Problèmes de modèle du DoEChère communauté JMP,
nous mettons actuellement en place des modèles DoE basés sur deux blocs expérimentaux.
Le premier bloc était une conception DoE personnalisée avec 22 exécutions contenant des effets principaux et des effets quadratiques provenant de 7 facteurs. Le deuxième bloc était un plan augmenté contenant les effets principaux, les effets quadratiques et toutes les interactions possibles à deux facteurs avec 16 analyses (pour un total de 38 analyses séparées en 2 blocs).
Dans le deuxième bloc, pour deux des facteurs, les niveaux de facteurs étaient plus larges que dans le premier bloc.
De plus, 7 interactions à deux facteurs jugées moins susceptibles de se produire ont été définies sur « si possible » dans la boîte de dialogue du modèle. Tous les autres facteurs ont été maintenus à « nécessaire ».
Habituellement, nous configurons les modèles avec la plateforme Fit Model en considérant uniquement les effets du modèle provenant de la conception en cliquant sur « exécuter » (personnalité : moindres carrés standard, emphase : filtrage des effets), puis en supprimant manuellement les effets du modèle non significatifs de la des modèles.
Nous avons rencontré la situation suivante : dans certains cas, nous obtenons un message d'erreur indiquant "Il manque un effet au modèle".
L'évaluation par étapes (personnalité : par étapes) via la direction vers l'avant avec AICc ou BIC donne toutes deux des modèles avec des effets significatifs.
Nos questions à vous poser seraient
- Sous quelle forme la notation « si possible » est-elle prise en compte pour les modèles pas à pas ? Si nous constatons un effet significatif qui était auparavant évalué comme « si possible », cela signifie que la puissance de la conception était suffisamment bonne pour l’élucider. Mais si nous ne voyons pas un effet « si possible », d’où savons-nous qu’il a été envisagé ?
- Quelle est la raison pour laquelle la méthode manuelle signale les problèmes alors que les méthodes par étapes fonctionnent ?
- Le critère BIC produit des modèles beaucoup plus grands que le critère AICc, quelle serait la raison de faire confiance aux modèles AICc beaucoup plus petits ?
Un grand merci d'avance à vous tous, cordialement,
C. et A.
Modélisation statistique avancéeAnalyse et modélisation des données de baseRe : Problèmes de modèle DoEUne petite précision, l'erreur résulte du non-respect du principe de hiérarchie (et non d'hérédité).
Re : Problèmes de modèle DoEMalheureusement, je ne comprends pas votre situation spécifique, mais je suis confus par votre approche.Le blocage est une technique utilisée pour gérer le BRUIT associé à l'espace de conception.Le bruit est un facteur que vous ne souhaitez pas gérer ou contrôler au cours du processus.Au lieu de maintenir le bruit constant et d’avoir un impact négatif sur l’espace d’inférence, le bruit est confondu avec le bloc.Cela augmente l'espace d'inférence sans avoir d'impact négatif sur la précision de la conception.Vous pouvez exécuter des blocs complets (RCBD) qui sont des répliques complètes du plan, ou des blocs incomplets (BIB) qui fractionnent le bloc.
Il existe bien entendu de multiples méthodes pour concevoir et analyser des expériences.Aucune approche n’est la meilleure dans toutes les situations.Il existe un certain nombre de facteurs qui affectent la sélection de la conception (par exemple, la stratégie de bruit, les contraintes, le nombre de facteurs, la résolution souhaitée (linéaire et non linéaire), les effets souhaités à estimer, les restrictions sur la randomisation, etc.) et ceux-ci devraient être pris en compte avant de sélectionner un modèle.Lors de la sélection d'une conception, vous devez considérer quels effets peuvent être estimés, lesquels seront confondus et lesquels seront restreints.C’est la connaissance potentielle à acquérir.Ces connaissances doivent être équilibrées avec les ressources requises.
