Analyse des résultats de la simulation Opt DOECher JMPeur,
Actuellement, je suis en train d'analyser les résultats d'une simulation Opt DOE. Cependant, je n'obtiens pas de simulations de formulaire de résultat cohérentes et j'obtiens également différentes tendances lors de l'analyse du profil de compteur. Je me demande si une méthodologie ou une analyse pourrait être utilisée pour comprendre quel résultat de simulation est valide.
Voici mon processus de simulation. La matrice DOE est dans le tableau 1
- Ajuster le modèle (Simulation 1) :
- Mettez 4 entrées dans Simulation 1 et sélectionnez le mode de réponse de surface dans les fonctions macro.
- Supprimer l'option d'interaction du même facteur, par exemple entrée A * entrée A
- Exécutez la simulation avec les moindres carrés standard et l'effet de levier.
- Le tableau 2 montre le Rcarré du résumé de l'ajustement et de la tendance de sortie en fonction de l'entrée A/C (l'entrée A/C est un facteur clé pour le processus)
- Ajuster le dépistage à deux niveaux (Simulation 2) :
- Sélectionnez Sortie A pour exécuter un dépistage à deux niveaux.
- Utilisez des facteurs importants définis, tels que l'interaction de la sortie et les sorties individuelles.
- Lancez la simulation avec moindres carrés standard et effet de levier.
- Le tableau 2 montre le Rcarré du résumé de l'ajustement et de la tendance de sortie en fonction de l'entrée A/C (l'entrée A/C est un facteur clé pour le processus)
La sortie B et la sortie C sont capables de prédire la tendance en fonction d'une entrée plus élevée ou d'une entrée plus faible (en raison de la physique). Cependant, la sortie A est la réponse importante que j'aimerais voir quelle simulation montrerait la tendance. Basé sur Rsquare de Summary Of Fit, la simulation 1 semble meilleure que la simulation 2. Cependant, la tendance de sortie de la simulation 2 est plus logique pour moi que la simulation 1. Par conséquent, je me demande si quelqu'un pourrait partager des informations pour avoir une meilleure analyse des deux résultats de simulation. Merci de bien vouloir me partager vos apports. J'apprécie beaucoup votre temps et votre aide.
Merci,
Meilleurs,
Andy
Tableau 1. Matrice DOE
| Jambe# | Motif | Entrée A | Entrée B | Entrée C | Entrée D | Entrée E | Entrée F | Sortie A | Sortie B | Sortie C |
| 1 | +−−++− | 300 | 200 | 100 | 3 | 25 | 1 | 0,0 % | 2 463 | 61 |
| 2 | −+−+−+ | 200 | 400 | 100 | 3 | 15 | 5 | 0,0 % | 3 572 | 45 |
| 3 | ++−−++ | 300 | 400 | 100 | 1 | 25 | 5 | 0,0 % | 3 990 | 47 |
| 4 | −−−−−− | 200 | 200 | 100 | 1 | 15 | 1 | 0,0 % | 3 245 | 31 |
| 5 | +−−−−+ | 300 | 200 | 100 | 1 | 15 | 5 | 0,0 % | 3 017 | 34 |
| 6 | −−−+++ | 200 | 200 | 100 | 3 | 25 | 5 | 0,0 % | 3 842 | 76 |
| sept | −+−−+− | 200 | 400 | 100 | 1 | 25 | 1 | 0,0 % | 3 431 | 48 |
| 8 | +++−+−− | 300 | 400 | 100 | 3 | 15 | 1 | 0,0 % | 2 409 | 51 |
| 9 | 000000 | 250 | 300 | 110 | 2 | 20 | 3 | 0,0 % | 3 336 | 66 |
| dix | 000000 | 250 | 300 | 110 | 2 | 20 | 3 | 0,0 % | 2 564 | 66 |
| 11 | −++++− | 200 | 400 | 120 | 3 | 25 | 1 | 0,0 % | 3 289 | 62 |
| 12 | −−+−++ | 200 | 200 | 120 | 1 | 25 | 5 | 0,0 % | 2 698 | 53 |
| 13 | +−++−+ | 300 | 200 | 120 | 3 | 15 | 5 | 0,0 % | 3 017 | 47 |
| 14 | +++−−− | 300 | 400 | 120 | 1 | 15 | 1 | 0,0 % | 3 460 | 31 |
| 15 | −++−−+ | 200 | 400 | 120 | 1 | 15 | 5 | 2,8 % | 3 503 | 28 |
| 16 | −−++−− | 200 | 200 | 120 | 3 | 15 | 1 | 0,0 % | 2 835 | 42 |
| 17 | +−+−+− | 300 | 200 | 120 | 1 | 25 | 1 | 0,0 % | 2 304 | 42 |
| 18 | ++++++ | 300 | 400 | 120 | 3 | 25 | 5 | 0,0 % | 3 431 | 69 |
| 19 | POR | 150 | 300 | 120 | 0 | 0 | 0 | 7,1 % | 3 642 | 16 |
| 20 | POR | 150 | 300 | 120 | 0 | 0 | 0 | 8,3 % | 3 093 | 15 |
Tableau 2. Résultats de la simulation 1 et de la simulation 2.
