Utilisation appropriée et inappropriée des conceptions de dépistage définitif (DSD)En 2011, mon collègue Prof. Chris Nachtsheim et moi avons introduit Conceptions de criblage définitives (DSD) avec un papier dans le Journal de la technologie de la qualité . Un an plus tard, j'écrivais un Article de blog JMP décrivant ces conceptions à l'aide de parcelles de cellules de corrélation. Depuis leur introduction, les DSD ont trouvé des applications dans des domaines aussi divers que la fabrication de peinture, la biotechnologie, l'énergie verte et la gravure au laser.
Lorsqu'une méthodologie nouvelle et passionnante apparaît, les chercheurs de pointe sont naturellement enclins à l'essayer. Lorsque ces chercheurs rapportent des résultats positifs, cela encourage les autres à essayer également la nouvelle méthode.
Je suis un grand fan des DSD, bien sûr, mais en tant que co-inventeur, je me sens responsable envers la communauté des praticiens de plans d'expériences (DOE) d'être clair sur leur utilisation prévue et leur éventuelle mauvaise utilisation.
Alors, quand dois-je utiliser un DSD ?
Comme son nom l'indique, les DSD sont des conceptions de dépistage. Leur utilisation la plus appropriée est dans les premiers stades de l'expérimentation lorsqu'il existe un grand nombre de facteurs potentiellement importants qui peuvent affecter une réponse d'intérêt et lorsque l'objectif est d'identifier ce qui est généralement un nombre beaucoup plus petit de facteurs très influents.
Puisqu'il s'agit d'expériences de dépistage, j'utiliserais un DSD uniquement lorsque j'ai quatre facteurs ou plus. De plus, si je n'avais que quatre facteurs et que je voulais utiliser un DSD, je créerais un DSD pour six facteurs et supprimerais les deux dernières colonnes. La conception résultante peut s'adapter au modèle quadratique complet dans trois des quatre facteurs.
Les DSD fonctionnent mieux lorsque la plupart des facteurs sont continus. En effet, chaque facteur continu a trois niveaux, ce qui permet à un enquêteur d'ajuster une courbe plutôt qu'une ligne droite pour chaque facteur continu.
Quand l'utilisation d'un DSD est-elle inappropriée ?
Ci-dessous, la conception optimale des parcelles divisées surpasse considérablement la conception de dépistage définitif créée en triant le facteur difficile à modifier, wp. Voir point 4) ci-dessous.
1) Lorsqu'il y a des contraintes sur la région de conception
Une hypothèse implicite derrière l'utilisation des DSD est qu'il est possible de fixer les niveaux de n'importe quel facteur indépendamment du niveau de tout autre facteur. Cette hypothèse est violée si une contrainte sur la région de conception rend certaines combinaisons de facteurs impossibles. Par exemple, si je fais cuire du pop-corn, je ne souhaite pas régler la puissance sur son réglage le plus élevé tout en utilisant un temps de cuisson long. Je sais que si je fais ça, je vais me retrouver avec un gâchis carbonisé.
Il pourrait être tentant de tirer les gammes des facteurs vers l'intérieur pour éviter de tels problèmes, mais cette pratique réduit la capacité du DSD à détecter les effets actifs. Il est préférable d'utiliser toute la région réalisable même si la forme de cette région n'est pas cubique ou sphérique.
2) Lorsque certains des facteurs sont des ingrédients dans un mélange
De même, l'utilisation d'un DSD est inappropriée si deux facteurs ou plus sont des ingrédients dans un mélange. Si j'augmente le pourcentage d'un ingrédient, je dois diminuer le pourcentage d'un autre ingrédient, de sorte que ces facteurs ne peuvent pas varier indépendamment de par leur nature même.
