Comment créer mon modèle à partir de données sensoriellesChère communauté JMP,
pour mon mémoire de master, je souhaite optimiser le processus d'une boisson chaude. J'ai 5 facteurs (X1 –X5), dont un facteur difficile à changer (X1) et 10 variables de réponse (Y1-Y10). Les réponses sont mesurées avec un panel sensoriel formé (8 à 11 évaluateurs).
J'ai créé une conception RSM personnalisée avec 243 exécutions (essentiellement, la conception a 27 exécutions (nombre minimum), mais chaque évaluateur (supposons 9 évaluateurs) note les 27 exécutions pour obtenir un score plus précis (27 * 9 = 243)) . Chaque évaluateur peut évaluer 3 échantillons par parcelle entière (=jour).
J'ai envisagé d'inclure la température de l'échantillon dans la tasse comme un facteur non contrôlé. Cependant, il est mesuré après évaluation de l'aspect visuel et peut donc varier en fonction du temps qu'une personne met pour évaluer l'aspect de l'échantillon. La température dans la tasse pourrait être en corrélation avec le processus (par exemple, une température élevée dans la tasse -> de l'eau plus chaude a été utilisée pendant le processus -> pourrait affecter la saveur globale). Dois-je l'inclure ?
Pour l'évaluation de la conception, je pensais utiliser la fonction de désirabilité pour optimiser simultanément mes réponses et obtenir les paramètres de facteur optimaux.
Maintenant mes questions :
- J'ai entré les facteurs comme continus, car je pense que les estimations seront alors plus précises. En fin de compte, cependant, je voudrais atteindre au mieux un niveau de facteur déjà défini (par exemple, la température dans le processus est un facteur (87 - 95 °C ; les niveaux définis sont 87, 89, 91, 93 et 95 °C) et en optimisation, je préférerais atteindre l'un de ces niveaux). Dois-je plutôt choisir des facteurs discrets ou simplement arrondir les paramètres optimaux à mes niveaux de facteurs (le cas échéant) ?
- Est-il correct de générer un design avec 243 passages ? Parce que je pense que je veux considérer les « répétitions » non pas comme des répétitions, mais comme des mesures répétées, pour obtenir un résultat plus précis comme je l'ai dit. Mais je veux tenir compte de la variabilité des évaluateurs (c'est pourquoi je ne veux pas utiliser les valeurs moyennes).
- Comment puis-je inclure les évaluateurs dans ma conception ? J'ai généré une colonne supplémentaire et inclus le terme comme effet aléatoire dans mon modèle. De plus, comment définir le rôle de conception et le type de données ?
- Et les évaluateurs doivent-ils toujours être les mêmes 9 personnes ou peuvent-ils varier d'une parcelle à l'autre ? (Chaque évaluateur a une pièce d'identité individuelle.)
- La fonction de désirabilité est-elle suffisante pour construire mon modèle et optimiser toutes les réponses simultanément ou dois-je utiliser d'autres méthodes de modélisation prédictive (Bootstrap Forest, K Nearest Neighbor,…) pour recevoir une bonne estimation de mon modèle ?
- Et j'utilise une référence de boisson pour « calibrer » le panel (les évaluateurs boivent et évaluent toujours la référence en premier, puis les échantillons suivent ; la boisson de référence provient d'un processus différent). Dois-je inclure la référence dans mon modèle ? Si c'est le cas, comment?
Merci pour votre aide et j'apprécie toutes les erreurs que vous trouvez dans ma conception/modèle !
PS : Le fichier joint contient mon design précédent et pour la fausse évaluation, j'ai utilisé d'anciennes données sensorielles (je n'ai pas encore commencé avec mes mesures).
BICHERe: Comment créer mon modèle basé sur des données sensorielles@kPvDoE Ma première pensée est, puisque cela fait partie de votre mémoire de maîtrise, quels conseils devrions-nous fournir ? Je n'ai pas regardé votre dessin/modèle.
Les évaluations multiples pour chaque traitement ne doivent pas être incluses dans la création de la conception. Ces évaluations multiples sont en effet des répétitions et ne sont pas indépendantes des traitements, et ne sont donc pas des degrés de liberté supplémentaires. Les « cotes » au sein du traitement doivent être évaluées avant de résumer puis d'analyser les effets du traitement. Le facteur de température pose un peu un dilemme. Il y a deux températures ? L'un pour préparer (ou fabriquer) la boisson et l'autre pour l'évaluation de la boisson ? Il semble que vous expérimentiez le facteur de conception à 5 niveaux (pourquoi, vous attendez-vous à un effet polynomial du 4ème ordre ? Ou essayez-vous de « choisir un gagnant » ? La température à laquelle la boisson est consommée peut être une covariable.
