Re : Manque d'ajustement dans la conception composite centrée sur la faceSalut @dNADA ,
Bienvenue dans la Communauté !
Avez-vous d'abord vérifié les explications données dans l'aide de JMP sur le test d'inadéquation de l'ajustement ? : Manque d'ajustement (jmp.com)
Voici mes réponses à vos questions, sur la base des informations limitées disponibles :
- Je ne suis pas tout à fait sûr de suivre les différentes étapes des conceptions : vous avez d'abord créé une conception factorielle fractionnaire, et à partir de cette conception, l'augmenter en un CCD pour les trois facteurs significatifs détectés, est-ce correct (ou créé un nouveau CCD sans augmenter ) ?
Je ne comprends pas comment les points centraux peuvent "provoquer un biais" dans la modélisation ? Vos points centraux étant des répliques, avez-vous vérifié la variabilité de la réponse mesurée sur ces points ? La variabilité est-elle suffisamment faible par rapport à votre domaine d'expertise et à toute étude de répétabilité/reproductibilité ?
Si vous avez effectué une augmentation de conception, au cours de l'augmentation, avez-vous regroupé de nouvelles exécutions dans un bloc séparé pour tenir compte du changement de mesure entre les deux étapes ?
Le test d'absence d'ajustement est une indication que le modèle que vous avez spécifié peut avoir trop de termes, ou pas assez par rapport aux données dont vous disposez : il compare l'erreur pure estimée à partir de vos répétitions (points centraux) au reste du erreur (erreur totale - erreur pure).
- Non, vous ne devez retirer aucun point si vous n'avez pas justifié que vous "pouvez" le faire, sur la base de propriétés statistiques (valeurs aberrantes, ...) ET expertise du domaine (valeurs erronées, faute de frappe dans l'enregistrement des mesures, bug/problème dans le système de mesure, ...).
Dans votre exemple, vous pouvez toujours comparer les résultats de deux modèles, l'un normal avec tous les points, et l'autre en "cachant et en excluant" les points centraux, et voir si les résultats sont très différents ou non. Mais vous pouvez vérifier avant certaines autres options, comme la variabilité de mesure de vos réponses par rapport à la variabilité de votre modèle (RMSE), la signification des termes dans le modèle, ...
- Il peut être difficile de vous aider avec seulement les deux captures d'écran que vous avez fournies, car je ne sais pas exactement comment vous construisez votre DoE et comment vous avez fait la modélisation. Mais vous pouvez voir quels termes sont saisis dans le modèle dans les panneaux "Récapitulatif des effets", "Estimations des paramètres" ou "Tests des effets" (disponibles dans le triangle rouge à côté de chaque réponse, puis dans "Rapports de régression" ou directement dans le menu triangle rouge pour "Résumé des effets"). Si vous avez fait une conception RSM comme CCD, vous devriez être en mesure de créer un modèle avec tous les effets principaux, les interactions à 2 facteurs et les effets quadratiques.
Avez-vous déjà ce type de termes dans votre modèle ? Lesquels sont significatifs ? Il serait utile d'avoir la table JMP pour voir si le modèle pourrait être affiné avant de penser à des termes d'ordre supérieur ou à quelque chose de différent.
D'après vos tracés résiduels (et réels par rapport aux prévisions), il semble qu'il y ait une certaine courbure qui peut ne pas être correctement gérée par votre modèle actuel, vous pouvez donc vérifier si vous avez des interactions et des effets quadratiques dans le modèle. Si vous les avez déjà, des termes d'ordre supérieur peuvent être nécessaires.
Vous ne pourrez pas prendre en compte correctement les effets supérieurs aux effets quadratiques dans votre modèle si vous avez une conception CCD, car vous avez 3 niveaux par facteur (min, moyen et max), vous ne pouvez donc ajuster que les effets quadratiques max. Vous auriez besoin de 4 niveaux par facteurs pour s'adapter aux termes du 3e ordre, 5 niveaux pour s'adapter aux termes du 4e ordre, etc., il faudrait donc une augmentation de la conception si vous avez besoin de ces termes dans la modélisation.
- Vous pouvez avoir plus d'informations sur les différentes méthodes d'estimation de GenReg ici : Options de méthode d'estimation (jmp.com)
- Si vous ne pouvez pas créer un "bon" modèle basé sur votre conception et vos données (et peut-être avez-vous en effet besoin de termes d'ordre supérieur), à partir de votre tableau DoE, vous pouvez cliquer sur "DoE", "Augment Design" et spécifier vos facteurs et réponses : Augmenter les conceptions (jmp.com)
À partir de là, vous pouvez "Augmenter" votre conception (et regrouper les nouvelles exécutions dans un nouveau bloc) et spécifier les autres termes que vous souhaitez avoir dans votre modèle dans le panneau "Modèle".
J'espère que cette première réponse vous sera instructive,
Re : Manque d'ajustement dans la conception composite centrée sur la faceSalut,
Tous les conseils de @Victor_G est sonore. Je pense aussi qu'il est difficile de donner une réponse complète sans en savoir plus sur ce que vous avez fait. Les captures d'écran sont bonnes, mais joindre des données illustratives sous forme de tableau .jmp est beaucoup plus utile.
Je pense que je sais ce que vous voulez dire en demandant si les points centraux biaisent la statistique d'inadéquation de l'ajustement. Les 18 PC auront une forte influence sur le calcul de l'erreur pure, qui est utilisée dans le test d'inadéquation de l'ajustement. Si la variance d'erreur au centre de la conception n'est pas représentative de la variance d'erreur dans l'ensemble de la conception (vous pourriez être en mesure de penser aux raisons pour lesquelles ce serait le cas), alors les points centraux biaiseront le manque d'ajustement tester, au moins dans une certaine mesure. C'est l'une des raisons pour lesquelles certaines personnes préfèrent ne pas utiliser les points centraux. Cependant, il est également tout à fait possible que les répétitions du point central soient représentatives de l'erreur sur l'ensemble de l'espace factoriel.