3) Lorsqu'il existe des facteurs catégoriels à plus de deux niveaux
Les DSD peuvent gérer quelques facteurs catégoriels à deux niveaux, mais si la plupart des facteurs sont catégoriels, l'utilisation d'un DSD est inefficace. De plus, les DSD sont généralement un choix indésirable si les facteurs catégoriels ont plus de deux niveaux. Une discussion récente dans le groupe LinkedIn The Design of Experiment (DOE) impliquait d'essayer de modifier un DSD pour tenir compte d'un facteur catégoriel à trois niveaux. Bien que cela soit possible, il a fallu utiliser l'outil de conception personnalisée dans JMP traiter les facteurs du DSD comme des facteurs covariables et ajouter le facteur catégoriel à trois niveaux comme le seul facteur dont les niveaux sont choisis par l'algorithme de conception personnalisée.
4) Lorsque le DSD est exécuté en tant que plan en parcelles divisées
Il est également inapproprié de modifier un DSD en triant les paramètres d'un facteur de sorte que le plan résultant soit un plan à parcelles divisées. Pour le DSD à six facteurs, le facteur trié n'aurait que trois paramètres. Il y aurait cinq courses au réglage bas, trois courses au réglage moyen et donner des courses au réglage haut. L'utilisation d'un tel plan signifierait que l'inférence sur l'effet du facteur trié serait statistiquement invalide.
5) Lorsque le modèle d'intérêt a priori a des effets d'ordre supérieur
Pour les DSD, les termes cubiques sont confondus avec les effets principaux, il est donc impossible d'identifier un effet cubique.
Les plans factoriels fractionnaires réguliers à deux niveaux et les plans de Plackett-Burman sont également inappropriés pour la plupart des cas ci-dessus. Ils ne constituent donc pas une alternative viable.
Quelle est l'alternative à l'utilisation d'un DSD dans les cas ci-dessus ?
Pour les utilisateurs de JMP , la réponse est simple : utilisez l'outil de conception personnalisée.
L'outil de conception personnalisée de JMP peut générer une conception conçue pour s'adapter à n'importe quelle combinaison des scénarios répertoriés ci-dessus. Le principe directeur derrière l'outil Custom Design est
"Les conceptions doivent s'adapter au problème plutôt que de modifier le problème pour s'adapter à la conception."
Dernières pensées
Les DSD sont des conceptions extrêmement utiles dans les scénarios pour lesquels elles ont été créées. En tant que modèles de criblage, ils présentent de nombreuses caractéristiques souhaitables :
1) Les effets principaux sont orthogonaux.
2) Les effets principaux sont orthogonaux aux interactions à deux facteurs (2FI) et aux effets quadratiques.
3) Tous les effets quadratiques des facteurs continus sont estimables.
4) Aucun 2FI n'est confondu avec tout autre 2FI ou effet quadratique bien qu'ils puissent être corrélés.
5) Pour les DSD avec 13 exécutions ou plus, il est possible d'ajuster le modèle quadratique complet dans n'importe quel sous-ensemble à trois facteurs.
6) Les DSD peuvent contenir quelques facteurs catégoriels à deux niveaux.
7) Le blocage des DSD est très flexible. S'il y a m facteurs, vous pouvez avoir n'importe quel nombre de blocs entre 2 et m .
8) Les DSD sont peu coûteux sur le terrain et ne nécessitent qu'un minimum de 2 m +1 courses.
9) Vous pouvez ajouter des exécutions à un DSD en créant un DSD avec plus de facteurs que nécessaire et en supprimant les facteurs supplémentaires. La conception résultante possède les sept premières propriétés ci-dessus et a plus de puissance ainsi que la capacité d'identifier davantage d'effets de second ordre.
À mon avis, les caractéristiques ci-dessus font des DSD le meilleur choix pour toute expérience de dépistage où la plupart des facteurs sont continus.
Cependant, je tiens à préciser que l'utilisation d'un Le DSD n'est pas une panacée . En d'autres termes, un DSD n'est pas la solution à tous les problèmes de conception expérimentale.
Je suis un grand fan des DSD, mais en tant que co-inventeur, je me sens responsable d'être clair sur leur utilisation prévue et leur éventuelle mauvaise utilisation.