Pour l'évaluation intra-traitement, je suppose que vous utilisez une échelle ordinale sensorielle ? Pour l'évaluation à l'échelle ordinale, vous devez d'abord évaluer la cohérence des évaluations sur les 9 évaluateurs et identifier toute valeur aberrante ou biais potentiel. Il serait utile de tracer leur réponse et de rechercher des modèles systématiques. Ensuite, le cas échéant, résumez ces évaluations avec une moyenne/médiane et une certaine mesure de la dispersion (plage ou écart type). En ce qui concerne la référence, je vous suggère d'avoir un échantillon réel de chaque catégorie de l'échelle ordinale. L'évaluation doit porter sur « quel échantillon correspond à l'échantillon de test » par rapport à celui que vous préférez (car cela implique un biais personnel). J'ai joint un document simple que j'utilise pour donner des conseils sur l'utilisation de l'échelle sensorielle/ordinale.
Re: Comment créer mon modèle basé sur des données sensoriellesMerci pour cette réponse rapide @statman
Je ne suis pas statisticien et je n'ai jamais entendu parler du DOE avant ma thèse de master et malheureusement je n'ai pas de superviseur qui puisse me guider. C'est pourquoi je cherchais de l'aide ici dans la communauté 
Il y a bien deux températures comme tu l'as décrit. Pour la température de production, je ne veux pas trouver de polynômes du 4ème ordre. Les 5 niveaux peuvent être choisis dans la machine et j'essaie de "choisir le meilleur d'entre eux".
Et pour la température de consommation : Si je la définis comme une covariable, alors les températures doivent être connues à l'avance et seront ajoutées à mon design. Mais je ne peux pas garantir cette température pour le traitement. Ou est-ce accessoire ?
En fait, j'utilise une variante de la méthode d'analyse descriptive quantitative pour mon évaluation sensorielle, donc je ne pense pas avoir de données ordinales. Les évaluateurs évaluent les intensités des attributs définis à l'aide d'une échelle linéaire non structurée avec deux points d'ancrage verbaux aux extrémités. La longueur totale de l'échelle est convertie en valeurs numériques entre 0 (intensité la plus faible) et 100 (intensité la plus élevée) après la mesure. Par conséquent, la distance entre les données est connue et a un sens. Les échantillons de référence sont utilisés pour calibrer, espérons-le, les mesures d'intensité des évaluateurs et obtenir une évaluation plus cohérente.
Mais je pense que je peux encore utiliser quelques conseils du papier. Ou en avez-vous également un pour les données quantitatives ou l'évaluation de la cohérence y est-elle différente du tout ?
Re: Comment créer mon modèle basé sur des données sensoriellesSur la base de votre réponse, je vous suggère de lire quelques livres sur le DOE, ou peut-être de parcourir certains des documents de référence en ligne sur le DOE fournis par JMP, par exemple :
https://www.jmp.com/en_us/events/getting-started-with-jmp/doe-intro-kit.html
1. Excusez ma simplification excessive, mais le DOE n'est pas un test. Dans l'expérimentation, vous recherchez des indices sur la structure causale liée à chaque variable de réponse. Un test est effectué pour choisir un gagnant. C'est pourquoi, lors d'une expérience, vous commenceriez probablement avec plusieurs facteurs définis à 2 niveaux en gras pour évaluer l'effet linéaire, éliminer les facteurs les moins intéressants, puis continuer à itérer (déplacer l'espace et augmenter ) avec les facteurs restants. Si vous expérimentez sur plusieurs facteurs à 2 niveaux, vous pouvez obtenir des estimations des effets principaux linéaires et des effets d'interaction, en fonction de la résolution de la conception. Si vous ajoutez des niveaux, vous pouvez obtenir des estimations d'effets non linéaires (3 niveaux - quadratiques, 4 niveaux - cubiques, etc.). En règle générale, vous construisez vos modèles dans une approche de série de Taylor où vous commencez avec des effets Maine linéaires, puis des effets d'interaction linéaires, puis quadratiques, etc. (création du modèle du premier - 2ème au 3ème...ordre). Mais, l'intention n'est pas de créer un modèle complexe, l'intention est de garder le modèle aussi simple que possible tout en ayant un modèle qui fonctionne pour la prédiction.
2. Les covariables sont un moyen de gérer un facteur que vous ne pouvez pas contrôler/gérer spécifiquement, mais qui peut être mesuré. Nous intégrons cette variable aléatoire dans le modèle à effets fixes (issu du DOE). La prise en compte de la covariable augmente la précision de l'expérience sans compromettre l'espace d'inférence. Bien sûr, vous analysez maintenant un modèle mixte.
3. Je ne connais pas la méthode d'analyse descriptive quantitative, mais cela semble intéressant. Je suis toujours concerné par la perception sensorielle humaine comme variable de réponse. D'après mon regard superficiel, la mesure est l'intervalle.Comment obtenir de la cohérence et atténuer les biais est un défi. Je ne vois pas comment cette méthode gère l'un ou l'autre de ces problèmes. Il existe de nombreux articles de recherche sur le nombre d'unités d'une échelle qui peuvent être utilisées de manière cohérente pour la perception humaine.
