Problème avec l'analyse RSMChers collaborateurs et utilisateurs de JMP !
Je suis étudiant de premier cycle et je suis en train de faire une recherche. J'ai quelques problèmes avec l'analyse des résultats. J'ai utilisé RSM (conception classique) pour optimiser ma réponse avec une matrice comprenant 3 variables indépendantes. Pour augmenter le niveau de confiance, j'ai ajouté 1 répétition dans ma conception, la matrice comprenait donc 40 exécutions. Ensuite, j'ai commencé à analyser les résultats de la conception de la matrice expérimentale, ma valeur R2 est de 96 % et ma valeur P <0,001 mais le manque de valeur d'ajustement de P est significatif. D'une autre manière, je n'ai pas montré de réplication dans ma conception, mais chaque exécution était toujours répliquée 1 fois et la valeur moyenne était calculée. Ensuite, mes valeurs R2 et P ne sont pas modifiées et le manque de valeur d'ajustement de P n'est pas significatif. Par conséquent, je veux savoir quelle est la bonne façon d’analyser les résultats ?
J'attends avec impatience vos réponses.
Meilleure considération!
Exploration et visualisation des donnéesConception d'expériencesPartager et communiquer les résultatsRe : Problème avec l'analyse RSMCe fut un plaisir d'aider. Je serais intéressé de voir votre thèse, si vous pouvez la partager. Ce sont des données vraiment intéressantes, j'espère donc que vous les publierez et que vous les rendrez accessibles au public.
Re : Problème avec l'analyse RSMCher M. Phil_Kay !
Ce résultat a été utilisé dans ma thèse de premier cycle. Merci beaucoup d'avoir consacré votre temps précieux à résoudre mon problème, je l'apprécie vraiment !
Meilleure considération!
Re : Problème avec l'analyse RSMBonjour à nouveau, @HoaLe99 !
C'est un exemple vraiment intéressant ! Je viens de passer les 2 dernières heures à explorer cela alors que je devrais vraiment faire autre chose. Mais c'était tellement drôle. Merci pour le partage!
Tout d'abord, à propos du seuil : je ne vous recommandais pas de modifier le seuil de valeur p dans l'analyse. Je pense que c'est possible, mais cela ne changerait rien. Vous obtiendrez toujours exactement la même analyse et les mêmes valeurs p. Je disais simplement que nous déclarons « significatif » lorsqu'une valeur p est inférieure au seuil de 0,05. Et ce seuil n’est qu’une convention ou une « règle empirique ». Nous pourrions facilement utiliser un seuil différent, ce qui modifierait ce que nous qualifions de « significatif ».
Quoi qu’il en soit, cela n’est en grande partie pas pertinent dans ce cas car la valeur p pour le manque d’ajustement est bien inférieure à 0,05. Il semble vraiment que vous ayez un manque d'ajustement assez grave, comme vous pouvez le constater sur certains graphiques :
Remarquez comment les points ne sont pas simplement répartis de manière aléatoire autour de la ligne entre le réel et le prévu. Il existe des regroupements au-dessus et au-dessous de la ligne en différents points.
Cela suggère que le modèle est inadéquat d’une certaine manière et qu’il pourrait donc nécessiter des termes d’ordre plus élevé. Vous n'avez considéré que les termes du premier et du deuxième ordre (le modèle RSM). J'ai envisagé d'ajouter des termes de troisième ordre.
C'est compliqué car il y a plus de termes de troisième ordre que vous ne pouvez en contenir. En fait, j'ai utilisé certains outils de JMP Pro pour m'aider, notamment Best Subset et SVEM Lasso dans Gen Reg dans JMP Pro 17. Cependant, vous pouvez utiliser Stepwise dans JMP standard. J'ai verrouillé tous les termes de deuxième ordre, puis j'ai avancé par étapes pour voir quels termes de troisième ordre étaient les plus importants. (Il existe un script pour Stepwise dans la version ci-jointe du tableau)
Il m'a également semblé que votre réponse ne devait pas être inférieure à zéro, ni éventuellement supérieure à 1, j'ai donc ajouté une transformation Logit à la réponse pour le "meilleur" modèle (script dans le tableau ci-joint). Sans cette transformation, vous pouvez obtenir des prédictions de réponse inférieures à 0, ce qui, je suppose, n'est pas possible ici.
J'ai trouvé que le meilleur modèle était le RSM avec le terme cubique pour X2 (X2*X2*X2) et l'interaction du X3 avec le quadratique de X1 (X1*X1*X3). C'est un effet compliqué. Cela signifie que la nature curviligne de X1 est affectée par X3. La courbe de X1 est d’autant plus prononcée que X3 est plus élevé. Peut-être que cela a du sens scientifiquement ? Il est inhabituel de les intégrer dans des modèles d’expériences, mais j’ai le sentiment qu’il s’agit probablement d’effets très importants dans de nombreux cas.