Objet : Utilisation appropriée et inappropriée des conceptions de dépistage définitives (DSD)Répondre à Varun_Bhatt :
Si un terme du modèle est corrélé +1 ou -1 avec un autre terme du modèle (disons deux 2FI), alors nous disons que ces termes sont confondus. Dans ce cas, il n'y a pas de moyen purement basé sur les données pour séparer leurs effets sur une réponse d'intérêt.
Cependant, si la corrélation est inférieure à un en amplitude, alors les effets séparés des termes du modèle sur la réponse sont maintenant estimables. Cependant, la variance des estimations de ces effets sera plus grande que si les deux termes n'étaient pas corrélés. Nous appelons ce phénomène l'inflation de la variance. Plus la corrélation est grande, plus l'inflation de la variance est élevée.
Si la variance de l'erreur est faible par rapport à la taille des effets, alors l'inflation de la variance n'est pas une préoccupation majeure. C'est pourquoi les règles empiriques traditionnelles sur le moment où il faut s'inquiéter de l'inflation de la variance sont mal placées.
Objet : Utilisation appropriée et inappropriée des conceptions de dépistage définitives (DSD)Pourriez-vous s'il vous plaît élaborer sur cette partie, " Aucun 2FI n'est confondu avec un autre 2FI ou effet quadratique bien qu'ils puissent être corrélés."
Je voulais connaître la différence entre les facteurs confondus et ceux qui sont corrélés. Comment sont-ils différents? Et dans quelle mesure ont-ils un impact différent sur le modèle ?
Merci
Objet : Utilisation appropriée et inappropriée des conceptions de dépistage définitives (DSD)Brad,
Merci pour ces informations supplémentaires sur la bonne utilisation de DSD.
Il y a environ un an, j'ai utilisé DSD pour une simulation informatique avec environ 100 facteurs continus qui nécessitaient également tous les effets de second ordre, avec un nombre total d'exécutions d'environ 200. Les résultats n'étaient pas aussi satisfaisants que ceux d'une conception personnalisée. Depuis lors, j'ai évité d'utiliser DSD pour la modélisation et la simulation où il y a beaucoup de facteurs, bien que je trouve que DSD est très utile avec un nombre de facteurs plus petit, disons moins de 12. Aurais-je dû utiliser uniquement les effets principaux dans les exécutions M&S, puis exécuter un autre DSD avec un nombre beaucoup plus petit de facteurs pour confirmer les effets de second ordre ?
Manny
Objet : Utilisation appropriée et inappropriée des conceptions de dépistage définitives (DSD)Dr Jones,
J'utilise DSD depuis un certain temps maintenant, avec un certain succès. Cependant, je cherche maintenant à utiliser DSD pour les réponses binaires (croissance/pas de croissance). Cela peut-il être fait avec DSD et comment analyseriez-vous la réponse, car elle n'est pas intégrée dans l'algorithme d'analyse DSD, je suppose? Ou utiliseriez-vous d'autres types de modèles ?
Meilleur,
Ewoud Schüring
Objet : Utilisation appropriée et inappropriée des conceptions de dépistage définitives (DSD)Docteur Jones,
Merci pour vos réponses complètes et réfléchies. J'apprécie votre temps et votre considération. Je poursuivrai la discussion directement avec vous.
Acclamations,
Facture
Objet : Utilisation appropriée et inappropriée des conceptions de dépistage définitives (DSD)Dr Ross - Je suis très impressionné par vos 16 000 expériences DOE. Merci d'utiliser JMP depuis longtemps. Vous êtes JMPer depuis plus longtemps que moi !
Ci-dessous, je réponds à vos cinq séries de questions et de préoccupations.
