Plan de dépistage factoriel de l'expérience avec réponse nominale ?Salut tout le monde,
Je me demandais s'il existait une bonne stratégie pour concevoir un ensemble d'expériences afin de trouver les facteurs ayant le plus d'effet sur la réponse, qui est nominale (oui/non, type de réponse réussite/échec) au lieu de la réponse continue typique ? Alors que pour la réponse nominale, une régression logistique peut être effectuée sur les données disponibles, je doute que la conception factorielle factorielle/fractionnelle habituelle fonctionne toujours dans ce cas (puisqu'ils sont destinés à une réponse continue). Quelle serait une approche appropriée dans ce cas? Veuillez m'indiquer les termes / théories pertinents si quelque chose vous vient à l'esprit.
Merci d'avance.
BICHEObjet : Plan de dépistage factoriel d'une expérience avec une réponse nominale ?Il n'y a absolument aucune raison a priori pour qu'une réponse nominale empêche ou rende la bonne pratique de la conception expérimentale comme une voie malsaine vers la découverte. Tous les principes des bonnes méthodes du DOE s'appliquent toujours. En tant qu'ingénieur système senior chez JMP (maintenant à la retraite), j'ai fait appel à de nombreuses entreprises de produits de consommation qui utilisent le DOE comme moteur de leurs efforts de conception de produits. Très souvent, ils utilisent des panels sensoriels d'évaluateurs de produits et presque universellement, les individus qui siègent à ces panels fournissent des données de réponse de type nominal pour les conceptions expérimentales spécifiques qui ont été exécutées. En fait, selon le problème spécifique à résoudre, vous pouvez trouver l'une des conceptions les plus spécialisées qui supposent des réponses nominales prises en charge par JMP, telles que Choice, Max Dif ou Covering Arrays. Mais il n'y a aucune raison pour qu'une bonne conception factorielle fractionnaire à l'ancienne ou plus moderne, telle qu'une conception d-optimale, ne puisse pas ou ne doive pas être utilisée à des fins de dépistage.
Objet : Plan de dépistage factoriel d'une expérience avec une réponse nominale ?Bienvenue dans la communauté. Vous avez raison de dire qu'avoir une réponse nominale pose des défis particuliers, et le conseil de Pete est juste. L'un de ces défis est que la réponse peut être le résultat de plusieurs mécanismes de défaillance. Il manque de discrimination pour séparer ces mécanismes (qui peuvent avoir des structures causales différentes).
Bien sûr, vous pouvez utiliser l'expérimentation pour mieux comprendre les relations causales potentielles entre les variables indépendantes et la ou les variables de réponse dépendantes. Ceci est vrai quelle que soit la variable de réponse. Maintenant, l'expérimentation peut ne pas être très efficace en termes de ressources pour les réponses nominales, mais elle sera néanmoins efficace. Ma première série de conseils serait de réfléchir à la manière de quantifier les "phénomènes" (réponse). Que signifie la réponse oui ou pass ? Passer quoi ? À titre d'exemple, le Dr Box décrit une expérience sur des ressorts fissurés dans l'un de ses articles ("Le contexte scientifique de l'amélioration de la qualité"). Il a pu utiliser le % bon comme réponse et découvrir des façons d'améliorer les performances du ressort. Existe-t-il d'autres moyens de quantifier les phénomènes ? Comme suggéré, si vous êtes capable de détecter des gradations ou des catégories de "bonté", vous pourrez peut-être utiliser une échelle ordinale. Dans mes discussions avec le Dr Taguchi, il a toujours souligné l'importance de développer des variables de réponse appropriées... dans de nombreux cas, créer une nouvelle variable de réponse pour donner un aperçu du problème à résoudre.
Dans tous les cas, supposons que vous n'ayez que la réponse nominale. Quel type de taux d'échec existe actuellement ? Si le taux d'échec est élevé (peut-être> 10%), vous devriez pouvoir détecter assez facilement un changement de ce taux avec l'expérimentation. Si le taux d'échec est faible (<5 %), l'expérimentation peut être inefficace car vous devrez peut-être disposer d'échantillons de grande taille pour détecter les différences. De plus, compte tenu de la nature de la réponse, assurez-vous que l'espace de conception est large (beaucoup de facteurs potentiels définis à des niveaux en gras).
