DOE : Une approche « Top-Down » convergerait-elle vers l'analyse factorielle plus conventionnelle « Bottoms-Up » ?Je suis un nouveau venu dans l'utilisation de DOE en R&D : j'étais sceptique depuis longtemps, mais j'ai récemment constaté l'ÉNORME puissance qu'il offre et j'ai adopté JMP comme outil de choix. Dans le processus d'apprentissage de l'application des méthodologies DOE, j'en suis venu à penser à sa mise en œuvre préférée comme une sorte d'approche "ascendante": nous commençons par identifier TOUS les facteurs qui pourraient contribuer à un résultat mesuré, puis créons une conception qui nous permet de filtrer l'impact de chaque facteur, en identifiant les plus critiques. Nous pouvons générer un modèle pour représenter le système d'intérêt, en supprimant de ce modèle les facteurs qui ne contribuent pas de manière significative, puis en affinant notre modèle avec ces moteurs. Il me semble que nous pourrions occasionnellement constater que notre modèle ENCORE ne représente pas bien nos observations - et peut-être avons-nous oublié un facteur ou deux. Nous pouvons y remédier en augmentant notre modèle. Pour un système complexe avec un ensemble de facteurs, cette approche conventionnelle crée une grande matrice de test. Je sais que je peux réduire la taille de cette matrice en utilisant des factorielles fractionnaires et des conceptions personnalisées/optimales. Pour un client sceptique ET un système complexe, cela reste difficile à vendre. Mais : y a-t-il forcément quelque chose de MAUVAIS à commencer par une approche « top-down » ? Pourrions-nous utiliser notre connaissance du sujet pour identifier quelques facteurs que nous pensons être les moteurs de performance, et avec eux une matrice de test, puis un modèle statistique des données observées ? Si cela conduit à un bon ajustement des données observées, alors GRAND. Mais si ce modèle ne parvient pas à répondre de manière adéquate aux observations, nous pourrions alors utiliser cette lacune évidente du modèle pour l'améliorer en incorporant des facteurs supplémentaires (une partie de ce gros paquet que nous avions choisi de mettre de côté au départ…) et plus de test ? Les mathématiques des approches « top-down » et « bottom-up » ne tendraient-elles pas à converger vers un même modèle ? Ou est-ce que ma notion d'une approche "descendante" n'est vraiment qu'une variation sur une conception personnalisée ?
BICHERe : DOE : Une approche "descendante" convergerait-elle vers l'analyse factorielle "ascendante" plus conventionnelle ?Il y a plusieurs raisons au manque d'ajustement, y compris votre suggestion. Je n'aborderai pas cette partie de votre discussion maintenant.
Le DOE est généralement considéré comme faisant partie d'un programme ou d'une initiative de qualité plus vaste. La conception fait suite à des travaux antérieurs pour identifier les facteurs et les réponses pertinents. Ce résultat peut provenir de l'utilisation des outils Seven Quality, par exemple. Cela peut provenir d'un projet Six Sigma ou Quality by Design. L'expertise en la matière est toujours essentielle, même si j'ai souvent rencontré des commentaires étouffants tels que "Mais nous savons que..." basés sur une expérience anecdotique et non sur des données scientifiques. (Si nous en savons déjà tant, pourquoi ne pouvons-nous pas expliquer ce qui se passe ou savoir quoi faire à ce sujet ?) De nombreux outils connexes impliquent de collecter de nombreuses idées, puis de les organiser et de les hiérarchiser pour les étudier.
Re : DOE : Une approche "descendante" convergerait-elle vers l'analyse factorielle "ascendante" plus conventionnelle ?Il n'y a vraiment rien de mal avec l'approche "descendante" comme vous l'appelez. Cependant, pensez à ce scénario du pire. Vous contrôlez certains facteurs pour la conception, puis déterminez qu'elle ne correspond pas aux données. Oh, nous devons ajouter plus de facteurs. Mais où ces facteurs ont-ils été définis lors de la première série d'exécutions ? Étaient-ils en train de changer ? Selon les réponses à ces questions, vous devrez peut-être recommencer. Même s'ils sont enregistrés, vous devez vous inquiéter que les essais expérimentaux n'aient pas été randomisés à ce moment-là.