1) Vous soulignez que les expérimentateurs novices ont tendance à fixer les niveaux des facteurs continus trop proches les uns des autres. J'ai également constaté ce comportement. Je crois que les ingénieurs pensent que le monde n'est pas linéaire. Ils savent également par le calcul que l'écart par rapport à la linéarité est faible si le changement est également faible. Le problème est que lorsque les changements d'un facteur sont faibles, le bruit dans la réponse peut se propager en un bruit important dans la pente estimée de la ligne, ce qui rend difficile l'identification des facteurs actifs. Ainsi, dans l'enseignement du DOE, nous encourageons les étudiants à faire preuve d'audace en faisant varier les facteurs continus. Je pense que le fait d'avoir des valeurs faibles, moyennes et élevées pour chaque facteur, comme le fournissent les DSD, peut rendre les ingénieurs plus confiants pour répartir les niveaux du facteur. En effet, le DSD peut détecter une forte courbure si elle existe, ce qui évite les soucis de non-linéarité.
2. Je mentionne dans mon blog ci-dessus que les DSD sont des conceptions de dépistage appropriées lorsque la plupart des facteurs sont continus. J'hésiterais à utiliser un DSD lorsqu'il y a plus de trois facteurs catégoriels à deux niveaux. Lorsque la plupart ou la totalité des facteurs sont catégoriques à deux niveaux, je recommanderais des conceptions de repli efficaces. Voici la référence à l'article sur ces designs.Anna Errore, Bradley Jones, William Li et Christopher J. Nachtsheim (2017) Avantages et construction rapide de conceptions de repli à deux niveaux efficaces, Technométrie , 59:1, 48-57, DOI : 10.1080/00401706.2015.1124052
Je pense également que les enquêteurs pourraient s'efforcer davantage de proposer des mesures quantitatives décrivant la différence entre les deux niveaux d'un facteur catégoriel, transformant ainsi avec succès un facteur catégoriel en un facteur continu plus significatif.
3. Vous soutenez que les points centraux peuvent détecter la courbure. C'est vrai, mais ils ne peuvent pas identifier le ou les facteurs à l'origine de la courbure. Cette ambiguïté oblige à une expérimentation de suivi, qui est inutile si un DSD est utilisé. J'ai vu une étude de cas où un fort effet quadratique avait son minimum à l'intérieur de la région d'expérimentation.Une réponse minimale était souhaitable et le sweet spot ici serait indétectable avec une conception à deux niveaux. Une autre étude de cas a trouvé un fort effet quadratique où la réponse maximale était à l'intérieur de la région d'expérimentation.Ici , un une réponse maximale était souhaitable et le sweet spot serait, encore une fois, indétectable avec une conception à deux niveaux. Le coût pour inclure la capacité d'estimer tous les effets quadratiques dans un DSD est une augmentation de 10 % (ou moins) de la longueur des intervalles de confiance sur les effets principaux. Cela semble un petit prix à payer pour le gain d'informations sur les effets de second ordre.
4. Vous soulignez, à juste titre, qu'il peut parfois être plus important d'identifier la source du bruit que d'estimer les effets fixes. Dans de tels cas, il est utile de reproduire les points de conception afin qu'il soit possible d'identifier un facteur affectant la variance de la réponse tout en évaluant simultanément les effets des facteurs sur la réponse moyenne. On pourrait répliquer un DSD entier au prix d'environ quatre fois plus d'exécutions qu'il y a de facteurs. Vous parlez de blocage dans ce point. Le blocage peut identifier et quantifier une source de variabilité et supprimer son effet de la variation d'une série à l'autre. Lorsque des conditions environnementales changeantes introduisent du bruit dans les réponses, le blocage est un remède utile. Les DSD peuvent être bloqués de manière plus flexible que les plans factoriels fractionnaires ou factoriels complets à deux niveaux. Vous trouverez ci-dessous une référence à un article décrivant comment bloquer les DSD.
Bradley Jones et Christopher J. Nachtsheim (2015) : Schémas de blocage pour les conceptions de dépistage définitif, Technométrie , DOI : 10.1080/00401706.2015.1013777
5. Votre dernière préoccupation porte sur l'enseignement des DSD et sur une approche itérative de l'expérimentation. Je n'annonce pas les DSD comme des expériences "one-shot". Il est vrai que la structure d'aliasing des plans factoriels fractionnaires traditionnels est simple et assez facile à expliquer. Cependant, leur crénelage complet d'effets potentiellement importants n'est pas souhaitable à mon avis. Voir
Bradley Jones (2016) Expériences de dépistage au 21e siècle : quoi, pourquoi et comment, Ingénierie de la qualité , 28:1, 98-106, DOI : 10.1080/08982112.2015.1100462
L'article ci-dessus était un document de discussion avec trois intervenants. Ma réplique traitait de nombreuses questions, y compris la conception séquentielle suite à une étude DSD initiale - référence ci-dessous.
