Chers tous,
après avoir exécuté un grand DoE avec une conception de surface de réponse (créée par un costumier), quelques questions se sont posées et ce serait formidable, si quelqu'un pouvait m'aider ici ? Je suis un utilisateur plutôt récent de JMP et DoE mais désireux d'apprendre.
1) Nous avons mesuré différentes réponses (rayon, dispersité et point de fusion) avec les mêmes facteurs (sel, pH, sucre). Comment la signification est-elle calculée ici lorsque j'évalue comment l'ensemble des facteurs affectent différentes réponses ?
Comment cela se combine-t-il les uns avec les autres ?
2) J'ai également trouvé des facteurs principaux qui ne sont pas significatifs, mais ceux-ci sont à nouveau significatifs au second ordre avec un autre facteur principal. Dois-je laisser les termes du second ordre et éliminer les facteurs principaux non significatifs ? Comment cela affecte-t-il le modèle ?
3) Comment puis-je voir que je dispose de données raisonnables (autres que le manque d'ajustement) et pouvoir les évaluer en toute conscience ? Comment puis-je voir que je peux faire confiance à la fonction de désirabilité ?
4) Puis-je déterminer si les valeurs de réponse sont en corrélation les unes avec les autres (par exemple, point de fusion avec rayon) ?
5) J'ai mesuré une conception de surface de réponse avec le concepteur personnalisé. Puis-je prédire des valeurs qui se situent en dehors de la plage mesurée ? Comment puis-je voir de telles tendances dans les données, qui me donnent des informations selon lesquelles les facteurs doivent être à nouveau augmentés ou diminués pour obtenir des résultats optimaux.
6) Comment puis-je redéfinir les limites des valeurs de réponse après avoir terminé la configuration avec le menu du concepteur personnalisé ?
7) Où puis-je apprendre à évaluer plusieurs valeurs de réponse en même temps et en quoi cela diffère de leur évaluation séparément.
Merci beaucoup pour toute votre aide !
Sur la base de votre questionnement, je serais d'accord avec Pete que vous devriez étudier le sujet avant de gaspiller des ressources. Je veux dire que commencer avec des surfaces de réponse qui sont généralement des conceptions de type optimisation avant de comprendre les modèles de premier ordre et d'avoir une compréhension approfondie du bruit associé à la situation est inefficace et souvent inefficace.
Les réponses de Mark sont, bien sûr, justes. J'ajouterai juste quelques réflexions à contempler:
1. La situation que vous décrivez est en fait la norme. Nous vivons dans un monde multivarié. Il y a très certainement un équilibre à optimiser entre plusieurs variables de réponse. Vous devez exécuter Analyze> Multivariate Methods> Multivariate (mettez tous les Y dedans). Cela donnera des coefficients de corrélation de Pearson et, plus important encore, des matrices de diagramme de dispersion des relations graphiques entre les variables de réponse. C'est aussi la réponse à la question 4.
2. En ce qui concerne la hiérarchie... pensez-y de cette façon... S'il y a une interaction active dont vous voulez profiter, vous voudrez très certainement gérer les deux facteurs de cette interaction. Bien sûr, si vous définissez l'un de ceux-ci (disons A), vous n'aurez qu'à gérer l'autre (B) par rapport à ce paramètre de A. L'ajout de l'effet principal insignifiant dans le modèle entraînera probablement un delta plus important entre votre R-Square et R-Square ajusté et peut diminuer vos valeurs de p, mais il est plus important que le modèle soit réaliste.
3. Ah, raisonnable... Ma première étape dans l'analyse de TOUTES les données consiste à déterminer si les résultats sont hors de toute valeur pratique. La variable de réponse a-t-elle suffisamment changé au cours de l'étude pour justifier une évaluation statistique (j'appelle cela la signification pratique) ? L'espace d'expérimentation était-il représentatif des conditions futures (une question d'espace d'inférence) ? Sinon, l'extrapolation est très certainement suspecte. Comment le bruit (facteurs non spécifiquement manipulés) a-t-il été géré pendant l'expérience ?
Vous pouvez utiliser les statistiques R-Square (delta en mettant l'accent sur le R-Square ajusté), RMSE, CV (sur plusieurs Y), les valeurs p et l'analyse des résidus pour vous guider dans la construction du modèle.
Les réponses à toutes vos questions pourraient à peu près remplir un livre de base sur le DOE. Ma suggestion est de faire une pause dans votre travail et de compléter tous les modules liés au DOE et à la modélisation dans le cadre du cours gratuit SAS "Statistical Thinking for Industrial Problem Solving". Toutes vos questions y sont couvertes (ainsi que de nombreux sujets sur lesquels vous n'avez pas spécifiquement posé de questions).