Mon parti pris est d'analyser les expériences avec une approche de construction de modèles soustractifs.Il s’agit de commencer avec un modèle saturé et de supprimer les termes insignifiants.C'est parce que j'ai un modèle en tête lorsque l'expérience est conçue.Lorsque j'utilise des données historiques/observationnelles, je commence par une approche additive (par exemple, par étapes) car je recherche des indices pour développer des hypothèses qui seront finalement testées dans une expérience.
Enfin, commencez toujours par une évaluation pratique des données.Les variables de réponse ont-elles suffisamment changé (signification pratique) au cours de l’étude pour justifier une enquête plus approfondie ?Ensuite, analyse graphique (plusieurs tracés des données recherchant des modèles dans la variable de réponse et des modèles correspondants dans les x.Enfin, une analyse quantitative et un certain nombre de statistiques sont utilisées ici comme suggéré par Victor.
Re : Problèmes de modèle DoESalut @statman ,
Merci pour la précision et la correction.
Concernant le blocage, comme @j'aime-jmp a mentionné qu'il a augmenté la conception, je pense que cela signifie qu'il a augmenté la conception avec l'option "Regrouper les nouvelles pistes dans un bloc séparé", ajoutant ainsi un facteur de blocage à la conception avec un bloc pour la conception originale et un bloc pour les pistes augmentées. Cela peut être une bonne pratique « sûre », en particulier lorsque les séries d'expériences sont séparées dans le temps, avec des erreurs d'étalonnage possibles et/ou des décalages/dérives dans les systèmes de mesure.
Entièrement d'accord avec vous sur les mentalités de modélisation entre les données du DoE (et un modèle a priori) et les données d'observation (et une approche d'exploration de données/agnostique du modèle).
Re : Problèmes de modèle DoESalut @j'aime-jmp ,
Bienvenue dans la Communauté !
Le message d'erreur que vous avez vu peut apparaître lorsque vous enfreignez le principe d'hérédité, par exemple en introduisant un effet quadratique ou des interactions à 2 facteurs mais sans introduire les effets principaux associés. Les DoE sont basés sur trois principes : parcimonie des effets, hérédité des effets et hiérarchie des effets, plus d'informations et de détails sur cette réponse : Principes du DoE - Communauté JMP
Habituellement, s’assurer que tous les effets principaux sont présents devrait permettre d’éviter ce message.
Pour être sûr que ce message est lié à ce problème, il vaudrait mieux avoir plus de contexte, peut-être un datatable qui reproduit ce problème (avec des données anonymisées) ?
Le paramètre « si possible » est utilisé pour la création de conception et peut avoir un impact sur l'analyse. Il indique essentiellement à JMP (et à l'algorithme d'échange de coordonnées derrière) une priorité/un classement sur les termes que vous souhaitez étudier, la précision relative des estimations qu'il doit calculer et comment il peut allouer des ressources (points de conception) afin de maximiser l'apprentissage. vous voulez (avec effet nécessaire et si possible effets).
Parfois, des points peuvent être attribués pour estimer ces effets, parfois cela n'est pas possible, en raison de restrictions dans l'espace expérimental et/ou dans le budget expérimental (nombre d'essais) demandées par l'utilisateur. Les termes d'effet « Si possible » n'augmentent pas le nombre d'exécutions requis, vous vous retrouvez donc par défaut avec le même nombre d'exécutions que si vous n'aviez pas saisi ces effets dans le panneau Modèle.Cela signifie que dans l'analyse, vous pouvez ou non être en mesure d'estimer ces effets en fonction de l'attribution des points et des alias dans la conception, quelle que soit votre méthode d'analyse.
Plus de détails techniques ici : Conceptions avec des effets si possibles (jmp.com)
La modélisation pas à pas ne suppose pas par défaut l'hérédité et la hiérarchie des effets, c'est une méthode "agnostique" qui tente de trouver le meilleur modèle en fonction d'un critère (AICc, BIC, valeurs p, ...). Vous pouvez donc vous retrouver avec des modèles différents de ceux d'une approche standard des moindres carrés (qui respecte tous les principes du DoE). J'essaierais clairement de respecter ces principes dans un ensemble de données créé par le DoE, et de ne pas supprimer un effet principal (même s'il est statistiquement non significatif) si des effets d'ordre supérieur contenant ce facteur sont toujours présents.