Le modèle présente toujours un manque d’ajustement important, mais il est bien moindre (p = 0,009 contre 0,0004). Et les résidus me semblent tous meilleurs. Pour améliorer davantage le modèle, vous devrez probablement l'augmenter avec davantage d'exécutions pour tester les termes du 3ème ordre. Je ne suis pas sûr que cela en vaille la peine, mais cela dépend de la raison pour laquelle vous avez besoin du modèle.
C'est un exemple vraiment intéressant, alors faites-moi savoir s'il sera un jour publié ou s'il serait acceptable de l'utiliser sous une forme anonyme.
J'espère que cela vous a été utile. Je soupçonne que le modèle que vous aviez déjà aurait été utile pour atteindre vos objectifs. Le modèle amélioré semble meilleur d’un point de vue statistique, mais la différence n’est peut-être pas si importante en pratique.
Phil
Re : Problème avec l'analyse RSMCher M. Phil_Kay !
J'ai compris ce que vous avez dit mais je ne sais pas comment configurer un autre seuil de valeur p dans JMP. Pouvez-vous me montrer comment le configurer ? Et j'ai joint un fichier et une photo de mon modèle ci-dessous. Pouvez-vous m'aider à le vérifier.
Merci beaucoup
Re : Problème avec l'analyse RSMJe suis tellement reconnaissant pour votre aide!
Re : Problème avec l'analyse RSMMerci beaucoup pour votre aide, je l'apprécie vraiment !
Re : Problème avec l'analyse RSMVoici ce que je fais lorsque je constate un manque d’ajustement dans un DOE.
1. Enregistrez mes résidus dans la table de données.L'intrigue ensuite contre chacun des facteurs que nous avons dans la conception.Recherchez des modèles qui pourraient indiquer la cause du manque d’ajustement.
2. L'ANOVA de manque d'ajustement décompose la variation d'erreur en une composante de manque d'ajustement et une erreur pure.Je vois souvent des gens sous-estimer la composante d'erreur pure - cela se produit soit parce qu'il y a peu de DoF contribuant à l'estimation, soit parce que la procédure expérimentale n'a pas pleinement capturé la variabilité que nous recherchons dans la réplication.Recherchez les lignes de votre tableau de données qui correspondent à ces répétitions et changez-les de couleur.Regardez maintenant les graphiques de l'étape (1).Il est très probable que la variation dans les graphiques soit beaucoup plus petite que ce que vous voyez dans les points répliqués - pourquoi ?Soit le manque d'ajustement est trop grand (c'est-à-dire que vous devez améliorer le modèle), soit l'erreur pure est trop petite (votre procédure expérimentale a sous-estimé la variation).
3. Tracez vos résidus par rapport aux valeurs prédites.L'« enveloppe » qui contient les résidus doit être uniforme sur toute la plage des valeurs prédites.Si, par exemple, elle diverge à mesure que les valeurs prédites augmentent, cela pourrait suggérer que le modèle s'améliorerait avec une transformation logarithmique.Vous pouvez utiliser l'option de transformation Box-Cox pour étudier les transformations.
Re : Problème avec l'analyse RSMDésolé, vous pouvez également envisager une transformation de la réponse. Surtout si vous avez des raisons de croire qu’une distribution normale n’est pas appropriée. Par exemple, si la réponse est% rendement par exemple.
Re : Problème avec l'analyse RSMSalut @HoaLe99 ,
Juste pour clarifier, en disant que vous avez ajouté 1 répétition, voulez-vous dire que vous aviez un plan avec 20 analyses (probablement le composite central avec 6 points centraux) et que vous avez dupliqué toutes les analyses pour 40 analyses au total ? Et puis-je vérifier qu'il s'agit de véritables répliques. Autrement dit, les 40 analyses ont été réalisées indépendamment plutôt que de simplement reproduire la mesure de la réponse.
En supposant que tout cela soit vrai, la première analyse que vous avez effectuée avec 40 exécutions est appropriée. Cette analyse reflète correctement le bruit de l'expérience et on peut donc s'attendre à ce qu'elle donne lieu à la détection d'un manque d'ajustement important.
Un manque d’ajustement important n’est pas nécessairement un problème. Cela indique que le modèle n’est peut-être pas tout à fait adéquat.
Vous devriez considérer l’ampleur du manque d’ajustement. Parce que vous avez tellement de répétitions (je pense que vous avez également de nombreux points centraux répétés), le test sera sensible à la détection d'un très petit manque d'ajustement comme significatif.
N'oubliez pas non plus que la signification repose sur un choix assez arbitraire du seuil de valeur p (généralement 0,05). Vous pourriez raisonnablement choisir un autre seuil (disons 0,01) et le manque d'ajustement ne serait plus « significatif ».
Vous devez considérer d'autres parties du rapport, y compris les tracés des résidus, pour déterminer s'il y a réellement un problème avec le modèle. Comment le modèle vous aide-t-il à atteindre vos objectifs globaux ? Le R^2 élevé indique que le modèle capture presque toute la variation des données de réponse, ce qui est positif.
J'espère que ça aide,
Phil
