Bien que notre récente mini-série, Smarter Innovation with Design of Experiments, soit terminée, l'intérêt pour les sujets que nous avons abordés n'a pas faibli. Les gens souhaitent en particulier en savoir plus sur :
- Réflexions sur le passé, le présent et l'avenir du DOE
- DOE facile
- Et DOE prédictif.
Nous avions tellement de questions que nous n'avons pas eu le temps d'y répondre lors des événements diffusés en direct. Nos brillants experts en la matière ont donc accepté d'y répondre dans cet article de blog, dans l'ordre de chaque session.
La première séance était unique en ce sens qu'il s'agissait d'un entretien de relève de la garde avec le chercheur principal aujourd'hui à la retraite, le Dr Bradley Jones, suivi par Dr Ryan Lekivetz , que Brad a embauché il y a des années et qui dirige désormais les efforts d'innovation R&D de JMP pour le DOE. Nous avons eu quelques questions de suivi importantes, nous sommes donc heureux que Ryan ait pu partager davantage son expertise.
Pourriez-vous s'il vous plaît envoyer la liste des livres et articles mentionnés lors de ce webinaire ?
Goos, P. et Jones, B., 2011.Conception optimale d’expériences : une approche d’étude de cas . John Wiley et fils.
Jones, B. et Nachtsheim, CJ, 2011. Une classe de modèles à trois niveaux pour le dépistage définitif en présence d'effets de second ordre.Journal de technologie de qualité , 43 (1), pages 1 à 15.
Fedorov, VV, 2013.Théorie des expériences optimales . Elsevier.
Boîte, GE, Hunter, WH et Hunter, S., 1978.Statistiques pour les expérimentateurs (Vol.664). New York : John Wiley et fils.
Jones, B. et Goos, P., 2007. Un algorithme sans ensemble de candidats pour générer des conceptions de parcelles divisées D-optimales.Journal de la Royal Statistical Society, série C : Statistiques appliquées , 56 (3), pages 347 à 364.
Anderson-Cook, CM et Lu, L., 2023. La collecte de données planifiée est-elle toujours pertinente à l’ère du Big Data ?Ingénierie Qualité et Fiabilité Internationale .
Lekivetz, R. et Jones, B., 2015. Conceptions de remplissage d'espace flexibles et rapides pour les régions non rectangulaires.Ingénierie Qualité et Fiabilité Internationale , 31 (5), pages 829 à 837.
Pourriez-vous nous fournir des ressources qui démontrent l'utilisation de la conception augmentée pour optimiser davantage l'espace de conception ? Avez-vous un lien vidéo ou un livre qui couvre ce sujet avec des exemples spécifiques ?
Le chapitre 3 de Goos & Jones (2011) présente un exemple d'augmentation de la conception :
Quelques présentations qui discutent de l'utilisation de la plateforme Augment Design :
DOE personnalisé spécialisé pour les expérimentateurs expérimentés – Communauté d'utilisateurs JMP
Utilisation de modèles de criblage définitifs pour obtenir plus d'informations à partir de moins d'essais – Communauté d'utilisateurs JMP
Quelques exposés Discovery qui adoptent différentes approches pour concevoir l'augmentation :
Exploration des fonctions de conception et de modélisation de JMP DOE pour améliorer le processus de pulvérisation (2... – Communauté d’utilisateurs JMP
Conceptions d'ensembles candidats : adapter les contraintes du DOE au problème (2021-EU-30MP-78... – Communauté d’utilisateurs JMP
Big DOE : Séquentiel et stable remporte la course ? (2021-EU-45MP-775) – Communauté d'utilisateurs JMP
Avec l'évaluation de l'optimalité D/I avec les diagnostics du DOE, qu'est-ce que cela signifie ? Comment puis-je réellement les valoriser ou les interpréter ?
Les critères d'optimalité se comparent à une conception théoriquement optimale (qui n'existe peut-être même pas !).
https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/optimality-criteria.shtml
En soi, il peut être difficile d’interpréter ce que cela signifie. J'aime généralement y penser par rapport à d'autres conceptions (comme nous le faisons avec les efficacités relatives dans Compare Design). https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/design-diagnostics-2.shtml# )
D'une manière générale, l'optimalité D/A est utile lorsque vous cherchez à estimer les termes de votre modèle, tandis que l'optimalité I est destinée lorsque vous essayez de faire un meilleur travail en estimant la réponse. J'aime le livre blanc de Christine Anderson-Cook sur la discussion de quelques idées dans le choix des designs :
Choisir la bonne conception - avec l'aide de Design Explorer de JMP | JMP
La session 2 mettait en vedette un scientifique et ingénieur systèmes JMP, Pierre Polito , qui a partagé des expériences amusantes et très pertinentes qu'il a réalisées avec sa famille pour montrer l'équivalent d'un « bouton facile » pour DOE dans JMP.