Donc Stepwise fonctionne, même si vous enfreignez l'hérédité des effets ou le principe de hiérarchie, car il s'agit simplement d'évaluer un grand nombre de modèles possibles et d'utiliser les termes qui améliorent le mieux le modèle.
Comme vous avez affaire à un ensemble de données avec une structure et une génération de données spécifiques, je ne recommanderais pas d'utiliser des méthodes d'exploration de données/de modélisation « agnostiques » comme Stepwise, sauf si vous souhaitez comparer votre modélisation précédente avec de nouvelles informations provenant d'autres approches.
C'est une situation étrange, car généralement BIC pénaliserait les modèles comportant plus de termes que AICc en raison des différences dans leur calcul : https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/likelihood-aicc-and-bic.shtml
Ce n'est pourtant pas rare, car j'ai pu reproduire très facilement votre situation :
Au final, c'est "seulement" un critère d'Information qui vous guide dans la modélisation, ce qui est intéressant c'est de comparer sur quels termes ils s'accordent, et sur quels termes ils diffèrent, d'évaluer les différents modèles possibles avec d'autres métriques (significativité statistique de la modèle, R² et R² ajustés, RMSE du modèle...) en fonction de votre objectif, et prenez votre décision sur toutes ces informations ET votre expertise domaine !
J'espère que cette réponse vous aidera,
Re : Problèmes de modèle DoECette réponse n'est pas un argument mais simplement un point de clarification. Diverses personnes utilisent les termes « hiérarchie » et « hérédité » de manière interchangeable. Voici comment JMP utilise ces termes :
• Hiérarchie des effets – Les effets de premier ordre représentent le plus de variations et les effets de second ordre
représentent moins de variations.
• Hérédité des effets – Les termes d’ordre supérieur impliquent généralement des facteurs ayant des effets principaux significatifs.
Re : Problèmes de modèle DoEMerci @Mark_Bailey !
J'avais les mêmes définitions en tête et dans la réponse que j'ai mentionnée dans ma première réponse.
C'est pourquoi j'ai pensé que le message d'erreur était une conséquence directe du fait que le principe d'hérédité a été rompu (car cela affecte la structure du modèle avant l'analyse, ce qui n'est pas conforme au processus de génération de données/à la structure de conception) et ce n'est pas une conséquence du fait que le principe de hiérarchie était cassé (car cela affecte davantage l'analyse et la répartition des variations une fois le modèle lancé).
Pouvez-vous confirmer et/ou expliquer ?
Re : Problèmes de modèle DoEL'erreur est due à la violation du principe de hiérarchie.L'erreur se produit lorsque des termes d'ordre supérieur sont spécifiés dans l'analyse, mais que les termes d'ordre inférieur sont manquants.Vous ne pouvez pas obtenir d'erreur pour l'hérédité.L'hérédité est utilisée pour aider à comprendre des termes confus d'ordre supérieur.Par exemple, disons que nous avons exécuté une factorielle fractionnaire Res IV et que lors de l'analyse, nous trouvons des effets significatifs.Les effets dépendent des termes alias (par exemple, un effet principal est alias avec une interaction de 3ème ordre, les interactions à 2 facteurs sont alias avec d'autres interactions à 2 facteurs).
X4= X1*X2*X3 (générateur de conception) ; Je=X1*X2*X3*X4
X1*X2=X3*X4
Nous pouvons utiliser le principe de hiérarchie comme justification pour conclure que l'effet principal est probablement l'effet d'influence par rapport à un effet de 3ème ordre.La hiérarchie n'aide pas à prendre en charge l'effet qui contient plusieurs effets de 2ème ordre (il s'agit de la même hiérarchie).Pour aider à comprendre laquelle des deux interactions de facteurs contribue le plus probablement à l'effet significatif (rappelez-vous qu'ils sont alias, il n'y a donc aucun calcul pour vous aider), nous pouvons appliquer le principe d'hérédité.Nous regardons si l’un des effets principaux est significatif et si c’est le cas, nous avons la preuve que l’interaction à 2 facteurs qui inclut l’effet principal significatif est le contributeur probable. Exemple:
X1 est significatif (X1=X2*X3*X4)
X1*X2 est significatif (X1*X2=X3*X4), nous soupçonnons qu'il s'agit du X1*X2 car X1 est également actif.
