Bonjour la communauté JMP,
Je travaille actuellement sur une conception DOE personnalisée. Globalement, j'ai 3 facteurs avec des niveaux différents.
Solution stabilisante (j'ai 7 solutions stabilisantes différentes que je souhaite tester) + ajout potentiel d'un échantillon de référence (aucun stabilisant ajouté).
Dosage du stabilisant - 2 niveaux (haut et bas) => (0,01% et 0,02%)
Processus (2 traitements thermiques/autoclavations différents).
L'usine pilote est capable de mélanger 4 codes uniques pr. jour. (nous avons réservé 4 jours dans l'usine pilote). Cela signifie que nous pouvons mélanger au maximum 16 codes uniques pouvant être exécutés via les deux traitements thermiques (soit un total de 32 codes).
Cependant le fait qu'on ne puisse mélanger que 4 codes pr. jour et ceux-ci doivent être traités avec les deux traitements thermiques (donnant 8 codes par jour) me pose quelques problèmes. L’ordre idéal sera bien entendu tel que :
Jour 1 :
Stabilisant 1 : 0,01% - traitement thermique 1
Stabilisant 4 : 0,02% - traitement thermique 1
Stabilisant 5 : 0,01% - traitement thermique 1
Stabilisant 6 : 0,02% - traitement thermique 1
Stabilisant 1 : 0,01% - traitement thermique 2
Stabilisant 4 : 0,02% - traitement thermique 2
Stabilisant 5 : 0,01% - traitement thermique 2
Stabilisant 6 : 0,02% - traitement thermique 2
etc...
Cependant, je n'arrive pas à faire en sorte que JMP fasse cela (j'ai essayé d'utiliser le blocage et de modifier les "modifications" de facile à difficile, etc.).
Cette meilleure réponse que j'ai moi-même obtenue est ci-jointe.
Je ne suis pas familier avec les scripts (JSL), donc ces solutions seront difficiles pour moi. J'utilise JMP 17.
Merci d'avance.
Cordialement
Kristian Bertelsen
Salut Kristian,
Cela dépend vraiment de l'objectif de votre étude, il n'y a pas de réponse définitive.
Si vous souhaitez filtrer et sélectionner les meilleurs stabilisants en général, les informations sur le dosage ne sont peut-être pas si importantes. Mais cela pourrait aussi avoir plusieurs implications/questions :
- La quantité de stabilisant pourrait-elle avoir une influence sur le reste des ingrédients de la formulation (effets synergiques ou antagonistes) ?
- Se pourrait-il que le comportement du stabilisant ne soit pas linéaire, et fixer une valeur "arbitraire" de dosage vous ferait manquer un stabilisant potentiellement important/puissant (voir graphique ci-dessous) car il pourrait y avoir différentes concentrations "d'activation"/performance en fonction de la chimie. du stabilisateur ? :
Si la concentration étudiée est fixe et inférieure au seuil de ce graphique, alors le stabilisant A ne sera pas retenu/conservé pour l'optimisation, car il peut être considéré comme n'ayant aucune influence sur la réponse. Mais à l’inverse, si vous étudiez ses effets sur une gamme, vous aurez une meilleure appréciation de son comportement et de ses performances, et pas seulement une estimation ponctuelle de ses performances.
Une autre option pourrait être de se concentrer d'abord sur les effets principaux uniquement dans votre modèle (ou au moins principalement sur les effets principaux Type de stabilisateur, dosage, processus et réduire les termes d'interaction dans le modèle pour avoir plus de puissance pour les termes dans le modèle), et puis augmenter votre conception initiale en fonction des effets significatifs identifiés ? Vous auriez plus de puissance pour l'effet principal des stabilisateurs, de sorte que la différenciation/discrimination entre les différents stabilisateurs pourrait être plus facile, et vous pourriez augmenter la conception initiale uniquement sur les stabilisateurs qui présentent certaines performances.
Ou peut-être avez-vous déjà des données et pourriez-vous augmenter votre ensemble de données initial avec de nouvelles expériences via la plate-forme "Augment Design" (et utiliser l'option "Regrouper les nouvelles exécutions dans un bloc séparé") ?
