Différence entre les facteurs de bloc et catégoriels dans la conception personnaliséeChère communauté JMP,
J'ai une question concernant la fonction de conception personnalisée dans JMP. Je souhaite générer une conception D-optimale avec 12 facteurs continus et 2 facteurs de blocage et j'ai 64 exécutions à ma disposition. Je souhaite que cette conception soit également capable d'estimer les effets d'interaction de 2e ordre des 12 facteurs continus.
J'ajoute un facteur bloquant dans le menu « Custom Design » et je sélectionne tous les effets d'interaction de 2ème ordre à estimer si possible. Cependant, JMP n'estime pas ces effets de blocage.
Sauriez-vous pourquoi c'est le cas ?
Une question complémentaire : lorsque je sélectionne des facteurs catégoriels au lieu de facteurs bloquants, j'obtiens des efficacités D, A et I différentes. Certes, les facteurs de blocage et les facteurs catégoriels sont les mêmes en termes d’estimation des moindres carrés ordinaires. En quoi JMP gère-t-il les facteurs catégoriels différemment des facteurs bloquants ? (Je n'arrive pas à trouver de réponse dans vos manuels)
Re : Effets de bloc dans JMP@MaartenvM :
Je vais juste lancer une autre idée folle... vous ne mentionnez pas le nombre de niveaux/blocages auxquels vous pensez pour les deux facteurs de blocage... mais existe-t-il un moyen d'utiliser vos facteurs de « blocage » comme un véritable niveau 2 ? des facteurs catégoriels tous intégrés dans une conception de dépistage définitive ? Un modèle de dépistage définitif occasionnel que j'ai créé avec 12 facteurs continus et 2 facteurs catégoriels (à 2 niveaux chacun) comporte 34 analyses. Bien en dessous de votre budget total.
Comme @bradleyjones souligne qu'il existe de très nombreux effets possibles à deux facteurs... et si la rareté des effets persiste pour votre système... la plupart ne seront probablement pas actifs. Vous pouvez ensuite tirer parti de la méthode de modélisation DSD en deux étapes pour identifier les effets d'interaction principaux actifs et à 2 facteurs. Ensuite, il vous reste encore quelques ressources pour plus d'expérimentation/vérification/essais ponctuels, etc.
@bradleyjones et @Mark_Bailey veuillez commenter si mon idée est erronée ?
Re : Effets de bloc dans JMPSi vous avez 12 facteurs continus, il existe 66 interactions à deux facteurs (2FI). Il est donc impossible d’estimer toutes ces interactions avec un plan de 64 analyses. Si vous définissez les 2FI « si possible », JMP créera une conception qui tente d'estimer autant de ces effets que possible compte tenu du nombre d'exécutions que vous spécifiez.
Sur le blocage par rapport aux facteurs catégoriels...
Si vous avez réalisé deux plans, l’un utilisant des facteurs de blocage et l’autre des facteurs catégoriels avec le même nombre de niveaux que les facteurs de blocage, vous n’obtiendrez pas nécessairement le même plan. Il existe souvent de nombreuses conceptions qui ont exactement ou presque les mêmes valeurs du critère à optimiser. Ces conceptions pourraient avoir des valeurs différentes pour d’autres critères.
Re : Effets de bloc dans JMPJe pense que nous sommes au bord d’un accord violent.
Re : Effets de bloc dans JMPMarque,
Je suis tout à fait d'accord avec votre réponse lors de la conception d'une expérience. Cependant, j'ai vu de nombreux exemples où les effets du traitement pour un ou plusieurs blocs sont en dehors de la variation aléatoire, c'est-à-dire qu'une interaction bloc-traitement est trouvée dans l'analyse.Dans la fabrication de semi-conducteurs, les lots de production sont des facteurs de blocage courants.Considérons une expérience à un facteur et à plusieurs niveaux, exécutée sur 20 lots.Pour tous les lots sauf 2, il y a une grande amélioration (> 4 fois la variation aléatoire) avec un niveau (le gagnant clair), mais les deux lots déviants ne montrent aucun effet.
Une enquête plus approfondie révèle souvent d'autres facteurs qui pourraient influencer (interférer avec) la condition « gagnante ». Ainsi, les interactions bloc-traitement doivent toujours être étudiées.Les tracés de variabilité sont formidables pour détecter des problèmes potentiels, en particulier pour tracer les moyens de traitement ajustés (résultat - moyenne du bloc | moyenne du contrôle).En règle générale, les écarts bruts et les interactions peuvent être observés visuellement sur des tracés de variabilité ajustés par blocs.
En fin de compte, je pense qu'au moins une analyse visuelle des interactions de traitement par blocs devrait être effectuée, s'il y a plus de 3-4 blocs.
Re : Effets de bloc dans JMPNous traitons différemment les facteurs catégoriques et bloquants d’un point de vue philosophique.
Un facteur catégoriel présente deux niveaux ou plus à étudier. Je peux définir n’importe quel niveau que je veux. Un facteur de blocage représente une limitation sur les unités expérimentales et une restriction sur la randomisation des essais.
Nous n'impliquons pas de facteurs de blocage dans les effets d'interaction car nous pensons que l'effet fixe ou aléatoire du changement de bloc concerne uniquement la moyenne (ordonnée à l'origine) ou l'erreur aléatoire (variance), respectivement. Nous ne pensons pas que l’effet des facteurs change d’un bloc à l’autre. La science et l'ingénierie fonctionnent de la même manière dans tous les blocs, mais la réponse moyenne peut varier d'un bloc à l'autre de manière fixe ou aléatoire.
Si vous pensez qu’il y a une interaction, alors il existe un facteur réel qui change de niveau lorsque vous changez de bloc. Il doit être identifié puis traité comme un facteur et non comme un blocage.