Bradley Jones (2016) Réplique, Ingénierie de la qualité , 28:1, 122-126, DOI : 10.1080/08982112.2015.1100468
La référence ci-dessous traite de l'avantage relatif de l'utilisation d'un DSD initial même lorsque la réponse optimale prédite est en dehors de la région d'expérimentation. Il fournit également une approche de conception de suivi puissante qui effectue l'ascension la plus raide.
Christopher J. Nachtsheim & Bradley Jones (2018) Augmentation de la conception pour l'optimisation de la réponse et l'estimation du modèle, Ingénierie de la qualité , 30:1, 38-51, DOI : 10.1080/08982112.2017.1382298
Je ne pense pas qu'il soit nécessaire d'enseigner à un praticien comment créer un DSD. De nombreux progiciels peuvent le faire. Je pense qu'il est utile de familiariser les enquêteurs avec le graphique des cellules de corrélation. JMP fournit de nombreux outils de diagnostic pour évaluer et comparer les conceptions. Ceux-ci sont très utiles et enseigner leur utilisation dans des cours de courte durée et des cours universitaires profiterait à la communauté des praticiens du DOE. Il est utile que les praticiens sachent tirer parti de la géométrie particulière d'un DSD pour s'adapter aux modèles appropriés. Ceci est traité dans la référence ci-dessous.
Bradley Jones et Christopher J. Nachtsheim (2016) : Sélection efficace de modèles basés sur la conception pour les conceptions de criblage définitives, Technométrie , DOI : 10.1080/00401706.2016.1234979
Je serais heureux de poursuivre cette conversation et de vous envoyer des pdf des références. Vous pouvez me contacter à bradley.jones@jmp.com
Objet : Utilisation appropriée et inappropriée des conceptions de dépistage définitives (DSD)Dr. Jones, je suis un utilisateur de longue date de JMP (depuis la première version) et je tiens à vous remercier pour vos contributions à l'industrie. J'ai participé à la conception et à l'analyse de plus de 16 000 expériences dans de multiples industries. Peut-être que ce n'est pas le bon forum, mais j'ai quelques questions/commentaires (j'espère ne pas offenser), et j'apprécierais vos opinions.
1. En ce qui concerne les conceptions de dépistage, l'un des modes d'échec les plus courants (en particulier pour les expérimentateurs novices) est des niveaux qui ne sont pas suffisamment séparés (assez audacieux). Leurs effets ne sont donc pas réalisés et ces facteurs peuvent même être supprimés d'une étude plus approfondie (mon hypothèse est que les ingénieurs hésitent à créer trop de variation, ils recherchent toujours la solution plutôt que de comprendre les relations causales). Il me semble que l'augmentation du nombre de niveaux à trois complique davantage ce mode de défaillance ?
2. Au début de la conception, de nombreux facteurs sont qualitatifs. Il semble que la restriction d'ajouter trop de facteurs qualitatifs à la conception soit un fardeau. Peut-être cette stratégie est-elle plus applicable en tant que dernière itération dans une étude séquentielle ?
3. Souvent, les conceptions de dépistage sont destinées à obtenir une direction et à filtrer les facteurs insignifiants ou peut-être plus probablement à identifier les facteurs significatifs pour une étude plus approfondie. Les équations quadratiques sont-elles vraiment nécessaires pour accomplir cela ? OK, je suppose qu'il pourrait y avoir des cas où les niveaux sont définis trop audacieux et donc des effets significatifs sont manqués, mais cela pourrait être corrigé assez facilement avec des points centraux. Si le quadratique est essentiellement le départ du linéaire, si vous êtes dans un espace de conception assez éloigné de l'optimum, ne seriez-vous pas plus intéressé par l'effet linéaire en premier ? L'équation quadratique à la base de la montagne peut ne pas vous amener au sommet de la montagne.