| Analyse JMP | Simulateur 1 | Simulateur 1 | Simulateur 1 | Simulateur 2 | Simulateur 2 | Simulateur 2 |
| Matrice | Sortie A | Sortie B | Sortie C | Sortie A | Sortie B | Sortie C |
| Entrée A élevée | Réduire | réduire | deux tendances | augmenter | Augmenter | réduire |
| Entrée A faible | augmenter | augmenter | deux tendances | réduire | Réduire | Augmenter |
| Entrée C haut | Augmenter | Augmenter | réduire | réduire | Augmenter | Réduire |
| Entrée C bas | réduire | réduire | augmenter | augmenter | réduire | augmenter |
Résumé de l'ajustement
R Carré | 0,96 | 0,78 | 0,84 | 0,95 | 0,59 | 0,85 |
Objet : Analyse des résultats de la simulation Opt DOEUne approche alternative à la méthode de construction de modèles de Mark (commençant par le 1er ordre puis en ajoutant le 2ème ordre basé sur d'excellents principes de rareté, de hiérarchie et d'hérédité) consiste à commencer avec un modèle saturé. Utilisez des diagrammes de Daniel (normal/demi-normal), des diagrammes de Pareto (en vous assurant que les estimations ont une signification pratique) et des diagrammes de Bayes (si vous aimez ce genre de choses). Supprimez les termes non significatifs (considérez les deltas ajustés Rcarré contre Rcarré) et réexécutez le modèle en accordant une attention particulière aux résidus pour vous assurer que votre modèle répond aux hypothèses habituelles.
Une de mes citations préférées :
"Deux enquêteurs également compétents confrontés au même problème commenceraient généralement à partir de points de départ différents, procéderaient par des voies différentes et pourraient pourtant parvenir à la même réponse. Ce qui est recherché n'est pas l'uniformité mais la convergence" (Encadré, Hunter Hunter "Statistiques pour les expérimentateurs").
Objet : Analyse des résultats de la simulation Opt DOEMerci pour la correction. Encore une fois, merci pour votre suggestion.Objet : Analyse des résultats de la simulation Opt DOETu as demandé, " D'après votre expérience, la simulation doit-elle se concentrer sur les effets principaux définis par un filtrage à deux niveaux ? "
Tout d'abord, ce n'est PAS une simulation. Il s'agit d'une analyse de régression pour ajuster un modèle linéaire.
Il existe plusieurs façons courantes d'aborder l'analyse d'une expérience basée sur un plan factoriel fractionnaire. Vous pouvez l'aborder, comme je l'ai dit, en utilisant deux étapes dans lesquelles vous sélectionnez d'abord les effets principaux, en croyant que les principes de hiérarchie sont valables, puis, ajoutez des termes d'interaction pour les facteurs actifs, en croyant que le principe d'hérédité est valable. Cette approche est souvent un moyen efficace de sélectionner le modèle. Ce modèle, comme tous les autres, doit être vérifié par de nouvelles observations empiriques (séries augmentées).
