Comprendre l'onglet « Règles génératrices de changements » de la plateforme de filtrage factorielSalut tout le monde,
Je suis en train de mettre en place un plan de filtrage factoriel et je souhaite ajuster l'alias 2FI afin qu'il corresponde à mes interactions prévues.
Ce que j'aimerais, c'est que [Effectuer une dialyse]x[Centrifugation % du maximum] soit alias avec [Imidazol]x[Surface couverte]
Mon problème est que je n'arrive pas à comprendre la logique de l'onglet "Modifier la règle de génération" lors de la génération de la conception.
j'ai lu le rubrique d'aide mais je suis toujours perdu.
Comment puis-je interpréter ce tableau étrange. Tout ce que je fais semble aléatoire et la moitié du temps, je me retrouve avec un effet de bloc alias un effet principal.
bravo ben
Conception d'expériencesRe : Comprendre l'onglet « Règles génératrices de changements » de la plateforme de filtrage factorielNous discutons des avantages et des inconvénients des conceptions alternatives. Cela souffrirait si le dernier facteur était défini comme catégorique avec deux niveaux fixes. Néanmoins, il offre plus de possibilités d’estimation des effets, bien qu’avec une précision réduite, que le seul plan factoriel fractionnaire ordinaire de l’effet principal.
Re : Comprendre l'onglet « Règles génératrices de changements » de la plateforme de filtrage factorielJe suis d'accord avec votre solution de contournement @Mark_Bailey , mais je vois 2 problèmes/difficultés potentiels :
- Si vous spécifiez les cycles de concentration comme facteur catégoriel, vous perdez une partie de la propriété du DSD d'avoir des effets principaux totalement non crénelés (contrairement à ce que vous pouvez obtenir avec un plan de criblage A-optimal avec 16 analyses) :
Ainsi, l'estimation de vos paramètres pour les effets principaux est moins précise que ce que vous pourriez obtenir avec le type de facteur correct dans un plan personnalisé, pour 2 exécutions supplémentaires : vous pouvez être confronté à une légère augmentation de la longueur de l'IC, ainsi qu'à une erreur type légèrement plus élevée pour les estimations. . Et vous ne pourrez pas savoir ce qui se passe pendant 1 cycle, puisque les niveaux catégoriels pour ce facteur ne seraient que 0 et 2.
- Si vous utilisez le facteur comme continu, alors DSD fonctionne correctement et ne perdra peut-être aucune de ses propriétés intéressantes, mais si vous utilisez le Prediction Profiler ou toute autre plate-forme similaire, la modélisation ne sera pas précise à 100 %, car elle peut proposer un optimal pour n'importe quel facteur. valeur comprise entre 0 et 2, sans contraintes, ce qui n'est pas le cas expérimentalement. Vous pouvez toujours arrondir la valeur optimale trouvée, mais pourquoi faire tant de choses pour s'adapter à cette conception spéciale alors que vous disposez de bonnes approches alternatives ?
Je suis généralement favorable aux DSD, ce sont de très belles conceptions avec des propriétés intéressantes, mais je ne pense pas que les facteurs de "transformation" ou l'espace expérimental pour s'adapter à une conception soient une bonne idée (et tout à fait contraire à la philosophie JMP "Fit une conception à votre problème, n'adaptez pas votre problème à une conception").
Meilleur,
Re : Comprendre l'onglet « Règles génératrices de changements » de la plateforme de filtrage factorielVous pouvez également envisager d'ajouter des termes d'ordre supérieur et de modifier leur estimabilité par « si possible ». L'idée ici est que vous effectuez un dépistage et que vous souhaitez une conception économique. Vous pouvez ainsi réduire le nombre minimum d'exécutions. Le nombre minimum est égal au nombre de termes dont l'estimabilité est « nécessaire ». Vous souhaitez rajouter 3 à 4 exécutions pour chaque terme « si possible » qui, selon vous, pourrait être actif. Par exemple, si je m'attendais à ce que trois termes d'interaction soient actifs mais que je ne savais pas lesquels, j'ajouterais trois fois 3 à 4 ou 9 à 12 exécutions au-dessus du minimum.
En outre, vous pouvez augmenter la conception d'origine une fois votre analyse terminée si elle indique que certains effets ont été manqués la première fois.
Re : Comprendre l'onglet « Règles génératrices de changements » de la plateforme de filtrage factorielLe facteur numérique discret utilise seulement deux niveaux et peut donc être défini comme un facteur continu ou catégoriel. Ce changement permettrait à un modèle de sélection définitif d'être candidat.