4. De plus et peut-être le plus important, la stratégie de gestion du bruit peut être plus importante que la résolution des facteurs de conception (comme vous le savez, il s'agit d'une lutte constante pour une utilisation efficace des ressources entre la résolution des facteurs de conception et la résolution des effets de bruit) . Si un modèle de blocs complets aléatoires (RCBD) est utilisé, avons-nous vraiment besoin de certaines des interactions bloc par effet d'ordre supérieur ? Si une conception de bloc incomplet équilibré est utilisée, est-il facile de comprendre le crénelage ?
5. Enfin, et peut-être moins important pour le praticien, comment les DSD sont-ils enseignés ? L'utilisation de conceptions factorielles fractionnaires traditionnelles avec un alias identifiable et des idées telles que le repli sur le désalias est simple. Instiller l'état d'esprit et la pratique de l'itération est primordial. Comment les DSD s'intègrent-ils dans une approche itérative et scientifique de l'expérimentation ?
Je vous remercie d'avance pour vos réflexions.
Si vous préférez mettre cette discussion hors ligne, cela me conviendrait. Vous pouvez m'envoyer un e-mail directement à statman sur comcast dot net
Acclamations,
Bill Ross
Objet : Utilisation appropriée et inappropriée des conceptions de dépistage définitives (DSD)Merci Brad, le message informatif et les bonnes réponses m'ont aidé à en apprendre beaucoup plus sur les DSD.
Objet : Utilisation appropriée et inappropriée des conceptions de dépistage définitives (DSD)Merci Dr. Jones - Ce numéro n'est pas encore disponible sur le site ASQ Technometrics.Je vais chercher qu'il soit publié bientôt.
Richard
Objet : Utilisation appropriée et inappropriée des conceptions de dépistage définitives (DSD)http://dx.doi.org/10.1080/00401706.2016.1234979
Ce qui précède est l'URL d'un article dans la revue, Technometrics, par Chris Nachtsheim et moi intitulé Effective Design-Based Model Selection for Definitive Screening Designs.
Cet article fournit une forte motivation pour ajouter ce que nous appelons les "faux facteurs" (c'est-à-dire les facteurs qui sont utilisés dans la création de la conception mais qui ne sont pas utilisés lors de l'exécution de l'expérience. Dans JMP 13, l'outil de conception DSD appelle cela "exécutions supplémentaires" avec une valeur par défaut de 4. Cependant, vous pouvez remettre ce champ à 0 pour obtenir le DSD d'exécution minimum. L'ajout de ces exécutions supplémentaires permet une approche analytique alternative puissante.
Objet : Utilisation appropriée et inappropriée des conceptions de dépistage définitives (DSD)Existe-t-il des exemples publiés dans lesquels des colonnes ont été supprimées, comme indiqué ci-dessous ?
Si à la place vous utilisiez le DSD à 8 facteurs et ignoriez les 3 dernières colonnes, vous auriez un plan à 17 passages et vous devriez être en mesure d'identifier quatre ou cinq effets de 2ème ordre.
Objet : Utilisation appropriée et inappropriée des conceptions de dépistage définitives (DSD)Les DSD peuvent certainement rencontrer des problèmes lorsqu'il y a trop de facteurs et d'interactions ! J'en ai essayé un dans un système de catalyseur qui avait traversé des générations d'optimisation et avait de nombreux composants et interactions de catalyseur fonctionnels. J'ai fini par devoir ajouter pas mal de pistes.
