Chère communauté JMP,
Je veux optimiser un processus. J'ai 5 facteurs (X1 –X5), dont un facteur difficile à changer (X3) et 10 variables de réponse (Y1-Y10). Les réponses sont mesurées avec un panel sensoriel formé (8 à 11 évaluateurs). Chaque évaluateur peut évaluer 3 échantillons par parcelle entière (=jour). Les évaluateurs évaluent les intensités des attributs définis (=réponses) à l'aide d'une échelle linéaire non structurée (0 = intensité la plus faible ; 100 = intensité la plus élevée).
J'ai créé un design RSM split plot personnalisé avec 27 traitements. Chaque évaluateur évalue les 27 traitements (chaque traitement est donc évalué plus d'une fois pour obtenir un résultat plus précis). Pour ajuster le modèle, j'ai nommé les traitements comme Échantillon et je l'ai utilisé comme Effet aléatoire dans mon modèle (il y a donc 27 échantillons avec 8 à 10 points de données (évaluation d'un échantillon par différents évaluateurs) ; au total 224 passages).
J'ai monté mon modèle comme suit :
Ajustement du modèle (
Y( :Y1 ),
Effets( :X1, :X2, :X3, :X4, :X5 ),
Effets aléatoires( :Plot entier, :Échantillon, :Évaluateur ),
Pas de limites( 1 ),
Personnalité( "Moins Carrés Standard" ),
Méthode( "REML" ),
Emphase( "Rapport minimal" )
);
Comme il s'agit de ma toute première conception, je ne sais pas si ma conception et mon modèle sont corrects. Ai-je correctement configuré mon modèle ? Et une distribution normale est-elle suffisamment respectée pour s'adapter au modèle mentionné ?
Y a-t-il des erreurs ou avez-vous des suggestions d'amélioration ?
J'ai joint ma conception et mon évaluation de conception (fichier pdf) et mes données (fichier jmp).
Merci pour ton aide!
Wow. C'est un exemple assez compliqué. Je ne vois rien de mal dans la façon dont vous avez modélisé les données.
Étant donné que vos réponses sont limitées par 0 et 100, elles ne doivent donc pas, à proprement parler, être modélisées avec une distribution normale, comme vous l'avez suggéré dans votre question. La distribution normale suppose que les valeurs peuvent prendre n'importe quelle valeur de l'infini négatif à l'infini positif. En pratique, nous pouvons modéliser utilement de nombreuses réponses qui ne suivent pas vraiment une distribution normale - la distribution normale est souvent une assez bonne approximation. Dans votre cas, étant donné que les réponses sont pour la plupart bien distribuées dans ces limites, la distribution normale sera toujours un modèle utile. Cependant, si vous voyez des prédictions de votre modèle inférieures à 0 ou supérieures à 100, vous pouvez contourner ce problème en utilisant une transformation LogitPct de votre variable de réponse dans Fit Model, qui est couramment utilisée pour les réponses sur une échelle de %, par exemple %yield . Mais je ne pense pas que cela changera grand-chose dans votre cas.
