Analyser l'expérience de dépistage<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Salut,
J'ai quelques questions sur la façon d'analyser mon expérience de dépistage, j'utilise JMP 10.
J'ai 5 facteurs à deux niveaux. J'ai réalisé un plan de dépistage, un plan factoriel fractionnaire avec une résolution IV, et j'ai ajouté deux points centraux. Les interactions à deux facteurs étaient déroutantes, j'ai donc augmenté la conception pour les résoudre. Ma conception n'est pas orthogonale en raison de difficultés à contrôler certaines conditions pendant l'expérience (par exemple, la température n'a pas pu être maintenue à 20°C, elle s'est avérée être de 22°C). J'aimerais savoir quels paramètres semblent avoir un effet sur la réponse, quelle est l'ampleur de ces effets et, si je peux, également s'il y a un signe de courbure dans le modèle.
Si j'utilise la Screening Platform, certains facteurs seront mis en évidence : les effets principaux, certaines interactions à deux facteurs mais aussi deux termes quadratiques.
- Quelle est la condition pour que le facteur soit mis en évidence ?
Lorsque je clique sur « Créer un modèle » avec ces facteurs en surbrillance, les deux termes quadratiques ne sont pas significatifs (Prob>t est 0,08 et 0,17).
- Comment se fait-il qu'ils soient mis en avant par la Plateforme de Screening, mais pas significatifs dans ce modèle ?
- Comment dois-je interpréter le résultat (leurs estimations sont -1,02 et 0,78) ? Qu'il semble y avoir une courbure (même si elles ne sont pas significatives) ? Mais ils prêtent à confusion, donc je ne peux pas dire quels termes quadratiques donnent cet effet.
- Dois-je ne pas les inclure dans le modèle ?
- Le RSquare Adj est de 0,88 pour le premier modèle, et de 0,57 lorsque j'exclus les termes quadratiques.
- Dois-je ajouter des termes axiaux pour obtenir des termes quadratiques significatifs ?
Dois-je plutôt utiliser une autre méthode, un modèle d’ajustement ou une régression pas à pas ?
Beaucoup de questions, j'espère que quelqu'un pourra m'aider à en résoudre certaines. Merci d'avance!
Re : Analyser l'expérience de dépistageComplément pour DSD
Complément de conception de criblage définitif
Re : Analyser l'expérience de dépistageDeux choses à ajouter aux commentaires de Mark :
Après avoir ajusté votre modèle, accédez au point chaud rouge à côté de la barre de titre du modèle d'ajustement, accédez à Diagnostics de ligne et sélectionnez « Tracer le résidu par prévision ».Examinez le graphique et recherchez un ou plusieurs modèles suggérant une courbure ou une autre tendance de vos données.
De plus, selon la version de JMP que vous utilisez, vous devriez envisager d'utiliser la conception de criblage définitif pour votre prochain DOE.Cela vous donnera le moins d'exécutions nécessaire pour trouver la plupart, sinon la totalité, des facteurs actifs (importants), y compris les termes de courbure, pour votre modèle.Dans votre cas de 5 facteurs continus, votre conception serait potentiellement de 11 exécutions.
Meilleur,
Facture
Re : Analyser l'expérience de dépistageLa plateforme Screening utilise alpha = 0,1 pour sélectionner les contrastes. Ce critère représente deux fois plus de risque d’erreur de type I (faux positif) que le critère souvent utilisé de 0,05 pour l’alpha. Cette augmentation du risque est acceptable car vous continuerez à inclure de tels facteurs et, avec plus de preuves empiriques, déciderez s'ils confirment ou non des effets réels et parce que cela diminue le risque d'erreur de type II (faux négatifs). Ce compromis est souhaitable car vous ne continuerez pas à examiner des facteurs jugés sans effet. Ce compromis est utile car les expériences de criblage sont généralement de petite taille et de taille fixe, vous ne pouvez donc pas augmenter la puissance avec plus d'exécutions. Pour l’instant, j’inclurais les six facteurs jusqu’à ce que des preuves supplémentaires montrent qu’un ou plusieurs d’entre eux ne le confirment pas.
Je suis confus au sujet des termes quadratiques de votre modèle. Vous ne devriez pas disposer des traitements nécessaires dans votre conception de criblage pour prendre en charge l'estimation des termes quadratiques dans le modèle. Vous n'avez que des points centraux.
Nous ne recommandons généralement pas de supprimer tous les termes qui se sont révélés non significatifs lors de l'ajustement initial du modèle aux données. C'est une bonne idée de supprimer de manière conservatrice le terme le moins significatif qui ne rompt pas la hiérarchie du modèle et de réajuster le modèle. Itérer de cette façon est plus sûr car la valeur p pour n'importe quel terme dépend des autres termes du modèle et donc tous changeront à mesure que vous simplifierez le modèle linéaire.
