude, sur l'axe X, nous avons le sous-échantillon....le nombre de sous-échantillons par parcelle, et sur l'axe y, nous avons la moyenne racine |
| |
erreur carrée, ou l'écart type de notre essai, puis ce seuil de rentabilité, d'accord. Ce point de rupture est appelé point optimal. Dans notre cas, c'est le |
| |
nombre optimal de sous-échantillons par parcelle, d'accord. Juste... juste un commentaire supplémentaire, si vous voulez implémenter cela dans JMP, |
| |
cette formule ici en haut devient cette formule dans la partie inférieure de la diapositive dans JMP, d'accord. |
| |
Et puis vous pouvez aller dans le menu analyse, puis modélisation spécialisée, et enfin plate-forme non linéaire, d'accord. Donc, si vous voulez faire ça dans JMP, c'est la... c'est la voie que vous devez suivre. Revenons à la première diapositive. |
| |
Nous voici donc encore dans la... dans la méthodologie, connaissant le nombre optimal de sous-échantillons |
| |
par parcelle que nous... que nous avons identifiée à l'aide du modèle de plateau quadratique, nous avons réalisé la saison suivante |
| |
trois essais réels utilisant ce nombre de sous-échantillons, puis nous avons appliqué à nouveau la méthode du bootstrap pour comparer la capacité de ces essais à détecter des différences significatives entre les traitements par rapport s'ils avaient été menés avec quatre sous-échantillons, notre norme précédente, d'accord. |
| |
Jetons donc un œil aux... aux résultats. D'abord ici les résultats liés aux expériences à blanc pour identifier le nombre optimal de |
| |
sous-échantillons par parcelle. |
| |
Donc ici sur la gauche, nous avons un... un graphique pour chaque expérience vierge. Sur l'axe X, nous avons le nombre de sous-échantillons par parcelle de huit à un. Sur l'axe des y, nous avons un écart type de l'essai, et ici nous pouvons voir que nous avons 1 000...1 000 points pour chaque nombre de sous-échantillons. |
| |
D'accord, et ici dans l'expérience vierge 1, nous pouvons voir une distribution très symétrique des points, et le point rouge ici représente la moyenne, |
| |
l'écart type. Dans la deuxième expérience à blanc, nous pouvons voir une distribution non symétrique. En fait, c'est une distribution asymétrique à droite, d'accord. |
| |
Et encore une fois pour cette raison, je pense qu'il est important d'utiliser plus d'une expérience à blanc pour estimer que, parce que pas toujours, nous avons une distribution normale, d'accord. |
| |
Donc, fondamentalement, les points rouges ici sont transférés vers le... vers les graphiques sur le côté droit de l'écran ici. Ensuite, nous alimentons le modèle de plateau quadratique. Comme je l'ai dit, nous commençons par le modèle quadratique, puis |
| |
dans le... dans le point de rupture, ça devient une ligne horizontale, d'accord. Dans les deux cas, je veux dire, dans le cas des deux expériences, le R au carré est vraiment bon, 97%, d'accord. On voit que le modèle et le |
| |
les données sont bonnes, je veux dire qu'elles le sont... elles sont proches et nous pouvons voir ici le nombre optimal de sous-échantillons. Dans le cas de la première expérience à blanc, 5,6, et dans le cas de la seconde, 5,4, d'accord. |
| |
Bon, comme il n'est pas possible d'avoir 5,5 sous-échantillons par parcelle, nous avons adopté le nombre optimal donc six sous-échantillons par parcelle, et c'est le nombre que nous avons utilisé pour faire les vrais essais la saison suivante, d'accord. |
| |
Donc |
| |
retour à la première diapositive. Encore une fois, nous avons couvert la première partie de la méthodologie et ensuite nous allons valider les résultats, je veux dire évaluer l'intérêt d'augmenter le nombre de sous-échantillons par parcelle, d'accord. Allons-y. |
| |
Donc, encore une fois sur la partie gauche de l'écran, nous avons sur l'axe des y, la valeur p pour les traitements, et ici, cette ligne rouge représente notre alpha, 5%. Alors des expériences avec... |
| |
avec une valeur p pour les traitements en dessous de cette ligne rouge peut identifier une différence significative entre les traitements et les valeurs que les deux ne peuvent pas, d'accord. Sur la partie supérieure, nous avons les trois... les trois expériences de validation différentes et à l'intérieur de chacune... |
| |
chaque expérience sur la gauche, nous avons l'expérience avec quatre sous-échantillons, et sur la droite, nous avons avec six sous-échantillons, d'accord. |
| |
Nous pouvons clairement voir que la quantité de points de données en dessous des 5%, ou cette limite de spécification supérieure, est plus élevée qu'avec quatre sous-échantillons, d'accord. On le voit bien. Et si nous résumons ces résultats, nous avons |
| |
près de 41 % des essais détectant une différence significative entre les traitements avec quatre |
| |
sous-échantillons. Et avec six sous-échantillons, notre nombre optimal, il devient presque 54, d'accord. Ce n'est pas parfait, mais il y a une bonne augmentation ici, d'accord, une augmentation de 13 points de pourcentage. Revenons donc à la première diapositive. |
| |
Donc, pour conclure sur cette étude, comme je l'ai dit, |
| |
l'augmentation de quatre à six sous-échantillons par parcelle a augmenté notre capacité à détecter des différences significatives entre les traitements de 13 points de pourcentage. |
| |
On peut dire que le modèle du plateau quadratique a bien fonctionné car leur R carré était bon, et il était assez facile d'identifier le point optimal, d'accord. C'est bon. |
| |
Et pour les recherches futures, nous devons déterminer si cette amélioration est suffisante ou si nous devons également augmenter le nombre de répétitions. Et pour cela, il est toujours bon d'en rajouter... |
| |
une certaine valeur, certains coûts à ce modèle pour identifier la conception expérimentale optimale, d'accord. Eh bien, c'est ce que je devais... ce que je devais vous montrer. J'espère que tu aimes. Si vous avez des questions, n'hésitez pas à me contacter. Merci et au revoir. |
