Concernant les expériences répétées dans le DoEBonjour à tous,
J'ai ce que j'espère être un problème simple pour le groupe.
J'ai récemment mis en place un DoE avec trois facteurs, chacun ayant des valeurs numériques discrètes à 3 niveaux.J'ai spécifié des interactions croisées avec des effets de 2e ordre avec les 18 exécutions à exécuter en 3 blocs.Je n'ai PAS spécifié de répétitions à concevoir, cependant, je remarque dans la matrice de conception que 4 des exécutions sont dupliquées.En d'autres termes : le plan à 18 passages comprend 14 combinaisons uniques et 4 qui sont des doublons.
Premièrement : est-ce atypique ?J'avais pensé que les 18 descentes devaient toutes être uniques.Y a-t-il une sorte d'alimentation que JMP essaie d'obtenir avec cela ?
-ou-
Deuxièmement : pourrait-il y avoir quelque chose qui me manque dans ma configuration initiale et nous ne sondons PAS vraiment l'espace de conception correctement ?
Malheureusement, les deux premiers blocs ont été lancés et incluent UNE des répétitions (c'est-à-dire que j'ai 11 passages uniques avec 1 répétition, jusqu'à présent).
Si je suppose que la conception est appropriée... il s'ensuit que nous pouvons continuer selon le plan et l'évaluation d'origine (correct ?).
Cependant, si les retours sont tels que ce N'EST PAS la meilleure approche : 1) que manquerions-nous si nous continuions avec la conception originale ?2) Est-il possible de reconfigurer le dernier bloc aléatoire pour substituer des conditions alternatives aux répétitions ?
Merci d'avance pour votre contribution à ce sujet !
Chris
Ingénierie de la qualité et des procédésRe : Concernant les expériences répétées dans le DoEBonjour Marc et Victor,
Merci à vous deux pour votre contribution... certainement utile et j'apprécie les deux.Je pourrai vous contacter une fois que nous aurons terminé le dernier bloc si j'ai des questions concernant l'évaluation.
Re : Concernant les expériences répétées dans le DoEAucun problème @Mark_Bailey , j'ai été confus en lisant votre réponse car j'ai peur d'avoir raté quelque chose.
J'ai eu le même problème de synchronisation avec la première réponse sur ce post, car je pensais donner la première réponse en écrivant, mais lorsque ma réponse a été postée, vous aviez déjà proposé une réponse.Re : Concernant les expériences répétées dans le DoEJe m'excuse pour la confusion. L'arrière-plan n'était pas entièrement transparent au départ, et les réponses se sont désynchronisées au fur et à mesure que de nouvelles informations émergeaient. Je ne suggérais pas un changement en cours de route. J'essayais d'expliquer comment Custom Design pouvait arriver à une solution inattendue. J'essayais de présenter une approche alternative depuis le début. C'est tout.
Re : Concernant les expériences répétées dans le DoESalut @Mark_Bailey ,
Étant donné que la question portait sur l'estimation des termes quadratiques et le passage de facteurs numériques discrets à un facteur numérique continu, je ne vois pas quel serait l'avantage de modifier la conception "à la volée" puisque ces changements peuvent être obtenus sans modifier les exécutions (et sans le risque de laisser tomber le bloc aléatoire dans l'augmentation) ? L'estimation des termes quadratiques était déjà possible dès le premier plan, donc je ne vois pas l'intérêt de changer les exécutions du dernier bloc aléatoire ?
Je sais que JMP est capable de se conformer aux changements lors des expérimentations avec la plateforme "Augment design", aucun doute "technique" à ce sujet (et ça peut être en effet un bon exemple pour "jouer" avec la plateforme "Augment design" et se familiariser avec it), mais ici je ne vois aucun avantage concret et significatif à ne pas exécuter le dernier bloc aléatoire d'expériences déjà prévu et à changer ces exécutions par de nouvelles calculées : la comparaison des deux approches montre deux conceptions très similaires, il semble donc mieux (ou du moins plus facile) de s'en tenir à l'option "simple" et pragmatique de suivre le design original ? Pouvez-vous s'il vous plaît expliquer si je manque le point?
Merci d'avance,
Re : Concernant les expériences répétées dans le DoETout d'abord, vous ne pouvez pas le casser. Vous utiliserez l'analyse de régression, qui fonctionnera toujours. La conception est une tentative de collecter les données optimales pour le modèle.
J'essaierais de récupérer de cette façon. Supprimez les exécutions qui n'ont pas encore été exécutées. Sélectionnez ensuite DOE > Augmenter la conception. Cette plate-forme créera le meilleur ensemble de courses à terminer, compte tenu des courses que vous avez déjà. Essayez-le.