Améliorer votre conception au fur et à mesure que vous avancez est un excellent moyen d'augmenter progressivement les preuves empiriques à mesure que vous étendez et confirmez votre modèle.
Re : Analyser l'expérience de dépistageMerci pour vos réponses utiles !
Oui, je n'ai que des facteurs continus, et je me suis trompé dans mon message précédent : j'ai ajouté 4 points centraux et non 2.
Comment puis-je décider quels facteurs inclure dans le modèle ?
Si je commence par utiliser la plateforme de dépistage et que 6 facteurs sont mis en évidence. Je fais un modèle avec eux, mais dans le modèle seuls quatre d'entre eux sont significatifs. Dois-je faire un nouveau modèle avec uniquement les plus significatifs ? Et puis analysez ce modèle en fonction du manque d'ajustement, du carré R ajusté, etc.
Je comprends que l'intrigue semi-normale est utile. Les estimations des termes inactifs tomberont sur la ligne qui a une pente δ, car ils représentent un bruit aléatoire qui suit la distribution normale.
La procédure suivante serait-elle appropriée ?Utilisation de la plateforme de dépistage :
Créez un modèle (ajustement des moindres carrés) avec les termes qui sont éloignés de la ligne dans le tracé semi-normal, mais en excluant les termes quadratiques.
Faire un nouveau modèle avec uniquement les termes significatifs (mais toujours un modèle hiérarchique si présence d'interactions à deux facteurs).
-Dois-je supprimer un facteur à la fois, celui avec le niveau de signification le plus bas, et créer un nouveau modèle ? Ou dois-je supprimer tous les termes insignifiants en même temps ?
Et puis analysez le modèle selon la discussion précédente.
Re : Analyser l'expérience de dépistageJe ne m'inquiéterais pas du fait que vos niveaux ne correspondaient pas exactement à ceux requis par le traitement. Assurez-vous de mettre à jour la valeur dans le tableau de données avant l'analyse ! La corrélation introduite (non orthogonalité) par ces écarts devrait être faible et donc ne pas poser de problème - la régression peut bien gérer de telles anomalies.
Je vous recommande d'étudier le chapitre sur la plateforme de dépistage dans le guide. (Aide > Livres, > Guide de conception d'expériences) Ces informations vous aideront grandement à vous préparer à l'utilisation de cette plateforme et à répondre à vos questions.
Quelques points que vous pourriez considérer :
- Les contrastes avec une valeur p individuelle < 0,1 sont automatiquement sélectionnés. Vous pouvez remplacer la sélection en cliquant et en appuyant sur les contrastes pour ajouter ou supprimer des contrastes de l'ensemble actuel de contrastes sélectionnés.
- Les valeurs p de la plateforme de dépistage dépendent du modèle actuel, c'est-à-dire des autres termes inclus dans le modèle. Lorsque vous cliquez sur Créer un modèle, seuls les termes sélectionnés sont inclus, les valeurs p changent donc. De plus, les contrastes sont utilisés par la plateforme Screening, mais Fit Least Squares utilise les estimations des paramètres. Lorsque les estimations ne sont pas orthogonales, il y aura une différence entre elles et les contrastes, entraînant une modification des valeurs p associées.
- Vous pouvez utiliser le test de manque d'ajustement dans Ajuster les moindres carrés pour vous aider à décider s'il y a une courbure. Je supprimerais d'abord les termes quadratiques. Comprenez également que ce test est faible puisqu'il n'aura qu'un seul degré de liberté à partir de 2 points centraux. Si ce test est significatif, alors vous avez des preuves de courbure et cela soutiendrait l'un ou les deux termes quadratiques.
- Vous ne disposez pas de tous les traitements nécessaires dans votre matrice de conception pour prendre en charge une matrice de modèle (régression) avec les deux termes quadratiques. Si vous décidez que la courbure est importante, vous pouvez alors augmenter la conception avec de nouvelles conduites. (DOE > Augmentation de la conception. Étudiez le chapitre du guide sur l'augmentation d'un plan.) Sans augmentation, vous devriez vous fier à des croyances basées sur des connaissances externes pour sélectionner l'un des termes quadratiques. Il n’existe aucun support pour une telle sélection dans cet ensemble de données.
- Le carré R augmente toujours lorsque vous ajoutez un terme et diminue toujours lorsque vous supprimez un terme, quelle que soit sa signification pour le modèle. Le carré R ajusté se comporte généralement de la même manière mais sa pénalité rend l'interprétation plus compliquée. Utilisez-vous le carré R ajusté pour la sélection du modèle ?
- La plateforme de dépistage suppose que tous vos facteurs sont continus. Je suppose qu'ils le sont parce que vous avez ajouté des points centraux.
Vous pouvez également essayer la fonctionnalité de plate-forme Stepwise de All Possible Models avec seulement cinq facteurs.
