Ajouter une contrainte complexe à un Custom Design avec 4 facteursBonjour,
Je crée un design personnalisé avec 4 facteurs (facteurs A, B, C et D).
J'ai une question sur une contrainte liée aux facteurs B et D.
- Le facteur B est en fait le nombre de réactions effectuées en séquence dans la même expérience. Cela peut être 1 réaction, 2, 3 réactions ou plus en séquence. J'ai défini la plage entre 1 et 3 (pas plus haut car je ne suis pas intéressé pour le moment par > 3 réactions en séquence).
- Le facteur D est le temps que j'attends entre les réactions en séquence. Ainsi, je ne définis le facteur D que lorsque le facteur B est >1. La plage est de 0,1 à 10 secondes.Le facteur D serait 0 si le facteur B était 1. En d'autres termes, lorsque le nombre de réactions effectuées en séquence (facteur 
est de 1, le facteur D n'existe pas car il ne s'agissait que d'une seule réaction et donc, je n'ai pas besoin d'attendre une seconde puisqu'il n'y a pas d'autre réaction. exécutés en séquence.
Comment puis-je définir cette contrainte dans mon modèle Custom Design ?
Merciuuuu !!
PS : j'utilise un Mac.
Conception d'expériencesmacOSRe : Ajout d'une contrainte complexe à une conception personnalisée avec 4 facteursMerci pour la perspicacité, @Mark_Bailey et @Victor_G !!
Re : Ajout d'une contrainte complexe à une conception personnalisée avec 4 facteursMerci, @Victor_G , pour la réponse rapide et claire, ainsi que pour tout le matériel proposé ! C'est vraiment utile !!!
Re : Ajout d'une contrainte complexe à une conception personnalisée avec 4 facteursRe-bonjour @ADouyon ,
Pour un premier aperçu, oui, vous avez raison : la puissance (= probabilité de détecter un effet s'il est vraiment actif) doit être aussi élevée que possible, la variance de prédiction et la fraction du tracé de l'espace de conception aussi faibles que possible. Mais comme l'a répondu @Mark_Bailey , vous comparerez en priorité avec d'autres conceptions ce dont vous avez besoin de votre plan expérimental (car avoir tout ce qui est haut/parfait n'est souvent pas possible ou au prix d'un très grand nombre d'expériences) :
- Si vous utilisez un DoE pour filtrer les effets principaux (et peut-être les interactions), vous n'êtes pas principalement intéressé par la variance de prédiction et la fraction de l'espace de conception, mais plutôt par la détection des effets significatifs entre vos facteurs (et peut-être les interactions). Vous vous concentrerez donc plutôt sur l’analyse de puissance.
- Si vous utilisez un DoE pour optimiser un processus/une formule, vous souhaitez obtenir des réponses prédites aussi précisément que possible, vous souhaitez donc avoir la variance de prédiction la plus faible. Par conséquent, vous comparerez avec d’autres conceptions la variance de prédiction sur l’espace expérimental et la fraction du tracé de l’espace de conception.
Vous trouverez quelques informations sur l'évaluation de conception ici (et dans les pages suivantes) : Conception (jmp.com)
Oui, comme mon modèle principal de comparaison était Custom-Design_0-replicates (avec le plus petit nombre d'expériences et aucune répétition), la plupart des autres modèles ont obtenu de meilleurs résultats (soit parce qu'ils ont des répétitions, donc une estimation similaire ou meilleure du bruit/ variance pour le même nombre d'expériences, ou parce qu'ils avaient un nombre d'expériences plus élevé (les 2 dernières conceptions), améliorant ainsi toutes les efficacités), de sorte que l'efficacité de cette conception simple était pire par rapport aux autres conceptions (d'où les valeurs rouges).
Changer la conception principale dans la comparaison aurait modifié les efficacités relatives présentées (et donc les couleurs en fonction des avantages (vert) ou des inconvénients (rouge) de la conception par rapport aux autres).
Non, les contraintes sont enregistrées dans la conception, donc lorsque vous augmentez votre conception et la reproduisez (en sélectionnant les bons facteurs et la bonne réponse dans le menu correspondant puis en cliquant sur "OK"), votre ou vos contraintes seront mémorisées et affichées. par JMP dans la nouvelle fenêtre, avec les différentes options disponibles pour augmenter votre design (et notamment pour votre cas "Répliquer"). En fonction du nombre de fois que vous souhaitez effectuer chaque exécution (demandé par JMP après avoir cliqué sur "Répliquer"), JMP créera alors des "copies" de vos exécutions de conception initiales.