DOE(
Definitive Screening Design,
{Add Response( Maximize, "Y", ., ., . ), Add Factor( Blocking, 0, "Block" ),
Add Factor( Continuous, 0, 100, "Imidazol conc.", 0 ),
Add Factor( Categorical, {"Yes", "No"}, "Perform dialysis in cartridge", 0 ),
Add Factor( Categorical, {"Homemade", "Readymixed"}, "Dialysis buffer", 0 ),
Add Factor( Continuous, 0, 100, "Covered surface in fridge", 0 ),
Add Factor( Continuous, 0, 100, "Centrifugation", 0 ),
Add Factor( Categorical, {"0", "2"}, "Concentration cycles", 0 ),
Show Blocking Options( 1, 4 ), Number of Extra Runs( 4 ),
Set Random Seed( 2118942861 ), Make Design, Simulate Responses( 0 ),
Save X Matrix( 0 )}
);Re : Comprendre l'onglet « Règles génératrices de changements » de la plateforme de filtrage factorielHa, et je pensais que c'était juste moi (même si je ne me considère pas comme un expert !). Semblable à Victor, je dois "jouer" avec la configuration et continuer à vérifier l'alias pour obtenir ce que je veux.
Curieux, pourquoi voulez-vous 4 blocs ? Les effets de blocs cubiques ne vous intéressent certainement pas. Qu'est-ce que ton le but du blocage ?
Re : Comprendre l'onglet « Règles génératrices de changements » de la plateforme de filtrage factorielSalut @BenGengenbach ,
J'ai dû modifier l'onglet "génération de règles" afin d'avoir les alias que vous avez spécifiés. Cela me prend un certain temps pour visualiser la logique derrière, et je ne suis (encore) pas capable d'expliquer cette logique à 100%, mais en règle générale il faut vérifier ensemble les combinaisons que l'on veut aliaser, et éviter d'avoir les mêmes motif dans différentes colonnes (pour éviter d'aliaser les effets principaux avec le bloc, ou les effets principaux avec les interactions). Chaque fois que vous modifiez une vérification, vous pouvez "appliquer" et visualiser dans le panneau "Aliasing of Effects" si les alias sont corrects en fonction de ce dont vous avez besoin ou non.
Correct, un plan optimal tentera de « diluer » les alias d'une manière plus uniforme que les plans factoriels fractionnaires traditionnels, où les alias sont simplement présents ou absents (« alias binaires »).
Traditionnellement, le critère d'optimalité pour les plans de criblage est la D-optimalité, car elle permet d'avoir une bonne précision sur l'estimation des coefficients : Critères d'optimalité (jmp.com)
- D- optimalité se concentre sur des estimations précises des effets.
- A-optimalité conduit à minimiser la variance moyenne des estimations des paramètres du modèle.
- I-optimalité minimise la variance de prédiction moyenne sur la région de conception, ce qui la rend mieux adaptée aux modèles de surface de réponse/conceptions prédictives.
Je recommande fortement de regarder la présentation de Bradley Jones sur les conceptions de criblage modernes, où il met l'accent sur les avantages de la conception de criblage A-optimale par rapport à la conception de criblage D-optimale : Conceptions de criblage du 21e siècle (2020-US-45MP-538) - Communauté d'utilisateurs JMP
Vous pouvez par exemple mettre un accent différent sur les principaux effets que vous souhaitez filtrer en spécifiant différents poids, ce qui rend les conceptions de filtrage optimales A très flexibles. Comme je n'ai pas modifié les poids du plan A-optimal, le plan est en effet très proche d'un plan D-optimal, à l'exception des corrélations/alias créés dans les plans :
Et corrélations moyennes entre les conceptions :
Désolé de ne pas pouvoir clarifier beaucoup les "Règles de génération", j'espère que cette réponse vous aidera quand même un peu plus,
Re : Comprendre l'onglet « Règles génératrices de changements » de la plateforme de filtrage factorielSalut Victor,
wow c'est super, merci beaucoup !
Concernant la mise en place du design : Avez-vous renseigné le générateur de design déduit de mon alias souhaité ou l'avez-vous modifié par la suite via l'onglet "règles de génération" ?
Dans ce dernier cas, ce serait bien si vous pouviez expliquer comment l'interpréter, car même @Mark_Bailey a noté que ce tableau est assez difficile à comprendre.
Néanmoins, je pense que j'opterai pour la conception optimale suggérée par vous deux.
La raison derrière cela est simplement que l'alias est moins sévère et plus uniformément réparti entre plusieurs 2FI, n'est-ce pas ?
La gauche est la factorielle, la droite est la A-optimale :
Et avez-vous choisi l'optimalité A par défaut parce que j'ai dit dépistage ?
Il est intéressant de noter que lors de la génération de conceptions optimales avec les mêmes facteurs, alias et graines, mais des critères d'optimalité différents, FDS est absolument identique.
Doit on s'y attendre?
salutations ben
Re : Comprendre l'onglet « Règles génératrices de changements » de la plateforme de filtrage factorielSalut Mark,
" Il est difficile d’évaluer l’effet d’un changement de règles. » C'est génial 
Blagues à part, nous voulons faire un dépistage rapide et oui, nous sommes limités dans le nombre de passages. Les effets principaux sont sympas mais il y a certaines interactions que j'aimerais bien quantifier et nous n'avons pas le luxe d'aller vers un plan de résolution V.
La solution de contournement à mon problème pourrait consister à vérifier l'alias dans le modèle actuel, puis à simplement échanger l'ordre des facteurs lors de la génération de la conception.
Au moins, cela fonctionnait avec le logiciel DesignExpert, mais je pensais que les règles de génération dans JMP seraient un peu plus accessibles.