Existe-t-il un moyen pour que JMP génère automatiquement une conception répondant à certaines exigences, par exemple des coefficients de corrélation ne dépassant pas 0,5, un FPDS inférieur à 0,25 pour 80 % de l'espace de conception, etc. ?
Vous pouvez utiliser à la fois les outils d'évaluation de conception et les plateformes de comparaison de conceptions pour déterminer le meilleur DOE adapté à votre situation.
Si vous ne faites pas de bonnes estimations sur les coefficients, il ne semble pas que ces derniers onglets soient utiles a priori. Est-ce que je comprends bien ?
Oui et non. Si vous n'avez pas une bonne idée à l'avance de ce que seront les coefficients, le panneau de simulation devient un excellent outil pour explorer à quoi pourrait ressembler votre modèle. Bien que cela ne soit pas aussi informatif sur le résultat final, vous aurez une bonne idée de l'art du possible, que vous pourrez utiliser pour explorer l'espace expérimental.
Comment identifiez-vous que votre modèle est robuste ?
« La beauté est dans les yeux de celui qui regarde », comme on dit. Cela dépend, ce qui est une réponse ingrate. Avez-vous un R2 élevé ? Le réel et le prévu correspondent-ils ? Voici quelques méthodes pour identifier la robustesse. Mais en fin de compte, nous construisons des DOE.
Aviez-vous vraiment un avion en papier d'une longueur d'exactement 6,985 pouces ?
6,985 pouces équivaut à ~ 17,74 cm. Ma règle a des graduations de 1 mm, j'ai donc pu m'en rapprocher assez mais probablement pas exactement.
La plupart du temps, il est logique, d’un point de vue logistique, d’ordonner les facteurs lors de l’exécution des expériences. Combien vais-je perdre si je ne suis pas l’ordre aléatoire suggéré par JMP ?
Vous perdez en partie la capacité de JMP à quantifier et à prendre en compte avec précision le bruit et les biais expérimentaux. En fin de compte, JMP peut accueillir la plupart de ce que vous désirez, il a juste besoin de savoir ce que vous faites. Donc, s'il y a un ordre particulier que vous aimeriez suivre, dites-le-lui. Vous pouvez le faire soit en générant une conception de tracé divisé (pour les facteurs difficiles à modifier), soit en définissant un ordre d'exécution particulier.
Quels ont été les résultats de l’expérience sur les œufs ?
Ce qui est drôle, c'est que je ne me souviens pas vraiment du résultat que j'ai su dès que je l'ai vu, je devais le faire moi-même, mais je veux que l'un des facteurs soit l'achat en magasin par rapport aux œufs pondus par mes poules.
Pouvez-vous montrer comment nous définissons et saisissons nos facteurs ?
Saisissez les réponses et les facteurs sur la première page de la plateforme Easy DOE.
Comment le DOE existant indique-t-il s’il existe un autre facteur important qui pourrait ne pas être inclus ?
Il existe plusieurs façons, mais la plus révélatrice est lorsque notre DOE ne révèle aucun facteur significatif. Si aucun facteur n’est significatif, un autre doit l’être.
En passant, nous sommes curieux de savoir comment vous avez utilisé DOE pour optimiser la course ?
Lisez à ce sujet ici : https://community.jmp.com/t5/JMP-Blog/DOE-ing-Myself-Using-design-of-experiments-to-run-more/ba-p/256981 .
S’il existe une variable dont la modification coûte cher, comment y remédier ?
Lors de l'ajout de facteurs, utilisez le menu déroulant pour identifier votre variable comme étant « difficile » à modifier. Cela créera un plan de tracé divisé, qui ordonnera vos essais de telle sorte que le facteur difficile à modifier change le moins possible (entre autres choses). ).
Pour RSM, comment pouvez-vous savoir si la conception est « bonne » avant de commencer l’expérience. c'est-à-dire si les facteurs sont corrélés ou si la variance des prévisions ne sera pas trop élevée ?
Je fais souvent référence à la carte des couleurs des corrélations, dans la section Diagnostics de conception de la conception personnalisée. Cela vous indiquera quelles variables et/ou interactions vous devriez pouvoir dissocier des autres variables.
Si vous souhaitez davantage d'outils d'analyse, existe-t-il un moyen simple d'exporter les données d'Easy DOE vers un tableau de données standard ?
Oui, il y a un bouton « Exporter les données » sur l'onglet « Saisie des données ».