Tu as demandé, " Pourriez-vous me partager le script pour s simulation de plate-forme tepwise ? "
Vous n'avez pas besoin de script. Commencez votre analyse avec Fit Model comme d'habitude. Spécifiez la colonne de données de réponse dans le rôle Y. Spécifiez les termes dans le prédicteur linéaire pour les effets. Mais changez la personnalité des moindres carrés standard en pas à pas.
Veuillez consulter le chapitre JMP > Livres > Ajustement de modèles linéaires > Pas à pas.
Objet : Analyse des résultats de la simulation Opt DOE@Mark_Bailey Merci beaucoup pour votre explication détaillée. J'ai reconnu les entrées pour la conception actuelle de la matrice.
La matrice DOE est conçue pour des factorielles fractionnaires avec des interactions à 2 facteurs et j'ai essayé de définir des facteurs clés pour le processus.
Une petite question. D'après votre expérience, la simulation doit-elle se concentrer sur les effets principaux définis par un filtrage à deux niveaux ? Je remarque que vous analyseriez les effets définis et traceriez le profil de prédiction.
De plus, je n'ai jamais utilisé de plate-forme pas à pas auparavant. Pourriez-vous me partager le script pour s simulation de plate-forme tepwise ?
Encore une fois, merci pour vos réflexions et contributions.
Merci,
Meilleurs,
Andy
Objet : Analyse des résultats de la simulation Opt DOEDonc vous avez conçu une expérience pour une simulation informatique ? C'est-à-dire que les niveaux de facteur sont utilisés comme valeurs de paramètre dans la simulation informatique ?
J'interprète plutôt votre question comme portant sur régression résultats. Le plan factoriel fractionnaire à deux niveaux en 16 passages avec 2 points centraux et 2 ad hoc ne prend pas en charge l'estimation du modèle quadratique complet. Dans ce cas, vous ne devez pas essayer d'estimer les paramètres des termes quadratiques.
La plate-forme de dépistage est destinée uniquement aux facteurs à deux niveaux. Vous avez utilisé une conception à deux niveaux, mais vous avez ajouté un troisième ou un quatrième niveau avec les points centraux et ad hoc court. Cette plateforme ne vous donnera pas nécessairement des informations erronées mais elle ne vous donnera pas nécessairement des informations correctes lorsqu'il y a plus de deux niveaux.
Néanmoins, il peut être utile en tant qu'outil d'exploration et point de départ menant à une analyse de régression complète. Je l'ai utilisé pour trouver un modèle pour la sortie A avec le prédicteur linéaire comprenant l'entrée E, l'entrée D, l'entrée A et l'entrée E * l'entrée E. Il a donc détecté une réponse non linéaire mais l'attribuer à l'entrée E est arbitraire. Il est basé sur la principe d'hérédité Et rien de plus. Il ne peut pas être établi avec cette expérience. Le produit B ne semble pas avoir d'effets fixes de ces facteurs. La sortie C a le modèle le plus complexe. Il comprend deux effets quadratiques, ce qui est le plus que l'on puisse estimer et le choix des termes est là encore arbitraire. L'action habituelle à ce stade est d'augmenter le plan à deux niveaux spécifiquement pour estimer tous les termes quadratiques pour une décision finale.
Une autre approche consiste à utiliser la plateforme Stepwise en commençant par tous les termes potentiels (effets principaux et interactions) qui pourraient être estimés. Voici le profileur de prédiction lancé avec les formules de modèle enregistrées pour la sortie A et la sortie C en utilisant la régression pas à pas pour sélectionner le modèle.
Une autre approche consiste à commencer par les effets principaux uniquement, à supprimer les facteurs sans importance, puis à ajouter et à tester les interactions impliquant les facteurs importants. Cette approche est basée sur les principes de la hiérarchie et de l'hérédité.
N'oubliez pas qu'il existe de nombreux effets confondus et corrélés avec cette conception.Il fournit des informations incomplètes sur la réponse. L'augmentation pourrait donc être la meilleure prochaine étape pour clarifier les effets importants. Quoi qu'il en soit, le modèle final sélectionné ici ou après l'augmentation doit être vérifié empiriquement avec de nouveaux essais indépendants pour des traitements non encore testés.