Re : Ajout d'une contrainte complexe à une conception personnalisée avec 4 facteursSalut @ADouyon ,
Concernant cette nouveauté de JMP 17, elle devrait être disponible prochainement (fin octobre - début novembre), selon le site JMP : Nouveau dans JMP 17 | Logiciel de découverte statistique de SAS
Il existe déjà un livre blanc fascinant et brillant sur cette nouvelle fonctionnalité (Design Explorer) disponible ici, qui promet des cas d'utilisation très intéressants dans la sélection d'un design optimal : Choisir la bonne conception - avec l'aide de Design Explorer de JMP | JMP
1- Exactement ! Désolé de ne pas avoir été clair, c'est exactement ce que je voulais dire : je préfère créer plusieurs designs sur mon ordinateur avec JMP, et choisir le plus pertinent en fonction du budget expérimental, de l'objectif et des contraintes, plutôt que d'aller au labo avec le premier. conception créée et découvrir plus tard que j'ai peut-être oublié certaines contraintes ou que mes expériences ne sont pas toutes réalisables/possibles.
2- Bien sûr ! Lorsque vous avez créé plusieurs conceptions et les tables de données correspondantes pour chaque conception, vous pouvez accéder à DoE -> Design Diagnostics -> Compare Designs. Là, vous pouvez sélectionner tous les tableaux de conceptions (max 5 conceptions au total, donc 4 sélectionnées + la conception à partir de laquelle vous avez cliqué sur "Comparer les conceptions") et faire correspondre les facteurs s'ils ont des noms différents dans les tableaux (s'ils ont le mêmes noms que dans votre capture d'écran (x1 et x1, ...), JMP comprendra qu'ils sont identiques, vous n'avez donc pas besoin de faire correspondre chaque facteur individuellement). Vous devriez alors avoir le même point de vue que moi. Plus d'infos ici : Fenêtre d'évaluation de la conception (jmp.com)
3- Les informations du « Design Diagnostic » sont des valeurs qui doivent être comparées avec d'autres conceptions afin de voir les forces et les faiblesses de chaque conception. Chaque efficacité peut aller de 0 à 100. Différentes efficacités sont évoquées :
- L'efficacité D est liée à la précision de l'estimation des paramètres et est très importante dans les plans de sélection/factoriels, pour estimer avec précision l'importance et l'ampleur des effets dans le modèle,
- L'efficacité G est liée à la minimisation de la variance de prédiction sur l'ensemble de l'espace expérimental, et est très importante dans la conception de l'optimisation (plus axée sur les performances prédictives que sur les explications causales/signification statistique),
- L'efficacité A est liée à la minimisation et à l'optimisation du crénelage entre effets ; plus l’efficacité A est élevée, plus l’estimation des coefficients de régression sera faible et précise (et impartiale).
Plus d'infos ici : Diagnostic de conception (jmp.com)
4- Très bonne question, et je n'ai pas de réponse claire. Cela est probablement dû à l'algorithme d'échange de coordonnées (utilisé pour la conception personnalisée) et aux points de départ/génération aléatoires pour la conception. Comme le plan est généré à partir de points aléatoires dans l’espace de conception, la répartition optimale des points dans l’espace expérimental peut changer d’une génération de plan à l’autre. Par conséquent, vous pouvez constater de légers changements dans les valeurs lors de la nouvelle génération du dessin. Vous pouvez modifier manuellement ces valeurs à la valeur la plus proche (ici 2) sans trop modifier l'optimalité de votre design, ou tenter de générer à nouveau le design, éventuellement en augmentant le nombre de démarrages aléatoires et/ou le temps de recherche du design (en rouge). triangle proche de « Conception personnalisée », vous trouverez « Nombre de démarrages » et « Temps de recherche de conception »).
Re : Ajout d'une contrainte complexe à une conception personnalisée avec 4 facteursIl y a beaucoup d'informations dans le plan de diagnostic. Certaines d’entre elles sont parfois plus pertinentes. Je ne dis pas qu’il ne faut pas tout regarder, mais nous sommes généralement quelque peu sélectifs dans les informations que nous utilisons pour comparer les conceptions. La puissance, l'efficacité de l'estimation et la corrélation des estimations sont plus critiques lorsque je sélectionne des facteurs ou des effets de facteurs. D'un autre côté, la variance des prédictions (profilées ou intégrées) est plus aiguë lorsque je suis prêt à optimiser mes paramètres factoriels en fonction des prédictions du modèle.
Re : Ajout d'une contrainte complexe à une conception personnalisée avec 4 facteursMerci @Victor_G pour avoir tout élucidé avec autant de profondeur ! Très apprécié!!
