Comment créer correctement une conception D-optimale ?Bonjour,
Je suis maintenant la pratique dans un manuel mais je ne peux pas imiter le travail de l'auteur.
Le livre est Douglas C. Montgomery, Conception et analyse d'expériences (2020)
À la page 445 ~ 448, exemple 11.3, le résumé est le suivant.
4 facteurs,
en 16 courses exactes,
D-optimal
Utiliser JMP
Le résultat est,
Cependant, je ne peux pas imiter ce résultat puisque,
JMP>DOE personnalisé>
- 4 facteurs continus
-RSM
- 'D-optimalité'
- courses : 16
au-dessus de 4 sont mes valeurs désignées, selon la figure suivante
Cependant, le résultat n’est pas le même que celui du manuel.
Il inclut toujours le niveau inférieur au niveau décimal du ou des facteurs, comme suit.
Il n’y a donc aucune identité entre les manuels.
Quel point ai-je raté ?
S'il vous plaît, dites-moi comment passer.
Modélisation statistique avancéeExploration et visualisation des donnéesConception d'expériencesRe : Comment créer correctement une conception D-optimale ?Salut @MikeKim ,
Comme les points expérimentaux issus de conceptions optimales sont générés via un algorithme ( Algorithme d'échange de coordonnées ) et basés initialement sur des points aléatoires, une part d'aléatoire est présente et peut conduire à des conceptions optimales différentes, avec des performances et des caractéristiques similaires mais des valeurs expérimentales individuelles différentes pour les facteurs et les exécutions.
Pour les valeurs "étranges" que vous pouvez parfois voir (comme 0,81 au lieu de 1, ou -0,22 au lieu de 0), cela est dû au processus de génération de conception basé sur des valeurs aléatoires initiales. La modification du nombre de démarrages et de la durée de chaque génération de conception peut améliorer l'optimalité globale de la conception trouvée, mais vous pouvez toujours rencontrer de telles valeurs. Ce n'est pas un gros problème et vous pouvez toujours "arrondir" ces valeurs à des valeurs plus conventionnelles (par exemple, arrondir 0,81 à 1), avec seulement une légère perte possible d'optimalité.
Si vous souhaitez utiliser le même Custom Design avec un autre, la meilleure option est de définir une graine aléatoire, afin que les points aléatoires initiaux soient les mêmes et que la convergence conduise au même design : Résolu : Re : Est-il possible de rendre reproductible la génération DOE ? - Communauté d'utilisateurs JMP
Pour cet exemple, si vous ne disposez pas de la graine utilisée pour générer cette conception, il peut être difficile de trouver exactement la même conception optimale, mais vous pouvez essayer de la générer plusieurs fois et utiliser les options pour augmenter Nombre de démarrages et Temps de recherche de conception.
J'espère que cette réponse vous aidera;
Re : Comment créer correctement une conception D-optimale ?N'oubliez pas non plus que dans de nombreuses situations, il existe plusieurs plans qui sont également optimaux car ils ont la même valeur pour le critère d'optimalité qu'un autre plan. La conception peut vous sembler très différente en ce qui concerne les exécutions, mais elles sont les mêmes que celles évaluées par JMP.
Notez que vous pouvez cliquer sur Retour en bas de la plateforme de conception personnalisée, puis cliquer à nouveau sur Créer un design pour obtenir un autre design, sauf s'il n'existe qu'une seule solution.
Re : Comment créer correctement une conception D-optimale ?Merci Victor.
Mon opinion est qu'en fait, il doit y avoir un moyen de fixer le niveau des facteurs pour qu'il devienne entier.
Étant donné que 2 des conceptions (D et I optimales) montrent que tous les niveaux sont des nombres entiers (-1, 0, 1), ils n'auraient pas pu être générés de manière aléatoire.
De plus, les performances globales des conceptions générées dans mon environnement sont bien inférieures à celles de l'auteur.
Dit, par exemple, Pred Var : 2.2 (le mien) et 1.8 (auteur).
Cela n'a en fait aucun sens que, compte tenu du fait que certains utilisateurs souhaitent le niveau entier, JMP ne soit pas équipé de cette option, donc je soupçonne qu'il doit y avoir un moyen de le faire.