Objet : Utilisation appropriée et inappropriée des conceptions de dépistage définitives (DSD)Super article. Cependant j'ai une question qui m'intrigue. Vous mentionnez que vous pouvez facilement ajouter des passages supplémentaires en prenant une conception plus élevée et en supprimant les colonnes supplémentaires. Je me demandais s'il existait un moyen simple d'"ajouter" des passages dans la conception. Par exemple, j'ai fait am = 5 courses DSD, puis je décide que j'aurais besoin de plus de puissance et que j'aimerais ajouter quelques courses supplémentaires par la suite. Comment je fais ça? (Par exemple, si je prends le m=7 et que je supprime les deux dernières colonnes et que je le compare au m=5, je n'obtiendrai plus les mêmes lignes). Merci!
Bradley Jones a écrit : Il est toujours bon de prévoir la valida...Bradley Jones a écrit:
Il est toujours bon de prévoir des cycles de validation. Il s'agit d'exécutions que vous effectuez après avoir exécuté l'expérience et analysé les données. Le résultat de l'analyse est un modèle que vous pouvez utiliser pour faire des prédictions de réponse à des paramètres de facteur qui n'ont pas été exécutés dans l'expérience. Compte tenu de votre objectif de réponse, vous pouvez choisir d'exécuter vos exécutions de vérification à un paramètre de facteur (ou des paramètres) où votre modèle prédit le plus d'amélioration.
Ceci est différent de l'augmentation de conception, qui étend la plage des facteurs, ajoute des termes au modèle ou ajoute plus d'exécutions pour réduire l'incertitude sur les estimations dans le modèle actuel.
Bradley Jones a écrit : Je crois en l'utilisation routinière du...Bradley Jones a écrit:
Je crois en l'utilisation routinière du Custom Designer pour la plupart des problèmes de conception industrielle d'expériences. Lorsque presque tous les facteurs sont continus et peuvent varier indépendamment sur toute leur plage, les conceptions de criblage définitif sont un bon choix.
J'utilise parfois des plans factoriels complets lorsque je fais des études de simulation informatique de Monte Carlo où la seule dépense est le temps d'ordinateur. Je conviens qu'il existe maintenant de meilleurs choix que les plans factoriels fractionnaires à deux niveaux habituels.
Steven Moore a écrit : Donc... j'utilise Definitive Sc...Steven Moore a écrit:
Donc... j'utilise depuis un certain temps des conceptions de dépistage définitives ainsi que des conceptions personnalisées. À mon avis, il n'y a plus de raison d'utiliser les plans factoriels traditionnels. ai-je raison ou ai-je raté quelque chose?
Jo Chotix a écrit : On dirait qu'on va pouvoir varier chacun...Jo Chotix a écrit:
On dirait que nous pourrons faire varier chacun des composants indépendamment. Dois-je prévoir des cycles de validation ? Comment planifier ceux-ci/les intégrer dans la conception (nombre d'exécutions, quels points de conception pour la validation, etc.) ? En quoi est-ce différent de l'augmentation de la conception ? Merci!
Bradley Jones a écrit : Il pourrait être approprié d'utiliser un DSD...Bradley Jones a écrit:
Il pourrait être approprié d'utiliser un DSD, mais je crains que les 4 facteurs qui modifient la concentration du traitement puissent être considérés comme des ingrédients dans un mélange. Si tel est le cas, cela rendrait l'utilisation d'un DSD inappropriée, à une exception près. Si l'ingrédient majoritaire dans le mélange est une charge inactive, les autres ingrédients peuvent varier indépendamment. Dans ce cas, un DSD serait acceptable à utiliser.
Jo chotix a écrit : Je pensais utiliser DSD pour concevoir un...Jo chotix a écrit:
Je pensais utiliser DSD pour concevoir un plan de traitement pour une étude in vivo chez la souris. J'ai 4 facteurs qui modifient la concentration du traitement (par exemple, médicament conc, mélanges d'excipients, etc.) et un facteur axé sur l'âge des souris. Je me demandais si c'était quelque chose pour lequel vous recommanderiez DSD ?
Bradley Jones a écrit : Vous pouvez ajouter 3 facteurs catégoriques à...Bradley Jones a écrit:
Vous pouvez ajouter 3 facteurs catégoriels à un DSD sans rendre la conception inefficace. Vous trouverez ci-dessous une référence à un article que Chris Nachtsheim et moi avons publié sur ce sujet.