Ainsi, lorsque nous comparons des conceptions, je comprends que nous voulons que la « variance de prédiction » de la « fraction du tracé de l'espace de conception » soit idéalement faible, alors que nous voulons que la « puissance » de « l'usine d'analyse de puissance » soit élevée (proche de ~1). Est-ce correct?
Je me demande si vous pourriez développer l'interprétation des valeurs d'efficacité de Design Diagnostics (affichées dans votre capture d'écran de "color-map+efficiency_comparison" ? cela montre que le rouge est mauvais, cependant, il y a plus de valeurs de rouge dans la dernière comparaison (0 répliques vs conception augmentée).
De plus, lorsque j'augmente la conception avec les répliques comme vous l'avez suggéré, dois-je redéfinir les contraintes ?
Merci @Victor_G à l'avance!!
Meilleur,
Re : Ajout d'une contrainte complexe à une conception personnalisée avec 4 facteursSalut @Victor_G ,
Suite à votre réponse du 27 septembre concernant la comparaison de plusieurs conceptions, ce qui, selon vous, sera plus facile à faire dans JMP17. Je me demandais, savez-vous quand nous pourrons utiliser cette nouvelle version de JMP17 ? Cela semble être une fonctionnalité intéressante !
1- Aussi, pour être sûr de bien comprendre cela. Quand vous dites que vous aimez d’abord comparer les designs. Vous voulez dire sur JMP, pas en laboratoire. Vous préférez donc toujours comparer différentes conceptions avec JMP DOE avant de tester physiquement la conception, n'est-ce pas ?
2- Je ne me souviens pas avoir vu quoi que ce soit sur les comparaisons de conceptions du DOE dans le cours « Conception personnalisée d'expériences ». Serait-il possible @Victor_G pour fournir plus d'informations sur la façon dont vous allez à partir de "DOE > Diagnostics de conception > comparer les conceptions » à 1) le puissance, 2) profil de prédiction de la variance et 3) matrice de corrélation/carte de couleurs ? (Je l'ai essayé mais je ne sais pas exactement ce que je dois sélectionner...)
3- Dans le même ordre d'idées, quelle est la signification de cette information "Design Diagnostics" (voir capture d'écran) que l'on peut voir juste avant de réaliser le tableau ?
4- Dernière question 
Pourquoi, lorsque je refais la conception, JMP a maintenant choisi deux exécutions avec des points de données « X1 » comme 1,93 et 1,89 (deux exécutions distinctes) qui ne sont pas du tout centrées. X1 est configuré comme un facteur continu avec une plage de 1 à 3. Je suis d'accord avec les décimales pour ce facteur, cependant, je me demande pourquoi JMP a choisi ces deux valeurs si proches l'une de l'autre au lieu de valeurs plus dispersées dans l'espace expérimental ?
Merci beaucoup @Victor_G pour vos réponses rapides et détaillées !! Super utile, merci !!! J'apprends beaucoup!
Re : Ajout d'une contrainte complexe à une conception personnalisée avec 4 facteursSalut @ADouyon ,
Avec les bonnes conceptions et modèles, les comparaisons sont un peu différentes :
- En termes de puissance, il ne semble y avoir aucune amélioration significative entre les conceptions sans répétitions ou avec 2 ou 4 répétitions. Avoir 8 répétitions (pour un total de 27 expériences) ou reproduire entièrement la conception originale (pour 36 expériences au total) améliore la puissance.
- Pour la prédiction de la variance, avoir 2 répétitions (pour le même nombre total d'exécutions : 18) semble réduire plus efficacement la variance sur tout l'espace qu'avoir 4 répétitions (ou aucune). Avoir 8 répétitions (pour 27 expériences !) réduit un peu la variance de prédiction sur l'espace expérimental, mais c'est assez similaire à ce que vous obtenez avec 2 répétitions. Et bien sûr, si vous reproduisez votre conception originale (et doublez le nombre d'expériences de 18 à 36...), votre variance de prédiction sera divisée par deux.
- En termes d'efficacité et d'alias, la réplication de l'intégralité de la conception vous donnera le même alias/corrélation entre les termes, tandis que l'ajout d'exécutions répliquées peut modifier et réduire certains alias. Les efficacités sont assez similaires pour les conceptions avec le même nombre d'exécutions et augmenteront certainement lorsque vous augmenterez votre nombre d'expériences.
