Robert Anderson Ingénieur principal des systèmes JMP
Les scientifiques et les ingénieurs doivent être en mesure de trouver le meilleur modèle possible pour leur processus ou produit et d'identifier correctement les facteurs qui sont véritablement importants et ceux qui ne le sont pas. Souvent, la plus grande préoccupation est qu'un facteur important ou vital sera oublié. Cependant, un problème plus insidieux et potentiellement pire est que les méthodes de modélisation statistique identifient fréquemment des facteurs qui sont statistiquement significatifs mais pas véritablement actifs. L'identification de ces effets non authentiques entraîne le gaspillage de ressources scientifiques et techniques précieuses dans des enquêtes plus approfondies sur ces faux effets. Cela peut prendre beaucoup de temps et de ressources avant que le modèle défectueux et les effets non authentiques soient reconnus. La méthodologie de validation des retenues dans JMP Pro offre un moyen efficace de supprimer ce problème de surajustement du modèle, même avec des ensembles de données relativement petits. À l'aide d'ensembles de données simulées, cet article démontrera la fréquence et la facilité avec lesquelles le problème de la détection d'effets non authentiques peut se produire et comment la validation des retenues peut supprimer efficacement ce problème. Cependant, la validation de retenue n'est pas une solution miracle et quelques exemples de cas où cela ne fonctionne pas bien seront également présentés.