Lorsque vous utilisez JMP pour créer la table DOE, disons que vous décidez d'ajouter plusieurs changements de facteurs aux niveaux. Je sais que lorsque vous revenez au modèle et reconstruisez le DOE à l'envers, cela fonctionne parfois bizarrement (en particulier, le nombre d'exécutions augmente et diminue). Est-ce normal de voir ?
Si vous ajoutez des facteurs ou des niveaux supplémentaires aux facteurs nominaux, JMP augmentera probablement le nombre d'exécutions requises pour créer un modèle robuste et interprétable.
JMP peut-il gérer les DOE « Ordre d'addition », c'est-à-dire lorsque vous traitez des effets de permuations ?
Conceptions de blocs incomplets équilibrés ( BIDB ) peut être un moyen de construire un DOE de cette manière
Si nous disposons déjà de certaines données, pouvons-nous les utiliser pour améliorer le modèle avant de démarrer le DOE et de réaliser davantage d'expériences ?
La session de Mike Anderson (la troisième de la série) couvre très bien ce sujet (voir lien vers la série ci-dessous).
Pouvez-vous nous parler davantage de l’intérêt de supprimer les facteurs non significatifs du modèle, puis de réanalyser ?
Bref, les modèles non prédictifs ajoutent du bruit. Les supprimer réduit le bruit, ce qui augmente le signal.
Serait-il possible d'expliquer à nouveau brièvement le but de la simulation ?
Le simulateur vous permet de « voir » à quoi pourrait finalement ressembler votre modèle, en fonction des coefficients que vous jugez probables. C'est un aperçu de ce que peut arriver. Si, par exemple, vous maîtrisez bien les coefficients et que vous souhaitez voir comment se déroule une interaction particulière, vous pouvez le faire. Si vous ne parvenez pas à obtenir une résolution suffisante pour cette interaction, vous pouvez ajouter d'autres exécutions, puis resimuler et voir s'il y a une amélioration.
La session 3 a abordé d'autres façons de tirer de la valeur de vos expériences et de vos données d'observation, avec la participation d'un chimiste et ingénieur systèmes JMP, Dr Mike Anderson .
Une ordonnée significative indique que les facteurs n’expliquent pas adéquatement les résultats.Lorsque cela se produit dans mes analyses, je travaille avec les facteurs avant de tirer des conclusions.Donc, oui, l'interception est toujours là, mais lorsqu'elle est significative, je m'efforce d'éliminer les facteurs ou d'examiner les interactions jusqu'à ce que l'interception ne soit plus significative.Êtes-vous en train de dire que ce n'est pas important dans les algorithmes de JMP ?
Dans le contexte du rapport SVEM, le pourcentage de données non nulles indique la fréquence à laquelle l'interception est différente de zéro. Ceci est différent de l’évaluation de la signification de l’interception sur la base d’un test statistique.
Lasso et Elastic net sont des techniques de régularisation utilisées en régression pour éviter le surajustement. Elastic Net cumule les pénalités L1 et L2, alors que Lasso n'utilise que la pénalité L1 ? Est-ce correct? Et comment choisir entre ces deux méthodes ?
L1 est la pénalité pour une régression Lasso. L2 est pour une régression Ridge. Le filet élastique est une combinaison linéaire d'une pénalité de Lasso et de Ridge avec un paramètre supplémentaire (alpha) pour contrôler dans quelle mesure chacun contribue à la pénalité totale. En général, Lasso est utilisé pour la sélection de variables ou dans les cas où la covariance entre les facteurs est faible. Ridge est généralement utilisé dans les situations où nous soupçonnons que les facteurs sont corrélés. Elastic Net est utile dans les situations où vous devez effectuer une sélection de variables mais où vous êtes préoccupé par une éventuelle corrélation facteur-facteur.
Quelques détails utiles sur ces pénalités peuvent être trouvés dans les détails statistiques de la documentation : https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/statistical-details-for-estimation-methods.shtml
Il existe également un excellent cours proposé par JMP Education sur le fonctionnement de ces trois pénalités. Le cours s'intitule Trouver des prédicteurs importants : https://www.jmp.com/en_us/training/courses/jmp-and-pro-finding-important-predictors.html
Nous apprécions grandement que nos spécialistes prennent le temps de fournir davantage de leur expertise et de recommander des ressources.Nous espérons que vous les trouverez utiles.Si vous avez manqué l'un des Une innovation plus intelligente avec des expériences conçues séries, vous pouvez les regarder à la demande.Des ressources supplémentaires sont répertoriées sur les pages de surveillance pour chaque session.Si vous souhaitez partager des ressources que vous jugez particulièrement utiles, nous vous invitons à les mettre dans les commentaires.Merci!