J'espère que cette partie vous aidera et n'apportera pas de confusion supplémentaire,
Re : Ajout d'une contrainte complexe à une conception personnalisée avec 4 facteursRe-bonjour @ADouyon ,
- La « limite inférieure » est la solution la plus basse acceptable pour votre situation (elle définit une plage de valeurs possible et acceptable de votre limite la plus basse à votre limite la plus élevée), et peut avoir un impact si vous avez plusieurs réponses. Dans le cas d'une réponse unique, cela n'a pas beaucoup d'importance car JMP tentera d'une manière ou d'une autre d'optimiser la réponse (maximiser/minimiser ou faire correspondre la valeur), donc la limite inférieure sera de toute façon évitée à tout prix en trouvant la bonne paramètres des facteurs (dans le cas de "Maximiser"). Le changement se fera dans la pente de la fonction de désirabilité (voir capture d'écran Profiler-1 réalisé avec une limite inférieure de 350 et Profiler-2 réalisé avec une limite inférieure de 450 sur le cas d'utilisation "Bounce Data" de JMP).
Si vous avez plusieurs réponses, la modification de la pente de l'un de vos profils de désirabilité de réponse peut modifier l'optimum trouvé, car JMP tentera de maximiser la valeur de désirabilité globale (en tenant compte de toutes les fonctions de désirabilité des réponses), ce qui aura pour effet d'avoir une pente plus raide pour une réponse. signifie que cette réponse peut avoir une plus grande influence sur la solution d'optimisation de la désirabilité (car vous réduirez la plage de valeurs acceptables, voir la comparaison de l'optimisation du profileur avec les captures d'écran Profiler-desirability-1 et Profiler-desirability-2 sur l'ensemble de données Tiretread.jmp à partir de cas d'utilisation de données JMP). Tenez également compte du fait que l'importance fixée pour chacune de vos réponses influencera également grandement l'optimum trouvé : plus l'importance de la réponse est grande, plus l'influence de cette réponse sur la situation optimale trouvée est grande.
Plus d’informations sur le profil d’opportunité peuvent être trouvées ici : Le profil de désirabilité (jmp.com)
- L'utilisation et le nombre de répétitions sont déterminés par votre objectif, la puissance des effets, la précision attendue pour vos expériences/prédictions, ... Attention dans JMP il y a deux options : "nombre d'exécutions répliquées" (en Custom Design), c'est-à-dire ici le nombre de run(s) à répéter , et « nombre de répétitions » (dans la conception classique), ce qui signifie le nombre de fois pour effectuer chaque run (en plus des runs originaux) : Re : Conception personnalisée du nombre de répliques - Communauté d'utilisateurs JMP .
Il est difficile sans savoir tout cela (et sans expertise du domaine) de savoir quel peut être le choix le plus approprié à votre cas, mais je vous recommande d'essayer différentes options (pas d'exécutions de réplication, 2 exécutions de réplication, 4 exécutions de réplication, 8 exécutions de réplication ...) et utilisez la plateforme "Comparer les conceptions" (trouvée dans DoE -> Design Diagnostics) pour évaluer quel nombre d'exécutions serait optimal pour votre cas (le plus grand impact pour le plus petit nombre de répétitions). Vous trouverez ci-joint les différentes comparaisons effectuées avec vos paramètres DoE pour 0, 2, 4 et 8 répétitions pour les comparaisons de puissance, de variance et de corrélation, avec la table de données individuelle créée pour chaque DoE. Ici, pour 2 et 4 répétitions, JMP se retrouve avec le même nombre d'expériences par défaut (18) avec des propriétés similaires pour ces conceptions. Cependant, nous pouvons clairement voir un écart entre 0 et 2/4 répétitions en termes de puissance, de profil de prédiction de la variance (presque divisé par un facteur 2 dans le cas de 2 ou 4 répétitions par rapport à 0 répétition) et de matrice de corrélation/ carte de couleurs (création d'alias entre les termes du modèle), de sorte que la conception à 18 essais (soit 2 ou 4 essais répétés) peut être un bon compromis ici pour obtenir des résultats fiables et une précision sans trop augmenter les coûts expérimentaux (27 expériences pour un essai de 8 répétitions). exécute le design !).
Si vous souhaitez vraiment comparer avec un plan en double/triple... (pour avoir des réplications et pas seulement des réplications), vous pouvez créer le plan original proposé par JMP (avec 9 expériences, sans aucune réplication), puis l'augmenter (dans DoE -> Augment Design) en sélectionnant l'option "Répliquer". JMP vous demandera ensuite le nombre de fois pour effectuer chaque exécution, donc si vous entrez « 2 », vous vous retrouverez avec votre conception en double avec 18 exécutions. Notez que dans le cas présent, les deux options (réplications et exécutions répliquées) apportent des performances de conception très similaires pour le même nombre d'exécutions (testées ici avec 18 exécutions au total).