Jones, Bradley et Nachtsheim, CJ (2013) « Definitive Screening Designs with Added Two-Level Categorical Factors », Journal of Quality Technology, 45:2, 120-129.
Ewoud Schuring a écrit : Bonjour Bradley, Blog intéressant, un...Ewoud Schüring a écrit:
Bonjour Bradley,
Blog intéressant, en fait tout le DSD m'intéresse beaucoup. Cependant j'ai une question.
Quelle est la limite du nombre de facteurs catégoriels dans un DSD ? Pour le moment, j'essaie de créer un DSD avec 3 facteurs continus et 3 facteurs catégoriels. Est-ce une bonne idée? Quels sont les risques ? Ou est-ce qu'un rapport 1/1 entre continu et catégorique entraîne une conception non efficace ?
Bradley Jones a écrit : Paul, Le design personnalisé avec quelques r...Bradley Jones a écrit:
Paul,
La conception personnalisée avec quelques répliques est une conception de surface de réponse très sûre. D'après mon expérience, il y a généralement peu d'effets importants de second ordre. Donc, construire une conception qui peut estimer chaque effet d'ordre 2 peut finir par être exagéré. Le DSD à 6 facteurs ne nécessite que 13 exécutions et peut identifier de manière fiable deux ou trois effets de 2ème ordre. Cela vous ferait économiser près de 50% du coût.
Si à la place vous utilisiez le DSD à 8 facteurs et ignoriez les 3 dernières colonnes, vous auriez un plan à 17 passages et vous devriez être en mesure d'identifier quatre ou cinq effets de 2e ordre.
Paul Prew a écrit : Bonjour Bradley, ce message me fait...Paul Préw a écrit:
Bonjour Bradley, cet article me fait réfléchir à des conceptions appropriées pour 4 à 6 facteurs. Plus précisément, la semaine dernière, j'ai eu un chimiste qui voulait étudier 5 facteurs continus. Les tests préliminaires d'un facteur à la fois lui ont dit qu'ils étaient importants. Elle ne savait rien du DOE, mais son superviseur lui a dit que c'était une voie plus efficace -- allez parler à un statisticien.
Nous étions dans une zone grise où une conception de criblage pur aurait semblé un pas en arrière, inefficace. Nous avons donc choisi de concevoir un modèle quadratique, ce qui a conduit à une conception personnalisée de 25 exécutions avec quelques répétitions.
Merci Paul
Un DSD à 5 facteurs aurait représenté beaucoup moins d'exécutions, même en concevant pour 6 ou 7 facteurs et en supprimant les colonnes supplémentaires. Comment puis-je utiliser JMP pour évaluer le DSD comme une bonne conception pour ajuster un modèle de 2e ordre ? Quels outils spécifiques d'évaluation de conception recommanderiez-vous pour comparer le DSD avec la conception personnalisée ?
Ron Andrews a écrit : J'ai trouvé une candidature pour un DSD avec...Ron Andrews a écrit:
J'ai trouvé une application pour un DSD avec un mélange qui a fonctionné. J'avais besoin de confirmer les spécifications de poids pour un mélange de monomères utilisés pour fabriquer des lentilles de contact. C'est un vrai mélange, pas une solution donc un DSD ne serait pas un bon choix dans la plupart des cas. Ce qui l'a fait fonctionner, ce sont les petites variations par rapport au nominal. La formule nominale a été utilisée comme point central. Chaque composant a varié +/- 1% de la valeur nominale. Pour analyser l'expérience, j'ai calculé les concentrations réelles pour chaque mélange. Il y avait une corrélation significative entre les deux composants les plus importants du mélange, mais la conception permettait des estimations séparées des deux facteurs.
J'ai soumis un résumé pour une présentation au sommet de la découverte qui inclut cela comme l'un des exemples d'alternatives de conception de mélange. Qu'il soit accepté ou non, je peux fournir plus de détails.