Re : Problèmes de modèle DoEChers Victor_G, statman et Mark_bailey,
tout d'abord, merci beaucoup pour les conseils, les explications et les échanges que vous nous avez apportés sur nos questions. Nous apprécions vraiment votre contribution !
Désolé pour la réponse tardive à vous tous. Concernant le facteur de blocage, Victor_G l'a très bien expliqué. Le facteur a été introduit pour tenir compte de la variance qui pourrait (ou serait susceptible d'être) introduite par la séparation des blocs dans le temps (et il existe d'autres facteurs, très probablement importants, qui s'ajoutent au blocage en plus du temps).
Concernant le message d'erreur lors de la génération du modèle : Compte tenu de vos explications sur l'hérédité et la hiérarchie, nous pensons que vous avez bien compris ici et que nous avons pu contourner le message d'erreur.
Pour vous donner plus de contexte sur le DoE et les expériences réalisées sous-jacentes, voici la conception Augment
Veuillez noter que pour les interactions à deux facteurs contenant le facteur « a », l'estimabilité dans le modèle a été définie sur « si possible », car ces interactions ont été jugées peu susceptibles d'être significatives sur la base de l'expertise en la matière.
Ce que nous voyons maintenant dans la plate-forme d'ajustement du modèle avec l'approche standard des moindres carrés ressemble à ceci (jaune = effets principaux, effets quadratiques, interactions à deux facteurs jugées nécessaires ; bleu = interactions à deux facteurs jugées possibles).
Habituellement, nous supprimons les termes de bas en haut jusqu'à ce qu'il ne reste plus que les termes significatifs dans le modèle. Le problème ici est que, premièrement, seules des valeurs P très grandes (en dehors du bloc) se produisent et deuxièmement, les principaux effets sont les facteurs situés en bas. Nous ne pouvons donc pas suivre la procédure standard « supprimer les termes de bas en haut ». Les effets cachés sous le carré bleu sont les interactions « si possible ».
Ce qui se passe si l’on supprime par exemple une des interactions « si possible » n’est visuellement rien. Mais quand on en a supprimé 3 (peu importe lesquels), du coup le modèle ressemble à ceci. Donc, à partir de maintenant, nous pourrions essentiellement continuer avec l’approche de suppression « de bas en haut ».
La question serait maintenant de savoir comment procéder pour générer le modèle. Nous ne pouvons pas simplement supprimer trois des interactions « si possible », car celles-ci pourraient être des termes significatifs, ce qui est illustré ici car certains d'entre eux (carrés bleus) restent dans le modèle avec des valeurs P significatives.
À ce stade, nous sommes assez confus, peut-être pouvez-vous nous donner des conseils sur les raisons pour lesquelles cela se produit et comment nous pouvons résoudre ce problème ?
Merci beaucoup d'avoir pris à nouveau le temps, meilleures salutations,
C et A
Re : Problèmes de modèle DoESalut @J'aime-jmp ,
Je ne réponds pas directement à vos questions, mais vous pouvez essayer de définir le facteur de blocage sur "Aléatoire", car vous êtes plus intéressé par le changement de variabilité dû au blocage (temps et autres facteurs incontrôlés) que par une réponse de changement moyen due au blocage (qui vous ne pourrez pas reproduire).
Lors de la création de votre modèle, cliquez sur "Bloquer" et sur le triangle rouge depuis Attributs pour préciser ce terme sous forme d'effet aléatoire :
Cela créera un modèle mixte avec un bloc comme effet aléatoire, et sa signification sera évaluée en fonction du changement dans la variabilité de la réponse, et non de la moyenne de la réponse. Cela devrait également aider d'autres facteurs à « s'exprimer », car ils ne seront pas comparés directement au facteur de blocage.
Je répondrai plus tard à d'autres questions (si nécessaire),