Re : Concernant les expériences répétées dans le DoESalut @CBroomell1 ,
Si vous n'avez pas modifié l'estimabilité des effets quadratiques dans votre conception d'origine (définie par défaut sur "Si possible" par JMP), le fait de changer le type de facteur de numérique discret à numérique continu vous mènera à la deuxième approche que j'ai décrite : si vous disposer d'un degré de liberté suffisant, puisque vous aviez un niveau intermédiaire dans chacun de vos facteurs numériques (le niveau intermédiaire a été "forcé" dans la conception en raison du type de facteur numérique discret initial), JMP peut être en mesure d'estimer les termes quadratiques dans le modèle.
Puisque vous avez 14 exécutions uniques (et 4 exécutions répétées), vous devriez être en mesure d'estimer 14 termes (ordonnée à l'origine + 13 termes), de sorte que les termes quadratiques puissent être estimés dans votre conception.
Si vous rencontrez un problème avec la partie analyse/modélisation, n'hésitez pas à redemander à la communauté JMP.
J'espère que ça répond à ta question,
Re : Concernant les expériences répétées dans le DoEMerci Viktor !
Je ne changerai pas le DoE à la volée.
Concernant les paramètres : ils sont en fait continus mais avec un point central.Je n'étais pas clair sur la façon de configurer la matrice initiale et de définir trois valeurs discrètes pour chaque niveau.en réalité, cependant, nous avons la possibilité d'errer entre certaines limites (les facteurs sont liés à la concentration des réactifs et au temps).
Donc - une fois que nous aurons terminé avec notre bloc final (en utilisant la matrice configurée avec des valeurs discrètes) - pourrons-nous obtenir une courbure dans le modèle ou sommes-nous essentiellement bloqués avec les valeurs d'origine jusqu'à ce que nous explorions plus avant ?
Meilleur,
Chris
Re : Concernant les expériences répétées dans le DoESalut @CBroomell1 ,
Si vous pouvez fournir un contexte sur les facteurs, cela vous aiderait à vous conseiller sur le type qui conviendrait le mieux aux facteurs dans votre conception. Si vous avez des facteurs numériques mais que vous ne pouvez fixer aucune valeur entre certains intervalles (par exemple, la température d'un four industriel peut être considérée comme un facteur numérique discret, où vous pouvez basculer le niveau entre 180, 200 et 220°C mais pas entre ces valeurs comme la "taille de pas" est de 20 par exemple). Si vous n'avez aucune contrainte et que vous pouvez choisir n'importe quelle valeur numérique entre vos niveaux, vous pouvez avoir un facteur numérique continu.
Vous avez différentes manières, du test de courbure à l'estimation complète des termes quadratiques, de prendre en compte la recherche et l'estimation des termes quadratiques.
- L'option de base consiste à ajouter un ou plusieurs points centraux pour évaluer s'il y a une courbure dans votre ou vos réponses. Cette approche économique permet de faire un test d'inadéquation de l'ajustement pour la courbure, et si une inadéquation significative est détectée, vous pouvez ajuster un effet quadratique (et un seul) dans le modèle grâce au(x) point(s) central(s). Vous pouvez évaluer quel terme quadratique pourrait être le plus important à ajouter dans le modèle avec une analyse telle que la régression pas à pas.
- Dans le cas d'un facteur numérique discret, JMP saisit par défaut les termes quadratiques dans le modèle et définit leur estimabilité sur "Si possible", ce qui signifie que si vous disposez d'un degré de liberté suffisant dans votre modèle, les termes quadratiques seront estimés. Vous pouvez également le faire avec un facteur continu numérique, en les saisissant dans le modèle et en faisant passer leur estimabilité de "Nécessaire" à "Si possible" en cliquant sur le texte. Cette méthode offre un moyen flexible d'estimer les termes quadratiques pour les plans non saturés (avec un nombre d'exécutions supérieur au minimum requis).
- Vous pouvez également ajouter directement dans le modèle des termes quadratiques et définir leur estimabilité sur "Nécessaire". Ainsi, JMP configurera des expériences dans votre conception pour pouvoir estimer ces effets. S'ils ne sont pas significatifs, vous pouvez les laisser tomber dans votre modélisation (et s'ils n'ont pas non plus de sens du point de vue de l'expertise du domaine).
Concernant votre question, je ne modifierais pas "à la volée" le DoE, mais j'examinerais les augmentations possibles en fonction des conclusions de ce premier DoE.
En espérant que cette réponse vous aidera,
Re : Concernant les expériences répétées dans le DoESalut @CBroomell1 ,
Et bienvenue dans la communauté !