- Je ne sais pas précisément comment gérer cela. Si vous ne savez pas dans votre espace expérimental quelles conditions feront que votre expérience réussira/échouera, une option pourrait être de tester d'abord votre espace expérimental avec un "Scoping design" ( Conceptions de portée | Prisme (prismtc.co.uk) ) pour vérifier si vos conditions de facteurs sont possibles en laboratoire (puis augmentez cette conception en une conception de dépistage, et peut-être après l'augmenter en une optimisation avec des modèles de surface de réponse).
Si vous savez déjà quels facteurs feront échouer ou réussir votre expérience, vous pouvez peut-être inclure les paramètres et créer des analyses appropriées dans votre DoE, et inclure ou ajouter également ces analyses dans votre analyse, soit dans le cadre de la conception, soit en tant que points de validation (exclus pour l'analyse de la conception, mais ajoutés à la fin pour vérifier que les prédictions de la conception correspondent à vos connaissances).
J'espère que ces réponses vous aideront (désolé pour le long message),
PS : j'ai 9 exécutions dans ma conception originale sans exécutions répliquées, c'est parce que je n'ai pas ajouté les termes X1*X1 et X1*X2 dans le modèle, mais la présentation générale et la comparaison de la conception peuvent toujours être valables (vous je devrai peut-être vérifier pour le vérifier, si nécessaire, je peux essayer de modifier les conceptions et fournir des comparaisons et des captures d'écran valides aujourd'hui).
Re : Ajout d'une contrainte complexe à une conception personnalisée avec 4 facteursRe-bonjour @Victor_G ,
J'ai quelques questions complémentaires :
1- Si je veux maximiser ma réponse à la valeur la plus élevée possible, je dois quand même définir la « limite inférieure » pour la réponse, n'est-ce pas ? Mais cette « limite inférieure » a-t-elle beaucoup d’importance ? Est-ce important si je règle ce paramètre sur 10, 50 ou 100 ? (Je ne sais pas comment s'y prendre pour cette valeur de « limite inférieure »... car je me soucie vraiment d'obtenir la réponse maximale possible).
2- Ce DOE sur lequel je travaille concerne une réaction biologique. Habituellement, en science/biologie, nous effectuons des expériences répétées pour chaque condition (exécution) ; cela signifie que nous effectuons chaque exécution expérimentale en double (ou en triple). Je comprends que ce n'est pas pratique : si mon DOE se compose de 18 exécutions au total, cela n'a pas de sens pour moi de dupliquer les 18 exécutions, car cela ferait un total de 36 exécutions, ce qui irait à l'encontre du but de mon utilisation de DOE. ...
Comment puis-je alors décider du nombre d’exécutions de réplication ? Comment décider si j’ai besoin de seulement 2, 4 ou 10 répétitions ?
3- Dans le même ordre d'idées, en science/biologie, les chercheurs ajoutent généralement également des réactions de contrôle négatives et positives à leurs expériences. C’est une réaction que nous espérons échouer parce que nous savons à l’avance qu’elle échouera et une réaction que nous espérons réussir parce que nous savons à l’avance qu’elle fonctionne bien. Comment les utilisateurs du DOE procèdent-ils en général ?
Merci beaucoup @Victor_G Pour votre aide!!!
Meilleur,
Re : Ajout d'une contrainte complexe à une conception personnalisée avec 4 facteursMerci encore @Victor_G pour avoir toujours répondu aussi vite et avec des réponses aussi claires !! Très appréciée!
(Je pourrais essayer de faire un post supplémentaire pour celui-là ; juste par curiosité )
Re : Ajout d'une contrainte complexe à une conception personnalisée avec 4 facteursMerci beaucoup @Victor_G ! Je viens de l'essayer et j'ai réussi
Re : Ajout d'une contrainte complexe à une conception personnalisée avec 4 facteursBonjour @ADouyon ,
Pour les facteurs qui ne peuvent prendre aucune valeur décimale, vous avez deux options :
- La première et la plus simple peut être de changer les nombres sans valeurs décimales dans la table de données, en changeant le format en "Fixed Dec" et Dec = 0 (voir capture d'écran). Mais la conception peut perdre un peu de son optimalité, et les valeurs optimales de ces facteurs issues du modèle du profileur de prédiction peuvent comporter des décimales.
