Comment interpréter correctement un plan de dépistage définitif (DSD)J'utilise JMP 14.3 pour optimiser un flux de travail avec 6 variables d'entrée et 3 niveaux (ci-joint le fichier avec le tableau de données). Mon idée est d'utiliser JMP pour obtenir la meilleure combinaison des 6 variables qui me donne le meilleur résultat de sortie mais en effectuant le moins d'expériences.
Il me semble que la meilleure option est de réaliser un plan de dépistage définitif pour voir les principaux effets. J'ai défini ma table de facteurs avec les valeurs extrêmes (minimum et maximum pour chaque variable) et j'ai créé le tableau des expériences à réaliser. Le tableau généré propose 17 expériences.
Pendant plusieurs semaines j'ai réalisé les 17 expériences et j'ai ajouté les résultats (Y) dans le tableau ci-joint. Avec ces données j'ai ajusté le dépistage et j'ai obtenu que 4 des variables sont statistiquement significatives. J'ai sélectionné dans le profileur de prédiction : Optimisation et désirabilité > Maximiser la désirabilité, pour obtenir la combinaison de facteurs la plus optimale.
À ce stade, j'ai plusieurs questions:
1. Quelles valeurs/niveaux dois-je choisir pour les valeurs non significatives ?. Puis-je en choisir un ?.
2. Je souhaite créer un modèle pour prédire ou estimer le résultat (Y) en fonction des valeurs sélectionnées des facteurs. Comment pourrais-je faire ça ?. Puis-je simuler un plus grand nombre de valeurs ?.
3. Puis-je obtenir une équation (ou une formule du modèle) ?
Merci beaucoup.
Cordialement,
Wardiam
Conception d'expériencesPartager et communiquer les résultatsRe : Comment interpréter correctement un plan de dépistage définitif (DSD)Je pense que c'est peut-être l'explication que je cherchais, un rappel qu'un DSD est une conception de dépistage et l'affirmation selon laquelle il a une faible puissance pour les effets quadratiques.J'ai juste besoin de comprendre comment obtenir cette analyse de puissance pour mes DSD, car tout ce que je vois, c'est la puissance des effets principaux - pas les interactions et les quadratiques.
https://community.jmp.com/t5/Discussions/Fit-Definitive-Screening-vs-Stepwise-min-AICC-for-model/mp/608874
Re : Comment interpréter correctement un plan de dépistage définitif (DSD)En utilisant JMP 17.0, j'obtiens ceci, en désactivant les deux valeurs par défaut de l'hérédité.En supposant que tous les calculs ont été effectués correctement (pas de bugs ni d'erreurs de codage), je dois conclure que la température non héréditaire * la température n'était pas statistiquement significative.Un peu surpris.Je ne vois pas de moyen de lui faire montrer que dans cette boîte de dialogue, une question plus générale sur la méthode d'analyse spéciale DSD que je publierai ailleurs.Si je l'ajoute manuellement via "make model", cela me semble statistiquement significatif.Mystérieux et donne lieu à remettre en question mon hypothèse selon laquelle il n'y a pas de bug, de calcul ou d'erreur de codage (mais bon, je ne peux pas encore faire toutes les ANOVA et autres calculs moi-même).Une chance pour une explication ?
Re : Comment interpréter correctement un plan de dépistage définitif (DSD)Merci beaucoup pour vos commentaires statman 
Wardiam
Re : Comment interpréter correctement un plan de dépistage définitif (DSD)Certains commentaires:
1. Permettez-moi d’abord de souligner qu’il existe une différence entre la signification statistique (que vous contrôlez par la manière dont vous exécutez l’expérience et le modèle que vous utilisez) et la signification pratique. Sans savoir dans quelle mesure un changement de Y a une signification pratique, l’analyse sera sous-optimale.
2. Concernant les facteurs jugés statistiquement non significatifs, vous pouvez les interpréter comme Compte tenu des niveaux auxquels vous avez testé , ces facteurs n'ont pas l'influence des autres facteurs du modèle. La question de savoir si vous pouvez déduire ou extrapoler ces résultats est plus une question d’ingénierie/scientifique que de statistique.
3. Utilisez toujours Rsquare Adj par défaut. Les RSquares augmenteront toujours avec l'ajout de degrés de liberté au modèle, mais le but est de déterminer le RSquare avec des termes considérés comme significatifs. C'est ce que représente RSquare Adj. S'il existe des différences entre RSquare et RSquare Adj, cela indique un modèle trop spécifié. Oh, et au fait, cela n'a rien à voir avec la question de savoir si le modèle sera utile à l'avenir ou dans un espace d'inférence différent.
4. Lors du choix du « meilleur » modèle, un certain nombre de considérations doivent être prises en compte. RSquare, RMSE, Résidus, Évaluation pratique, etc.
5. L’exécution de répétitions est une excellente technique pour tester l’adéquation du modèle. L'utilisation de la méthode de blocage peut être très utile pour explorer l'effet du « bruit » et, dans certains cas, pour déterminer si les effets estimés dans la première répétition (Bloc = -1) se répètent dans différentes conditions de bruit (Bloc = 1). C'est l'un des objectifs visés : voir si les effets des facteurs sont robustes au bruit. À mon humble avis, le blocage doit être bien réfléchi avant l'expérimentation, mais vous pourrez peut-être récupérer des informations utiles en tant que tentative a posteriori.