Alors Victor, pourriez-vous s'il vous plaît reconsidérer ce problème ? Si vous en avez l'occasion, veuillez vous référer directement au manuel pour plus d'informations que ci-dessous si nécessaire.
Re : Comment créer correctement une conception D-optimale ?Salut @MikeKim ,
Bien sûr, il existe un moyen d'informer JMP que vous disposez de facteurs numériques discrets, il suffit de configurer vos 4 facteurs comme suit : Numérique discret à trois niveaux (-1, 0, 1) :
Cela ajoutera une contrainte lors de la génération du design pour utiliser uniquement les trois valeurs de niveaux possibles pour chaque facteur du design :
Mais cela ne change rien au fait que la génération de conception pour une conception optimale dans JMP est "aléatoire". Veuillez consulter mon article précédent sur l'algorithme d'échange de coordonnées et la réponse de @Mark_Bailey pour des explications et des renseignements. Vous pourriez donc vous retrouver avec une conception ayant des performances similaires, mais des exécutions différentes.
Celui que j'ai généré avec le même modèle (effets principaux, interactions et effets quadratiques), critère d'optimalité (D) et taille d'exécution (16) a une variance de prédiction similaire à celle du plan D-optimal du livre (1,86 contre 1. ,80 dans le livre pour le paramétrage spécifique des facteurs) :
Veuillez trouver ci-joint le plan D-Optimal que j'ai créé avec les facteurs numériques discrets.
En suivant les mêmes paramètres de facteurs et la même méthodologie, vous devriez être en mesure de générer une conception I-optimale satisfaisante, avec des performances et des caractéristiques similaires à celles du manuel.
J'espère que cette réponse vous aidera,
Re : Comment créer correctement une conception D-optimale ?Bien qu'il soit conscient que désigner les facteurs comme discrets entraîne que la conception devient basée sur des nombres entiers, et compte tenu de l'intention d'Auther et du contexte du problème, il est peu probable qu'il désigne les facteurs comme discrets, vous avez montré beaucoup d'intérêt pour ma question, je remercie donc toi.
Au moins deux des experts de JMP ont montré qu'il n'y avait pas de véritable copie du manuel, il pourrait donc y avoir une erreur dans le manuel ou un malentendu, ou encore une version différente de JMP donnerait des résultats différents.
Merci pour vos aimables réponses.
Re : Comment créer correctement une conception D-optimale ?Heureux que ma réponse ait été utile. Notez que "l'astuce" des facteurs numériques discrets peut être utilisée pour la génération de conception optimale, mais une fois la conception obtenue, vous pouvez rétablir le type de modélisation des facteurs en numérique continu pour correspondre au contexte d'origine du problème.
Je vous recommande vraiment d'essayer de générer plusieurs conceptions avec l'approche que j'ai mentionnée ci-dessus (avec des facteurs numériques discrets), et de lire les ressources répertoriées (et d'autres disponibles) sur l'algorithme d'échange de coordonnées utilisé dans la plateforme Custom Design.
Désolé d'insister là-dessus, la seule façon d'imiter exactement la conception du livre dans un essai est d'utiliser la graine aléatoire pour la génération de la conception, et de l'utiliser également dans JMP (il y a un sujet que j'ai répertorié dans mon précédent réponses traitant de cet aspect). Fixer la graine aléatoire permet de partir des mêmes points aléatoires initiaux et de converger (lors de la génération du plan) vers le même plan optimal final. Si vous ne disposez pas de ces informations, il est fort probable qu'il soit possible de créer plusieurs conceptions optimales, avec des performances et des caractéristiques similaires, qui correspondent à votre modèle supposé, aux spécifications des facteurs et aux contraintes. Dans ce cas d'utilisation, plusieurs conceptions optimales sont possibles, il n'y a pas une seule conception optimale possible, c'est pourquoi je n'obtiens pas la même conception que dans le manuel mais une autre avec des performances très proches.
Il n'y a pas d'erreurs du côté des manuels ou de JMP, le caractère aléatoire derrière la génération de conceptions optimales permet de converger vers plusieurs conceptions similaires (en termes de performances, mais différentes en termes d'exécutions expérimentales).
J'espère que cette réponse complémentaire dissipera tout malentendu,