- L'autre façon consiste à traiter ces facteurs comme des "numériques discrets", avec des niveaux spécifiés (voir mes commentaires précédents pour plus d'informations sur le type de facteur numérique discret). Cette méthode me semble meilleure, car cette "contrainte" est directement prise en compte dans le modèle. Dans votre cas il n'est peut-être pas intéressant d'utiliser tous les niveaux possibles de votre équipement (avec un incrément de 1) dans les niveaux du facteur numérique discret, mais choisir au moins 3 niveaux (min, moyen et max) peut être intéressant dans afin d’examiner les effets quadratiques possibles. Dans le profileur de prédiction, il sera traité comme un facteur catégoriel, mais en gardant à l'esprit l'ordinalité des niveaux (comme 2 < 5 < 7 ... voir capture d'écran pour le facteur 4), afin que vous puissiez voir la tendance entre chaque niveau. les niveaux.
Il peut y avoir d'autres options pour le faire, alors n'hésitez pas à créer un nouveau message et à vérifier les entrées et réponses des autres utilisateurs.
À la fin, choisissez l’option avec laquelle vous êtes le plus à l’aise.
J'espère que cela vous aidera,
Re : Ajout d'une contrainte complexe à une conception personnalisée avec 4 facteursSalut @ADouyon ,
Il semble que vous ne puissiez enregistrer et charger des contraintes que si cela est effectué via l'option "Spécifier les contraintes linéaires".
Ce que vous pouvez faire dans votre cas, c'est
- pour générer votre DoE entièrement avec la contrainte que vous avez ajoutée, puis vous verrez qu'un nouveau script dans votre table de données appelé "Combinaisons interdites" (voir capture d'écran Disallowed_Combinations-datatable-script.jpg).
- Si vous faites un clic droit dessus, puis cliquez sur "Modifier", vous pouvez copier le code JSL des combinaisons non autorisées (voir Disallowed_Combinations-datatable-script-Edit.jpg) et...
- Utilisez-le (collez-le) dans la création du Custom Design, dans l'option "Utiliser le script de combinaisons interdites" (voir capture d'écran "Utiliser-disallowed-combinations-script.jpg).
Il existe peut-être un moyen plus intelligent et plus automatique de procéder (via des scripts JSL peut-être ?), mais cette approche fonctionne (et vous n'avez pas besoin de recréer manuellement vos combinaisons non autorisées).
J'espère que cela vous aidera !
Re : Ajout d'une contrainte complexe à une conception personnalisée avec 4 facteursAussi, @Victor_G savez-vous comment je peux spécifier dans le modèle que mes valeurs de facteurs ne peuvent pas avoir de nombres décimaux (c'est-à-dire 0,5) ? Deux de mes facteurs sont des variables que j'ai configurées dans un instrument. Mais l'instrument ne vous permet pas d'utiliser des unités décimales car il doit s'agir d'un nombre entier. L'instrument permet à l'utilisateur de modifier la valeur de ces facteurs par incréments de 1 unité (c'est-à-dire 21, 22, 23...).
Puis-je également ajouter cela dans mes contraintes ?
Merci d'avance @Victor_G !
Meilleur,
Re : Ajout d'une contrainte complexe à une conception personnalisée avec 4 facteursBonjour @Victor_G encore! J'ai une petite question; savez-vous pourquoi je ne peux pas sauvegarder les contraintes de mon modèle comme nous pouvons le faire avec les facteurs et les réponses ?
merci!
Meilleur,
Re : Ajout d'une contrainte complexe à une conception personnalisée avec 4 facteursMerci beaucoup pour vos aimables commentaires et retours @ADouyon !
Je suis heureux si mes réponses étaient utiles et suffisamment claires !
Re : Ajout d'une contrainte complexe à une conception personnalisée avec 4 facteursMerci encore Victor !
Re : Ajout d'une contrainte complexe à une conception personnalisée avec 4 facteursMerci incroyablement, @Victor_G ! Très apprécié! Vos commentaires sont extrêmement utiles et clairs, merci !
Re : Ajout d'une contrainte complexe à une conception personnalisée avec 4 facteursUn commentaire supplémentaire pour mentionner une excellente ressource sur la nature séquentielle des expériences, par Prism Training & Consultancy : Article : La nature séquentielle de la conception classique des expériences | Prisme (prismtc.co.uk)
Cet article explique très bien le processus derrière DoE, depuis la création et l'évaluation du champ expérimental des facteurs, jusqu'au dépistage puis à l'optimisation. Ceci fait partie d’une série d’articles qui pourraient vous intéresser.
Bonne lecture !
Re : Ajout d'une contrainte complexe à une conception personnalisée avec 4 facteursSalut @ADouyon !
