Solution en RS (D-optimal)Bonjour tout le monde,
J'ai réussi à exécuter ma première conception RS mais j'ai du mal à comprendre la solution fournie après l'ajustement du modèle. Ma conception comprend 5 facteurs continus avec 4 points axiaux et 2 points centraux. J'ai fait 1 réplique et ajusté le modèle. Il n'y a pas de manque d'ajustement significatif.
L'objectif est de minimiser la réponse et mais la solution est supérieure à toutes mes valeurs mesurées. J'ai inclus un contrôle de gamme pour mes facteurs mais pour la solution 3 des 5 facteurs sont négatifs, ce qui est impossible dans la réalité. Comment puis-je obtenir une solution qui ne prend en compte que les facteurs positifs ?
Merci!
Meilleures salutations,
FacteurAlligator
BICHERe : Solution dans RS (D-optimal)Je ne suis pas tout à fait sûr de ce que vous voyez ou demandez. Il est impossible pour un modèle de toujours prédire des valeurs supérieures à toutes vos données. Qu'entendez-vous par facteur positif ? Vos facteurs sont-ils codés entre -1 et +1 ou les avez-vous laissés dans leurs unités naturelles ? Vous serait-il possible de partager votre tableau de données JMP ? Vous pouvez anonymiser les données, si nécessaire.
Re : Solution dans RS (D-optimal)Je suis d'accord avec Dan. Vous n'avez pas fourni suffisamment d'informations pour répondre à votre requête. Dans votre analyse, avez-vous regardé la surface ?
Les modèles peuvent facilement être extrapolés au-delà des conditions raisonnables (ils sont simplement un modèle des données). C'est vous qui devez interpréter le modèle.
Re : Solution dans RS (D-optimal)Merci pour votre réponse. Le tableau de données est joint. En attendant, j'ai réanalysé deux valeurs aberrantes et cela a résolu le problème des valeurs négatives. Je voulais dire par là que mon facteur est codé entre -1 et +1 et en réalité il peut descendre jusqu'à -2,5 (à ce stade la concentration du facteur est de 0) mais ma solution était à -3 ce qui ne peut pas l'être. Je serais toujours intéressé par la façon de gérer ce cas si cela se reproduisait.
Comme vous pouvez le voir sur mon modèle, les meilleures valeurs dans l'espace de conception donnent une réponse Y min de 162. La réponse la plus basse que j'ai obtenue dans le modèle 00A00 à 213. Mais la solution calculée est à Y=296. Si mon objectif est de minimiser la réponse, je m'attendrais à une solution limite de l'espace de conception (comme lorsque je maximise la désirabilité).
@statman Merci également pour votre réponse. J'ai également vérifié la surface dans la vue du modèle, mais je ne peux rien en tirer, malheureusement, car certaines surfaces affichent un maximum et d'autres un minimum.
Re : Solution dans RS (D-optimal)J'ai exécuté le modèle que vous aviez enregistré dans la table de données. Le modèle a besoin de travail. Les résidus suggèrent une variance non constante et vous avez des termes non significatifs dans le modèle. La signification statistique semble être basée sur les répliques du point central et les interactions quadratiques d'ordre supérieur. Je ne sais pas ce que vous entendez par votre commentaire sur les surfaces de réponse. Vous devriez obtenir quelque chose comme ce qui suit (bien que cela utilise votre modèle):
Re : Solution dans RS (D-optimal)Merci pour votre participation. J'essaie de comprendre vos suggestions et j'espère que vous pourrez me donner d'autres commentaires sur mes pensées.
Les résidus suggèrent une variance non constante et vous avez des termes insignifiants dans le modèle.
Déclarez-vous qu'en raison du "résiduel par tracé prédit" qui montre une diminution de Y résiduel, plus Y prédit est élevé ? Dois-je bien comprendre que je dois réduire le modèle en supprimant tous les termes non significatifs ? Si oui, comment traiterais-je les effets principaux qui sont insignifiants comme le facteur X1 alors que l'interaction à 2 voies X1*X5 est significative ?
La signification statistique semble être basée sur les répliques du point central et les interactions quadratiques d'ordre supérieur (votre erreur n'est pas basée sur des répliques randomisées).
Est-ce que cela se voit dans "l'analyse de la variance" où la majorité de ma variance provient du modèle et seulement une petite quantité d'une erreur aléatoire ? Je pensais qu'il était souhaitable d'avoir peu d'erreurs inexpliquées.
Re : Solution dans RS (D-optimal)Concernant votre première question, oui. Il peut y avoir d'autres façons de voir cela, mais celle-là est évidente. Votre deuxième question en est une de hiérarchie. D'un point de vue pratique, si l'effet principal est "impliqué" dans une interaction significative mais n'est pas significatif lui-même, le conseil est souvent d'inclure l'effet principal. Cela aura un impact résultant sur le delta entre le R-carré et le R-carré ajusté (car le modèle apparaîtra surspécifié), mais cela peut avoir du sens car vous devrez peut-être manipuler l'effet principal insignifiant pour tirer parti du interaction. Pour réduire les modèles que vous utilisez :
- connaissance du sujet,
- Delta ajusté R-carré-R-carré (sur-spécification),
- valeurs de p (signification),
- RMSE (utilité du modèle),
- parcelles résiduelles (hypothèses de test),
- autres (selon la situation)
En ce qui concerne la signification statistique du point de vue de l'ANOVA. Le test F est une comparaison de la MS de l'effet de chaque terme du modèle avec une estimation des erreurs aléatoires (MSerror). Comment vous estimez le MSerror est une décision importante . Si votre estimation des erreurs aléatoires est faible par rapport à la variance réelle du processus, les effets statistiquement significatifs peuvent avoir peu ou pas d'effet en réalité. D'un point de vue analytique, vous voulez que les estimations des erreurs aléatoires dans votre expérience soient représentatives de vrai variation dans le système à l'avenir . Cela peut être difficile à réaliser car les expériences ont généralement un espace d'inférence restreint (elles sont effectuées sur une courte période de temps à une échelle relativement petite). Vous devrez peut-être exagérer les effets du bruit pendant l'expérience pour représenter correctement les conditions futures. Si vous n'avez pas consacré beaucoup de planification à l'identification et à la compréhension du bruit dans le système, il vous reste à exécuter des répétitions aléatoires pour obtenir des estimations non biaisées de cette variation. Dans les conceptions non répliquées, vous utilisez généralement des termes d'ordre supérieur pour estimer le MSerror (bien que je préfère les conseils de Daniel pour l'analyse des conceptions non répliquées afin d'éviter le biais MSerror). Si vous avez identifié le bruit, il existe de nombreuses options pour aider à augmenter simultanément l'espace d'inférence et la précision de conception (par exemple, répétitions, blocs, parcelles divisées)