Les triplicats sont-ils vraiment indépendants ? Autrement dit, avez-vous complètement réinitialisé les facteurs entre le premier et le deuxième de chaque triple exemplaire, et entre le deuxième et le troisième de chaque triple exemplaire ? Ou est-ce que chaque triple exemplaire est juste 3 mesures répétées du même échantillon de préparation ? S'il ne s'agit pas d'exécutions véritablement indépendantes, cela affecterait également la validité du modèle et le test d'absence d'ajustement, à moins que vous n'ajoutiez un terme à effet aléatoire pour la "préparation".
Vous devez également tenir compte du fait que votre test d'absence d'ajustement pourrait être tout à fait valide et de ce que cela signifie. Le manque d'ajustement ne vous dit pas si votre modèle est faux ou juste ("tous les modèles sont faux"). S'il vous plaît, n'utilisez pas simplement l'importance du manque d'ajustement comme un exercice de case à cocher. Considérez ce que cela signifie vraiment. Considérez la taille des termes d'erreur et demandez-vous si cela correspond à votre expérience du système. Si le manque d'ajustement est "significatif", est-ce vraiment important - ce n'est peut-être pas le cas.
Si vous pensez que le manque d'ajustement est valable et important, vous voudrez peut-être envisager d'ajouter des termes d'ordre supérieur à votre modèle. Je ne vois pas votre conception, donc je ne sais pas quels modèles il sera possible d'estimer. Mais vous voudrez peut-être tester des termes cubiques (X1*X1*X1) et/ou cubiques partiels (X1*X1*X2) dans votre modèle.
J'espère que ça aide.
Phil
Re : Manque d'ajustement dans la conception composite centrée sur la faceVictor et Phil ont fourni d'excellents conseils et d'excellentes questions. Essayez ceci, créez un sous-ensemble de la table de données uniquement pour les points centraux. Triez-les dans l'ordre d'exécution. Tracez-les, vous pouvez utiliser un graphique X, MR ou un générateur de graphiques. Existe-t-il des modèles ou des points de données inhabituels ? La variation observée dans les points centraux est-elle représentative de la variation "typique" du processus ? Vous aurez probablement besoin de l'aide d'une PME pour analyser les données.
Re : Manque d'ajustement dans la conception composite centrée sur la faceEn plus de l'autre grand formulaire de commentaires @Victor_G , @statman , et @Phil_Kay , le tracé résiduel des goujons semble, peut-être, comme s'il y avait du noircissement qui n'est pas pris en compte ; pour les 30 premières exécutions environ, les résidus sont asymétriques vers le bas, les 20 suivants environ sont asymétriques vers le haut. Toutes les courses ont-elles été effectuées en une journée ? Sur plusieurs jours ? Différents analystes etc?
Re : Manque d'ajustement dans la conception composite centrée sur la faceLes deux images montrent des parcelles qui présentent des modèles de manque d'ajustement. Remarquez à quel point les répétitions sont proches des écarts par rapport à la ligne d'identité dans le tracé Réel par Prévision ou les écarts par rapport à Y = 0 dans le tracé résiduel ? Comment la réplication a-t-elle été effectuée ? Les séries étaient-elles entièrement randomisées ? (Chaque exécution a été sélectionnée dans un ordre aléatoire et tous les facteurs ont été réinitialisés avant l'exécution suivante ?)
Manque d'ajustement dans la conception composite centrée sur le visageSalutations.
Je suis un doctorant sans formation d'ingénieur et j'utilise JMP 17 Pro depuis un mois. C'est la première fois que j'utilise le logiciel JMP et j'ai effectué une auto-apprentissage via le site Web de JMP, YouTube et Chemistry World pour pouvoir accéder à RSM, mais j'ai du mal à résoudre le problème de manque d'ajustement. J'ai commencé mon processus d'optimisation avec un plan factoriel fractionnaire (2 ^ 6-2) pour filtrer les facteurs importants à l'aide d'un filtrage à 2 niveaux. À partir de là, j'ai réalisé un plan composite centré sur le visage pour trois facteurs significatifs en utilisant une trajectoire légèrement plus large avec six points centraux supplémentaires, en triple avec un ordre d'exécution aléatoire en utilisant RSM dans le plan classique. Le résultat était de 60 expériences, dont 18 points centraux pour plusieurs composés mesurant des signaux. Je n'avais que deux composés avec un manque d'ajustement insignifiant, le reste P<0,001. Ma question est:
1. Comment puis-je vérifier si le nombre élevé de points centraux provoque un biais dans la modélisation pour d'autres composés ?
2. Est-il possible de supprimer les points centraux et de conserver toutes les autres réponses pour la modélisation ?
3.Comment vérifier si le modèle dans le JMP correspond au polynôme quadratique ou à tout polynôme d'ordre supérieur pour l'ajuster avant de modifier l'instrument.
4. J'ai lu @Phil_Kay suggéré l'utilisation de Meilleur sous-ensemble et SVEM Lasso dans Gen Reg pour un problème similaire dans un autre article. Où puis-je trouver plus de détails sur l'analyse des données utilisant ces deux approches pour ajuster le RSM afin d'obtenir le manque d'ajustement souhaité dans le DOE ?
5. Si ce n'est pas le cas, comment augmenter l'expérience pour obtenir le manque d'ajustement souhaité ?
S'il vous plaît, aidez-moi.
Merci
Residuals PlotResiduals PlotTracé des résidus
Actual versus Predicted PlotActual versus Predicted Plot Terrain réel/prédit
Conception d'expériences