Je suis heureux que les réponses aient été utiles. Je ne sais pas à quel point cette pratique est courante, mais personnellement, je préfère passer plus de temps à comparer différents plans et tailles d'échantillons plutôt que d'aller au labo et faire les expériences rapidement, pour enfin voir que j'ai peut-être oublié une contrainte, ou que ma conception n'est pas suffisamment adaptée à mes besoins.
--> Pour illustrer cela, j'aime beaucoup cette citation de Ronald Fisher : " Consulter le statisticien une fois une expérience terminée revient souvent à lui demander simplement de procéder à une autopsie. Il pourra peut-être dire pourquoi l’expérience est morte. »
Différentes conceptions peuvent conduire à différentes interprétations des résultats, selon les termes présents dans les différents modèles. Par exemple, les modèles de sélection avec effets principaux uniquement peuvent aider à filtrer les facteurs pertinents pour le suivi d'une étude, mais peuvent clairement manquer de précision et de prédictivité des réponses en présence d'interactions à 2 facteurs et/ou d'effets quadratiques (manque possible d'ajustement). ).
Vous disposez de plusieurs options pour générer différentes conceptions et les comparer :
- Modifiez (ajoutez/supprimez) les termes dans le modèle (interactions à 2 facteurs, effets quadratiques, ...) ou leur estimabilité (vous pouvez passer l'estimabilité de "Nécessaire" à "Si possible" pour les effets 2FI et quadratiques).
- Variez la taille des échantillons (nombre d'expériences) dans le plan en ajoutant des exécutions répétées : les exécutions supplémentaires sont-elles suffisamment pertinentes et utiles pour avoir un gain sur la précision des estimations ou la prédiction de la variance relative sur l'espace expérimental ?
- Changez le critère d'optimalité (en fonction de votre cible : D-optimalité pour le criblage, I-optimalité pour une bonne précision de prédiction de réponse, Alias-optimalité pour améliorer l'aliasing entre termes dans le modèle...)
- Changez le type de design (si possible !)...
Pour le moment, pour comparer différents DoE il faut les créer dans JMP puis aller dans « DoE », « Design Diagnostics », puis « Compare Designs ». Mais ... Alerte spoil ! : Dans JMP 17, il sera beaucoup plus simple de comparer plusieurs designs (voir captures d'écran), car une plateforme "Design Explorer" sera incluse dans la création du DoE, donc pas besoin de les créer manuellement un par un : vous pouvez en créer plusieurs conceptions en quelques secondes et filtrez-les en fonction de vos objectifs et critères de décision.
Et enfin, profitez des « conceptions itératives » et n’espérez pas ou n’essayez pas de résoudre toutes vos questions avec une (grande) conception. Il peut être plus puissant et efficace de commencer petit avec une conception de dépistage par exemple, puis d'utiliser l'augmentation pour rechercher plus de détails, comme les interactions et les éventuels effets non linéaires. Enfin, si votre objectif est d'optimiser quelque chose, vous pouvez à nouveau augmenter votre conception pour l'adapter à un modèle de surface de réponse complet. À chaque étape, vous rassemblez plus de connaissances sur votre système et vous vous assurez que la prochaine conception augmentée apportera encore plus de connaissances, sans perdre d'expériences/exécutions, de temps et de ressources.
La plateforme « Augment design » est vraiment un outil puissant (et souvent sous-estimé) pour collecter plus de données, mieux comprendre et construire des modèles plus précis sans perdre aucune information préalable.
J'espère que cette réponse vous aidera,
Re : Ajout d'une contrainte complexe à une conception personnalisée avec 4 facteursMerci beaucoup, @Victor_G !! Je l'apprécie beaucoup. Vos réponses sont super utiles !!
J'ai suivi quelques cours sur JMP DOE et lu que nous ne devrions pas investir plus de 25 % de nos efforts dans la première expérience. Pour nous, le temps est la ressource la plus limitée dont nous disposons. Je me demandais s'il est courant de générer plus d'un plan avec des tailles d'échantillon différentes à des fins de comparaison, comme vous l'avez mentionné ? Les designs ne devraient-ils pas donner le même résultat à la fin ? cela vous dérangerait-il de développer un peu plus ce point ?
Merci!!!
Meilleur,
Re : Ajout d'une contrainte complexe à une conception personnalisée avec 4 facteursSalut @ADouyon ,
Je suis heureux que cette première réponse vous ait aidé.
Concernant vos autres questions :
- Sur la deuxième capture d'écran, il semble que les deux contraintes soient bien précisées. J'ai aussi oublié de le faire moi-même dans ma première réponse, mais vous pouvez changer le format de votre facteur B dans le filtre contrainte en cliquant sur le triangle rouge, puis "Type de modélisation" = Catégorique/Ordinal : c'est plus simple de créer des contraintes et évitez d'utiliser des choses comme 0<= B < 1,99 lorsque nous voulons simplement que B soit fixé à 1 (voir les contraintes de capture d'écran2). En regardant votre matrice de conception et la mienne, les contraintes semblent avoir été respectées, donc cela devrait fonctionner correctement.
