629182_fr-FR

liliconcom

Problème d'ajustement des résultats du modèle

JMP 17 : J'ai quelques questions générales sur les résultats que j'ai obtenus à partir d'une analyse de la plateforme Fit Model. Je joins mon jeu de données. J'ai une variable continue de réponse, Épaisseur et quatre facteurs catégoriels qui ont été modulés, deux niveaux chacun. L'épaisseur a été utilisée comme variable Y et les quatre facteurs (3, 4, 5 et 6) ont été déplacés dans la zone Construire des effets de modèle en sélectionnant Macro > Tri factoriel. Je suis curieux de voir s'il y a des interactions. Dans les résultats, la première chose que je remarque, c'est que le tracé des Résidus Studentisés a un schéma sinusoïdal. J'ai regardé une vidéo JMP où le présentateur a mentionné que s'il y a un motif dans ce graphique des résidus, il peut y avoir un problème avec les données ? Ensuite, le tableau Estimations des paramètres comporte plusieurs lignes sans résultats. Qu'est-ce que cela indique ? De même, le tableau Effect Tests ne contient pas de données non plus. Qu'est-ce que cela indique ? Toutes les entrées seraient appréciées. J'ai cherché des articles ou des vidéos mais je n'ai pas rencontré de problèmes similaires.

 

Merci.

 

 

 

Analyse et modélisation de données de baseRe : Problème d'ajustement des résultats du modèle

Le modèle cyclique est évident dans le graphique résiduel. Juste pour être sûr, les lignes du tableau apparaissent dans le même ordre que les exécutions réelles ?

 

Les estimations nulles indiquent que vous avez surspécifié le modèle. Vous avez conçu l'expérience pour un modèle plus simple, puis ajouté des termes d'ordre supérieur lors de l'analyse, mais la conception (les données) ne prend pas en charge l'estimation de tous les termes. Ce n'est pas une question de nombre de courses. Vous pouvez concevoir une expérience à 4 facteurs et 2 niveaux pour estimer les 4 effets principaux et l'interception en seulement 5 exécutions. Vous pouvez reproduire cette conception plusieurs fois pour un grand nombre d'exécutions totales, mais vous ne pouvez toujours pas estimer les effets d'ordre supérieur.

 

Dans votre cas, le facteur 3 = B n'a été exécuté qu'à un niveau des autres facteurs.

Re : Problème d'ajustement des résultats du modèle

Marc, merci pour la réponse. Les lignes du tableau ne sont pas dans l'ordre d'exécution. Les expériences ont été réalisées sur des pièces comportant plusieurs étapes de processus. Ainsi, les quatre facteurs énumérés se trouvaient à différentes étapes du processus. Les facteurs sont numérotés dans l'ordre du processus dans lequel ils se sont produits.

 

Un peu plus en détail, je n'ai pas participé à la conception de cette expérience. Je crois que ce n'était pas une véritable configuration du DOE. Fondamentalement, une expérience matricielle multifactorielle à deux niveaux. Cela empêche-t-il d'utiliser la plateforme Fit Model pour analyser les résultats ?

 

J'ai essayé d'utiliser la méthode Add pour les facteurs dans la zone Construire des effets de modèle, je n'ai pas utilisé l'option Macro pour les factorielles, le résultat est ci-dessous. J'ai supprimé les facteurs 4 et 5, puis relancé l'analyse. Ainsi, les facteurs 3 niveau A et 6 niveau 1 montrent des deltas statistiquement significatifs par rapport à leurs niveaux opposés ? Quelle est la signification de l'Interception ?

 

 

 

Re : Problème d'ajustement des résultats du modèle

Ce serait une bonne idée de déterminer l'ordre d'exécution et de trier le tableau dans l'ordre d'exécution pour étudier le modèle cyclique observé dans les résidus.

 

Le fait que les quatre facteurs soient impliqués dans différentes étapes du processus signifie que l'expérience n'est pas randomisée. Ce fait a des implications importantes pour l'analyse des données. Les erreurs statistiques sont corrélées. L'hypothèse fondamentale d'une variance constante sur toute la plage de réponses est probablement violée. Le modèle à variance constante unique est inadéquat. Les estimations des paramètres pour les effets de chaque facteur nécessitent différents calculs d'erreur standard basés sur les multiples unités expérimentales (randomisation). Sinon, les erreurs de type I et de type II sont différentes de celles attendues et les valeurs de p n'ont pas la couverture attendue.

 

Tous les tests t du tableau Estimations des paramètres sont (paramètre estimé - paramètre hypothétique) / (erreur standard d'estimation). La valeur hypothétique du paramètre est zéro. Ainsi, l'interception est comparée à zéro, comme les autres paramètres. Cependant, les erreurs types sont peu susceptibles d'être correctes en raison de la « conception » en parcelles divisées utilisée pour collecter les données.