Nous manquons peut-être d'informations pour vous guider plus précisément dans votre approche DoE, mais la question concernant les exécutions répliquées peut trouver une réponse.Concernant votre conception, rien à craindre d'après ce que vous décrivez, c'est courant :
- Avec 3 facteurs numériques discrets à 3 niveaux, selon le modèle que vous supposez, voici le nombre maximum de termes que vous souhaitez estimer : 1 interception, 3 effets principaux (X1, X2, X3), 3 interactions à deux facteurs (X1X2 , X1X3, X2X3) et 3 effet quadratique (X1*X1, X2*X2, X3*X3) si vous voulez estimer la courbure pour ces facteurs (+ 1 effet principal si vous spécifiez un facteur de blocage fixe, +0 si vous êtes spécifiant un bloc aléatoire). Cela signifie donc que vous avez besoin d'au moins 10 (ou 11 en cas de facteur de blocage) exécutions pour estimer ces effets. Le problème en utilisant le nombre minimal d'exécutions est que vous n'avez plus aucun degré de liberté pour estimer l'erreur pure et effectuer une manque d'ajustement test, pour évaluer si le modèle correspond bien aux données. Ainsi, par défaut, JMP recommandera dans une telle situation plus d'exécutions, pour pouvoir tester le modèle et avoir plus de confiance dans les estimations (et être en mesure d'équilibrer les exécutions entre les blocs), et créera des exécutions répétées. Ajouter reproduire court ajoute de la précision pour certaines estimations et améliore la puissance du test d'inadéquation de l'ajustement.
- Ces répétitions doivent être effectuées et mesurées de manière indépendante (ce qui signifie que vous devez faire les expériences comme les autres, dans les mêmes conditions) en suivant la randomisation effectuée par JMP, et en ne mesurant pas une seule expérience plusieurs fois pour remplir la réponse pour la répétition court. Les répétitions (c'est-à-dire les répétitions des mesures uniquement) aident à réduire la variance des mesures, mais peuvent ne pas aider en ce qui concerne l'estimation des paramètres et le test d'inadéquation de l'ajustement.
Afin d'acquérir plus de confiance et de connaissances sur le DoE, je peux fortement recommander le Kit d'introduction à la conception d'expériences , et d'essayer le module sur le DoE du BÂTONS cours.
Si vous souhaitez décrire votre situation (sans partager de données confidentielles) et avoir un retour plus détaillé sur votre DoE, n'hésitez pas à partager une table de données anonymisée ou des données factices pour illustrer votre cas.
J'espère que ceci vous aidera,
Re : Concernant les expériences répétées dans le DoEMerci, Marc, pour votre contribution.
Peut-être que j'ai configuré le design de manière incorrecte.Je ne suis pas marié aux niveaux discrets pour mes facteurs... nous essayons de trouver des conditions optimales et pouvons accueillir des facteurs continus.Donc - oui - nous aimerions estimer la courbure, puis confirmer les résultats avec des exécutions supplémentaires si nécessaire.
Dans cet esprit : recommanderiez-vous de modifier le dernier bloc de 6 exécutions pour remplacer les exécutions répliquées par d'autres (je ne peux pas modifier les 2 premiers blocs et ils n'incluent qu'une seule répétition) ?Puis-je modifier la conception dans JMP à ce stade pour tenir compte de l'un des éléments ci-dessus ?
Merci pour les deux modèles - je vais y jeter un œil.
Salutations.
Chris
Re : Concernant les expériences répétées dans le DoECustom Design fournit de nombreuses fonctionnalités pour adapter le résultat à votre situation. Ils peuvent avoir des effets profonds sur la conception résultante. Vous pensez à des combinaisons (3x3x3x2), mais JMP ne le fait pas. Pourquoi pas? Parce que ce résultat combinatoire ("plan factoriel complet") pourrait ne pas être optimal. Vous avez ajouté des blocs aléatoires de taille 6, vous ne pouvez donc pas avoir d'équilibre dans la conception. Vous avez utilisé des facteurs numériques discrets pour forcer trois niveaux dans le plan pour chaque facteur. Ce choix limite la conception. Il doit ajouter des termes quadratiques au modèle pour conserver trois niveaux dans la conception, mais modifie leur estimabilité en « si possible ». Cela oblige à utiliser une méthode bayésienne D-optimale. Vous demandez donc à JMP d'optimiser une conception pour estimer un ensemble de modèles. À la suite de toutes ces spécifications, vous obtenez une certaine réplication car elle est plus optimale que la conception sans réplication.
Avez-vous l'intention d'estimer les termes de courbure ? Voulez-vous plutôt tester la courbure, puis augmenter la conception si elle est significative ?
J'ai créé deux modèles basés sur votre description, si je comprends bien. La seconde utilise des facteurs continus, mais sinon, c'est la même chose. J'ai joint les deux tableaux de données pour votre exploration.