- Oui, vous devez le conserver, car JMP l'ajoute et spécifie son estimabilité comme "Si possible" par défaut afin de ne pas nécessiter plus d'exécutions, mais les exécutions seront mieux organisées dans l'espace expérimental, de sorte qu'au cas où vous en auriez assez degré de liberté dans votre modèle, JMP tentera d'estimer le terme quadratique de votre facteur numérique discret. Et par rapport à un facteur catégoriel, avoir un facteur numérique discret signifie que JMP sait qu'il existe une relation entre les niveaux (ils sont ordonnés), par rapport à un facteur catégoriel pur (aucune relation entre les niveaux, les niveaux sont nominaux). Il y avait une vidéo expliquant la différence entre discret numérique et catégorique : Cher Dr DOE, le numérique discret n'est-il pas simplement catégorique ? - Communauté d'utilisateurs JMP .
Si vous pouvez vous permettre plus d'exécutions, je suggérerais d'ajouter quelques exécutions répétées, pour augmenter la puissance de vos effets principaux (augmentant la capacité de détecter un effet principal significatif s'il est effectivement présent). Vous pouvez avoir une contrainte budgétaire expérimentale sévère, mais comparer plusieurs plans avec plusieurs tailles d'échantillon peut vous aider à choisir la situation la plus optimale pour vos besoins.
J'espère que ce suivi vous aidera également,
Re : Ajout d'une contrainte complexe à une conception personnalisée avec 4 facteursBonjour @Victor_G ,
Merci beaucoup pour votre réponse rapide! Cela a été très utile !
J'ai quelques questions complémentaires :
1- Lorsque le facteur B (le facteur numérique discret qui est le nombre de réactions biologiques) est égal ou supérieur à 2 (3), alors le facteur D ne peut pas être nul.Comment puis-je ajouter cette deuxième contrainte dans le modèle ?
Je l'ai essayé mais je ne suis pas sûr de l'avoir bien fait (captures d'écran ci-jointes).
2- Le modèle a ajouté automatiquement le terme quadratique B*B avec estimabilité = si possible. Pensez-vous que je devrais conserver ce terme ? (J'essaie de faire en sorte que ce premier dessin ne soit pas trop grand)
Merci!!
Re : Ajout d'une contrainte complexe à une conception personnalisée avec 4 facteursSalut @ADouyon ,
Bienvenue dans la Communauté !
En examinant votre problème et vos options, voici ce qui est recommandé :
- Tout d'abord, définissez votre facteur B comme un nombre discret, car le nombre de réactions est un nombre entier (vous ne pouvez pas avoir 1,7 réactions par exemple, seulement 1, 2 ou 3 dans votre étude de cas),
- Le facteur D doit avoir un niveau inférieur fixé à 0 si l'on souhaite avoir un temps d'attente de 0 lorsqu'il n'y a qu'une seule réaction.
- Étant donné que le facteur D (temps) est dans votre conception un facteur continu (vous pouvez avoir le temps de réaction de votre choix dans la plage spécifiée), je recommanderais d'ajouter le terme quadratique D*D dans le modèle, car pour les réactions (chimiques), le temps n’a pas souvent une relation linéaire avec le rendement/production.
- Selon que la réponse peut être mesurée "en ligne" sans aucune dégradation, peut-être serait-il judicieux d'enregistrer la réponse à plusieurs intervalles de temps, afin d'avoir une modélisation de la réponse en fonction du temps (avec les facteurs d'entrée) ?
- Last but not least, je ne connais pas votre sujet, mais choisir différents paramètres pour les facteurs peut également résoudre votre problème (changer le temps d'attente pour le temps de réaction par exemple).
En fonction de vos entrées, vous pouvez accéder à "Utiliser le filtre Combinaisons interdites" et sélectionner la plage que vous souhaitez exclure de votre conception (ici, 1 =< B < 2 AND D > 0, voir les contraintes de capture d'écran par exemple). JMP devrait alors vous proposer une conception répondant à cette contrainte spécifique (voir capture d'écran Matrix and Experimental Space).
Il existe peut-être des façons meilleures (et plus intelligentes) de le faire, ou une configuration de conceptions/facteurs plus appropriée pour réfléchir à ce sujet, mais cela devrait répondre à vos besoins et à vos questions.
J'espère que ça t'aidera,