Vous pouvez avoir plus d'informations sur le niveau de signification et le RMSE anticipé ici : Analyse de puissance (jmp.com)
- La puissance est la probabilité de détecter un effet, s’il est significatif. Une puissance égale à 1 signifie que vous pouvez détecter cet effet (s'il est significatif) 100 % du temps, pour une certaine valeur de niveau de signification et de RMSE anticipé. Je recommande vivement la vidéo de la chaîne Youtube Statquest, elle m'aide beaucoup à comprendre les notions statistiques. Il existe une excellente vidéo sur l'analyse de puissance : Analyse de puissance, clairement expliquée !!! - Youtube
- Le niveau de signification affiché dans cette plateforme est également connu sous le nom de risque alpha : vous voyez généralement le risque alpha dans les tests statistiques comme le test T de Student par exemple (pour évaluer s'il y a une différence dans une réponse entre deux groupes). Le niveau de signification est la probabilité de rejeter l’hypothèse nulle lorsqu’elle est vraie. Par exemple, un niveau de signification de 0,05 indique un risque de 5 % de conclure à l’existence d’une différence alors qu’il n’y en a pas réellement. Des niveaux de signification plus faibles indiquent que vous avez besoin de preuves plus solides avant de rejeter l'hypothèse nulle. Plus d'infos ici : Niveau de signification - Statistiques de Jim
- Le RMSE anticipé est le « niveau de bruit » dans votre réponse ( racine carrée de la variation de l'erreur) . Plus la valeur est élevée, plus le bruit/la variance dans votre réponse est élevé, plus il est difficile de déterminer un effet significatif, donc plus votre puissance pour vos effets sera faible. Vous pouvez le voir comme le rapport Bruit/Signal : si vous avez beaucoup de bruit, le RMSE anticipé sera plus élevé et vos calculs de puissance pour les effets seront inférieurs. Par défaut, les calculs sont effectués avec une valeur de 1 (ce qui est utile pour comparer différentes conceptions sur la même base), mais si vous avez déjà une idée de votre écart de mesure, vous pouvez saisir une valeur différente reflétant cette connaissance pour avoir une idée plus pertinente. Calculs de puissance. Plus d'infos ici : Exemple d'évaluation de la puissance par rapport à un modèle spécifié (jmp.com)
J'espère que ces options vous aideront dans votre réflexion,
Salut @Bertelsen92 ,
Quels effets souhaiteriez-vous voir dans les modèles ?
Pour le dépistage des effets principaux, je suis capable de créer 32 exécutions en 4 parcelles entières (donc 8 exécutions par jour comme vous l'avez mentionné), où vous n'avez qu'un seul processus par jour.
Voici le scénario :
DOE(
Custom Design,
{Add Response( Maximize, "Y", ., ., . ),
Add Factor( Continuous, -1, 1, "X1", 0 ),
Add Factor( Continuous, -1, 1, "X2", 0 ),
Add Factor( Continuous, -1, 1, "X3", 0 ),
Add Factor( Continuous, -1, 1, "X4", 0 ),
Add Factor( Continuous, -1, 1, "X5", 0 ),
Add Factor( Continuous, -1, 1, "X6", 0 ),
Add Factor( Continuous, -1, 1, "X7", 0 ),
Add Factor( Continuous, -1, 1, "X8", 0 ),
Add Factor( Categorical, {"L1", "L2"}, "Process", 1 ),
Set Random Seed( 235758137 ), Number of Starts( 1574 ), 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 Term( {8, 1} ),
Add Term( {9, 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( {1, 1}, {7, 1} ), Add Alias Term( {1, 1}, {8, 1} ),
Add Alias Term( {1, 1}, {9, 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( {2, 1}, {7, 1} ),
Add Alias Term( {2, 1}, {8, 1} ), Add Alias Term( {2, 1}, {9, 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( {3, 1}, {7, 1} ),
Add Alias Term( {3, 1}, {8, 1} ), Add Alias Term( {3, 1}, {9, 1} ),
Add Alias Term( {4, 1}, {5, 1} ), Add Alias Term( {4, 1}, {6, 1} ),
Add Alias Term( {4, 1}, {7, 1} ), Add Alias Term( {4, 1}, {8, 1} ),
Add Alias Term( {4, 1}, {9, 1} ), Add Alias Term( {5, 1}, {6, 1} ),
Add Alias Term( {5, 1}, {7, 1} ), Add Alias Term( {5, 1}, {8, 1} ),
Add Alias Term( {5, 1}, {9, 1} ), Add Alias Term( {6, 1}, {7, 1} ),
Add Alias Term( {6, 1}, {8, 1} ), Add Alias Term( {6, 1}, {9, 1} ),
Add Alias Term( {7, 1}, {8, 1} ), Add Alias Term( {7, 1}, {9, 1} ),
Add Alias Term( {8, 1}, {9, 1} ), Set N Whole Plots( 4 ), Set Sample Size( 32 ),
Simulate Responses( 0 ), Save X Matrix( 0 ), Make Design}
);
Et ci-joint, vous pouvez trouver le datatable.
L'astuce consiste à spécifier votre facteur catégoriel à 2 niveaux "Processus" comme facteur difficile à modifier, et à spécifier 4 comme nombre de parcelles entières (4 jours) et 32 comme nombre d'exécutions (8 exécutions par jour). Notez que pour filtrer les effets principaux, vous pouvez réduire le nombre de runs si nécessaire (mais il doit être un multiple du nombre de jours d'expérimentation, donc si vous gardez 4 jours, vous pouvez le réduire à 28 ou 24 runs par exemple) :
Si je comprends mal votre objectif et/ou vos spécifications de conception, n'hésitez pas à ajouter plus de détails et d'explications afin que nous puissions trouver une meilleure solution.
J'espère que cela t'aidera,
Edit : Cette conception ne semble pas respecter votre contrainte de n'avoir que 4 mélanges différents/jour, donc augmenter le nombre de parcelles entières à 8 (et faire 2 parcelles entières de 4 expériences chacune par jour) avec le même nombre d'exécutions pourrait être une alternative, je dois vérifier plus tard si cela fonctionne.
Désolé pour le malentendu,