6. On dirait que vous auriez pu diriger une Res. Factorielle fractionnaire III avec des facteurs à 2 niveaux en 8 traitements (vs le DSD) et a obtenu les mêmes résultats. Vous auriez pu enregistrer des analyses et les utiliser pour des répétitions supplémentaires... le recul est toujours de 20-20
Re : Comment interpréter correctement un plan de dépistage définitif (DSD)Chers Mark et Statman,
Merci beaucoup pour vos réponses. J'ai soigneusement examiné toute l'aide disponible sur votre lien DSD et j'ai déjà mieux compris bon nombre des questions que je me posais.
Il y a encore quelques questions dont j'aimerais discuter avec vous et voir si vous pouvez me les clarifier.
Après avoir effectué le DSD et exécuté le modèle, ne considérez que 4 des 6 facteurs comme significatifs (« actifs »). Je sais que les effets des deux autres facteurs ne sont pas pertinents (tension et température) mais dans mon protocole expérimental ces 2 facteurs doivent l'être car ce sont des éléments nécessaires (ce que je ne connaissais pas était leur niveau optimal). Après le résumé des principaux effets, je pourrais alors considérer n'importe lequel des niveaux introduits pour ces facteurs car cela n'affecterait pas la production, est-ce exact ?.
Sur la base de la plateforme d'ajustement, j'ai obtenu un RSq = 0,94 mais lorsque j'enregistre les valeurs prédites dans une nouvelle colonne, je vois que certaines sont loin des valeurs observées. Comment pourrais-je mieux adapter le modèle ?. Dois-je utiliser plus de courses ?
J'avais pensé faire une réplique des runs proposés dans le tableau généré, dans ce cas, dois-je activer l'option de blocage dans le design ?. Si tel est le cas, dois-je ajouter un facteur catégorique faisant référence à chaque réplique ?
Enfin, j'ai déjà vu qu'en utilisant la plateforme de filtrage définitif d'ajustement, j'obtiens une formule du modèle qui correspond à ce que je voulais et je peux ajouter au tableau une colonne avec les valeurs prédites. C'est super.
Merci beaucoup pour votre aide et pardonnez-moi d'avoir posé ces questions de débutant.
Wardiam
Re : Comment interpréter correctement un plan de dépistage définitif (DSD)Mark vous a déjà donné les instructions appropriées. Je veux juste commenter votre objectif : " Je pense que mon étude est une situation de dépistage puisque j'ai plusieurs variables à tester et je recherche la combinaison optimale de toutes ces variables pour obtenir le meilleur résultat . C'est l'objectif principal ".
Ce n’est pas l’intention d’une conception de dépistage. Pour réitérer les commentaires de Mark, le but d'un plan de sélection est de déterminer quel sous-ensemble de l'ensemble mérite une enquête plus approfondie . Il ne s'agit pas d'un test dans lequel vous essayez de « choisir le gagnant », mais d'une expérience visant à donner un aperçu des relations causales entre les variables prédictives et les variables de réponse. Une itération est presque toujours nécessaire. Continuer.
Re : Comment interpréter correctement un plan de dépistage définitif (DSD)L’un des principes de sélection les plus importants est la rareté des effets. Cela signifie que vous espérez éliminer au moins la moitié des facteurs grâce au dépistage. Les conceptions de criblage sont économiques grâce à ce principe. Ils ne fournissent pas les données nécessaires pour ajuster le modèle avec tous les termes.
J'ai déjà expliqué le processus de sélection et d'exploitation du modèle. Veuillez préciser quelle étape n'est pas claire.
Avez-vous vu la documentation de DSD ? Il commence ici .
Re : Comment interpréter correctement un plan de dépistage définitif (DSD)Cher Mark,
Merci d'avoir répondu. En effet, je pense que mon étude est une situation de dépistage puisque j'ai plusieurs variables à tester et je recherche la combinaison optimale de toutes ces variables pour obtenir le meilleur résultat . C'est l'objectif principal .
Mais en même temps je profitais de ma question sur le forum pour savoir si une analyse supplémentaire des mêmes données me permettrait d'obtenir un modèle ou une formule qui pourrait prédire dans le futur si je change les valeurs des variables quoi serait le résultat attendu sans effectuer l’expérience. Cette deuxième question est plus curieuse et serait secondaire.
Pourrais-tu m'aider s'il te plait?.
Merci pour votre aide.
Wardiam
Re : Comment interpréter correctement un plan de dépistage définitif (DSD)De plus, vous n’avez pas précisé si votre situation est une étude de dépistage. Le DSD, comme toute conception de dépistage, assume les principes clés du dépistage.
Re : Comment interpréter correctement un plan de dépistage définitif (DSD)Avez-vous vu la commande Ajuster le dépistage définitif dans le menu DOE ? Cette plateforme effectue une analyse entièrement automatisée et sélectionne le meilleur modèle pour vous. Vous pouvez ensuite accéder à la plateforme Ajuster les moindres carrés en cliquant sur le bouton Créer un modèle ou Exécuter le modèle. Vous pouvez utiliser le Prediction Profiler pour explorer la réponse ou optimiser la réponse. Vous pouvez enregistrer le modèle ajusté en tant que nouvelle formule de colonne.
Avez-vous lu le guide JMP > Aide > Documentation > Ajustement de modèles linéaires ?