Comme le suggère Mark, la plupart des autres approches vous permettent d'identifier les facteurs que vous souhaitez modifier, mais également les facteurs qui PEUVENT influencer la conception que vous ne souhaitez pas modifier. Ce groupe qui se trouve dans le groupe MAY doit être pris en compte d'une certaine manière (maintenu constant, devenir des variables bloquantes, etc.).
Re : DOE : Une approche "descendante" convergerait-elle vers l'analyse factorielle "ascendante" plus conventionnelle ?Voici mes réflexions :
Il y a deux raisons fondamentales pour lesquelles nous "optimisons" en permanence :
1. Nous ne commençons jamais par tout. Les facteurs que nous étudions sont toujours un petit sous-ensemble de tous les facteurs. Des décisions sont prises quant à ce qu'il faut inclure (ou non) dans les études initiales. C'est le plus souvent une fonction de l'intuition, de l'intuition, de l'expérience, de la collaboration. Il est intéressant de noter que les enquêteurs abandonneront des facteurs de l'étude sans données. Qu'arrive-t-il à ces facteurs dans les études ultérieures?
2. Des applications nouvelles ou alternatives de matériaux/technologies sont constamment inventées.
Je pense que votre proposition manque certains éléments d'investigation importants qui ne sont pas nécessairement liés au DOE, mais améliorent considérablement l'utilisation de l'expérimentation. Par exemple, un échantillonnage dirigé pour comprendre quelles composantes de variation (ensembles de x) ont le plus grand effet de levier, fournir une évaluation de la stabilité et évaluer l'incertitude de mesure. L'itération est la clé pour développer une compréhension approfondie (cycles d'induction-déduction). Je crois aussi que les enquêteurs typiques n'incluent pas bruit dans leurs stratégies expérimentales suffisamment pour évaluer si le modèle aura une "performance" cohérente dans d'autres conditions. Il y a un énorme biais sur le développement de stratégies optimales pour les facteurs de conception et très peu sur les stratégies de bruit.
Re : DOE : Une approche "descendante" convergerait-elle vers l'analyse factorielle "ascendante" plus conventionnelle ?Merci @STAT - et @Dan_Obermiller et @Mark_Bailey – pour les retours. Vos commentaires sont très utiles.
@statman , "Nous ne commençons jamais par tout" est un excellent point pour mon calibrage mental. Et vos commentaires concernant le bruit sont parfaits. Mon cas d'intérêt arrive tard dans un projet de développement dans lequel nous n'avons pas encore mené une exploration systématique claire des facteurs exerçant le plus grand effet de levier. En même temps, nous essayons de définir / comprendre la bande de performance nominale - et le bruit qu'elle contient.
@Dan_Obermiller , vous me donnez quelques idées sur la façon de tenir compte de ces "autres" facteurs - le groupe "PEUT". J'étais mal à l'aise avec "l'ignorance active", alors que je peux voir un moyen d'identifier et de documenter ces paramètres de facteurs - même si nous ne les explorons pas explicitement dans la matrice de test.
Et @Mark_Bailey , " Si nous savons déjà tant de choses, pourquoi ne pouvons-nous pas expliquer…" a frappé trop près de la marque. Comme je l'ai mentionné ci-dessus, j'essaie d'insérer des tests plus systématiques à un moment qui est tard et sans doute "trop tard" dans le jeu. Selon moi, ma meilleure opportunité de le faire nécessite un ensemble très mince de facteurs, en écartant intentionnellement beaucoup d'autres dans le but de clarifier l'impact de ce que notre PME collective nous dit être des moteurs à fort effet de levier.
Merci à tous, encore une fois.