Re : Comprendre l'onglet « Règles génératrices de changements » de la plateforme de filtrage factorielSalut @BenGengenbach ,
J'ai essayé de générer une conception de filtrage avec l'alias que vous avez spécifié.
Si on "code" vos facteurs (sauf bloc) avec X1, X2, ..., cela signifie que vous disposez de ce générateur pour le plan factoriel fractionnaire : I = 1245.
Cependant, la présence du bloc est assez difficile à prendre en compte, car il faut veiller à ce qu'il ne soit pas confondu avec les effets principaux ou d'autres effets, ce qui est une tâche assez délicate puisque les alias sont ici fixés.
En essayant de configurer ce générateur dans les règles de génération, voici la configuration que j'ai :
Voici donc un exemple de design avec l'alias que vous avez défini (tableau ci-joint) :
DOE(
Screening Design,
{Add Response( Maximize, "Y", ., ., . ), Add Factor,
Add Factor( Continuous, 0, 100, "Imidazol conc.", 0 ),
Add Factor( Categorical, {"Yes", "No"}, "Perform dialysis in cartridge", 0 ),
Add Factor( Categorical, {"Homemade", "Readymixed"}, "Dialysis buffer", 0 ),
Add Factor( Continuous, 0, 100, "Covered surface in fridge", 0 ),
Add Factor( Continuous, 0, 100, "Centrifugation", 0 ),
Add Factor( Discrete Numeric, {0, 2}, "Concentration cycles", 0 ),
Set Random Seed( 1921021643 ), Make Design( 6 ),
Set Generators( [1 1 0 1, 1 1 0 1, 0 1 1 0, 1 0 1 0, 1 1 2 2, 0 0 0 0] ),
Simulate Responses( 0 ), Save X Matrix( 0 )}
)
Mais comme le suggère @Mark_Bailey , je recommanderais également une conception personnalisée, puisque vous avez différents types de facteurs (les facteurs catégoriques à 2 niveaux et les facteurs continus sont acceptés pour DSD, mais pas le facteur numérique discret), il sera très facile d'introduire un facteur de blocage si vous n'ayez aucune contrainte concernant le nombre d'exécutions par jour ou toute autre variable bloquante, et vous pouvez éviter d'avoir des effets complètement alias dans votre conception.
Un exemple de conception de dépistage personnalisée possible avec vos facteurs pourrait être :
DOE(
Custom Design,
{Add Response( Maximize, "Y", ., ., . ),
Add Factor( Continuous, 0, 100, "Imidazol conc.", 0 ),
Add Factor( Categorical, {"Yes", "No"}, "Perform dialysis in cartridge", 0 ),
Add Factor( Categorical, {"Homemade", "Readymixed"}, "Dialysis buffer", 0 ),
Add Factor( Continuous, 0, 100, "Covered surface in fridge", 0 ),
Add Factor( Continuous, 0, 100, "Centrifugation", 0 ),
Add Factor( Discrete Numeric, {0, 2}, "Concentration cycles", 0 ),
Add Factor( Blocking, 4, "Block" ), Set Random Seed( 2118942861 ),
Number of Starts( 1 ), Add Term( {1, 0} ), Add Term( {1, 1} ),
Add Term( {2, 1} ), Add Term( {3, 1} ), Add Term( {4, 1} ), Add Term( {5, 1} ),
Add Term( {6, 1} ), Add Term( {7, 1} ), Add Alias Term( {1, 1}, {2, 1} ),
Add Alias Term( {1, 1}, {3, 1} ), Add Alias Term( {1, 1}, {4, 1} ),
Add Alias Term( {1, 1}, {5, 1} ), Add Alias Term( {1, 1}, {6, 1} ),
Add Alias Term( {2, 1}, {3, 1} ), Add Alias Term( {2, 1}, {4, 1} ),
Add Alias Term( {2, 1}, {5, 1} ), Add Alias Term( {2, 1}, {6, 1} ),
Add Alias Term( {3, 1}, {4, 1} ), Add Alias Term( {3, 1}, {5, 1} ),
Add Alias Term( {3, 1}, {6, 1} ), Add Alias Term( {4, 1}, {5, 1} ),
Add Alias Term( {4, 1}, {6, 1} ), Add Alias Term( {5, 1}, {6, 1} ),
Set Sample Size( 16 ), Optimality Criterion( "Make A-Optimal Design" ),
"A-Optimality Parameter Weights"n( [1 1 1 1 1 1 1 1 1 1] ),
Simulate Responses( 0 ), Save X Matrix( 0 ), Make Design}
)
J'espère que cette réponse vous aidera,
Re : Comprendre l'onglet « Règles génératrices de changements » de la plateforme de filtrage factorielTravailler avec les règles de génération est difficile pour la plupart des gens, même pour les experts. Il est difficile d’évaluer l’effet d’un changement de règles.
Avez-vous envisagé d'utiliser un plan personnalisé ou un plan de dépistage définitif au lieu d'un plan factoriel fractionnaire ? Quelle est la raison pour laquelle vous utilisez un FF ? Avez-vous des contraintes comme le nombre de courses ? Avez-vous un modèle en tête ?