Re : DOE : Une approche "descendante" convergerait-elle vers l'analyse factorielle "ascendante" plus conventionnelle ?Nous pourrions faire beaucoup de commentaires pour vous aider, mais je veux en faire un de plus maintenant. Je vois souvent des conceptions varier des facteurs sur une plage très étroite. Pourquoi? Parce que nous savons ou pensons que nous trouverons 'la réponse' dans ce quartier. Encore une fois, pas beaucoup de preuves derrière une telle décision. C'est aussi un exemple d'une mentalité de « choisir le gagnant ». Si vous obtenez ce que vous voulez, vous avez terminé. Vous ne savez pas, cependant, si c'est le meilleur que vous auriez pu obtenir si vous aviez exploré une région plus large pour tous vos facteurs. Les plages étroites entravent également la capacité de la conception à détecter les effets réels. Vous pouvez améliorer la puissance en augmentant le nombre d'exécutions ou en élargissant la plage de facteurs.
De plus, le DOE ne consiste pas à choisir le gagnant. C'est à propos de curation d'un modèle . L'objectif d'une conception est essentiel pour estimer et tester les paramètres du modèle. Période. Tout le reste, c'est "choisir le gagnant". Vous voulez que vos modèles aient une longue durée de vie. Ils devraient être capables de représenter suffisamment bien votre réalité pour être utiles, alors prenez soin d'eux.
Re : DOE : Une approche "descendante" convergerait-elle vers l'analyse factorielle "ascendante" plus conventionnelle ?Je porte certainement une certaine culpabilité dans la pensée "choisir le gagnant", et c'est une critique que je garderai à l'esprit à l'avenir. Votre commentaire "conservation du modèle" se rapproche de l'idéal que je recherche et fait appel à la puissance que je vois dans la capacité de la conception expérimentale à affiner de manière itérative un modèle mathématique décrivant les résultats observés. De plus, votre argument pour explorer un large éventail de facteurs tombe sur des oreilles réceptives : je pense que nous ne savons pas vraiment comment spécifier une conception de système tant que nous n'avons pas poussé cette conception à un point de rupture. Pour mon système d'intérêt actuel, je pense que la prochaine donnée la plus précieuse est un échec en performance initiale : tout ce qu'on lui lance semble bien fonctionner (au début…).
Je vois des défauts dans ma notion de développement d'un modèle "descendant", mais je vois une approche "ascendante" comme trop chronophage trop tard dans le jeu. Une approche "descendante" pourrait nous aider à générer un modèle suffisamment bon pour favoriser la discussion sur la manière dont nous pourrions améliorer ce modèle de manière itérative et mieux contrôler notre système, en incorporant ces autres facteurs - y compris certains "PEUT" que nous avons intentionnellement mis de côté. Il y a tellement de choses que nous ne savons pas, mais nous avons au moins un système qui nous encourage à faire QUELQUE CHOSE de bien.
Merci.
Re : DOE : Une approche "descendante" convergerait-elle vers l'analyse factorielle "ascendante" plus conventionnelle ?Juste pour ajouter une autre pensée... une de mes citations préférées s'applique à de nombreuses situations :
"Tous les modèles sont faux, certains sont utiles" GEP Boîte
En réalité, l'approche que vous adoptez dépend de la situation. Il y a des "indices" que nous recherchons pour nous aider à comprendre la situation et donc à prendre des décisions rationnelles et logiques sur la façon de procéder. Il est peu probable que quiconque conçoive jamais l'expérience parfaite car la plupart des expérimentations contiennent un élément d'inconnu. Mon conseil est donc de concevoir plusieurs expériences (ou plans d'échantillonnage), de prévoir les connaissances potentielles à acquérir pour chaque plan (par exemple, quels effets peuvent être estimés, ce qui est confondu, ce qui est restreint) et de peser ces connaissances par rapport aux contraintes imposées ( ressources, temps). En fin de compte, tout ce que vous pouvez faire est de faire preuve de diligence raisonnable, puis d'obtenir les données. Soyez prêt à itérer (en fait, prédisez TOUS les résultats possibles et que ferez-vous de cette information).
