Utilisation du résultat du DOE comme prédiction quantitative ou qualitative (basée sur le résumé des effets)Salut tout le monde,
Je fais un DOE factoriel complet avec 2 facteurs et 2 réponses. et je me demande comment faire
Après avoir testé et exécuté le modèle. Le résultat montre qu’il n’y a pas de facteurs significatifs ni de modèle significatif également.
Mais en regardant le profileur d'interaction. Je vois des tendances claires dans le facteur A et la réponse X.
Ma question est donc de savoir comment utiliser correctement ce résultat.
- Avec cela, je ne peux pas prédire quantitativement en utilisant le modèle de régression. Parce que c'est statistiquement insignifiant (pas pratique)
- Avec la tendance, je peux encore utiliser ça pour la prédire qualitativement (la tendance) par exemple : en augmentant le facteur A, X va augmenter.
Est-ce que je comprends bien ? ou ai-je mal interprété ce résultat ?
J'espère qu'un expert pourra m'aider. Merci à tous
Conception d'expériencesRe : Utilisation du résultat du DOE comme prédiction quantitative ou qualitative (basée sur le résumé des effets)Salut @Justin_Bui ,
Il peut y avoir plusieurs explications pour lesquelles vous ne trouvez pas les termes du modèle statistiquement significatifs :
- Plages de facteurs trop étroites (il peut donc être plus difficile de trouver des différences statistiques entre les niveaux élevés et faibles),
- Grande variabilité de la ou des réponses,
- Modèle inapproprié (et/ou choix de termes dans le modèle),
- Taille d'échantillon trop petite pour le plan (donc faible puissance pour détecter des effets statistiquement significatifs),
- Facteur(s) manquant(s) expliquant statistiquement la variation de la ou des réponses,
- Facteurs effectivement non statistiquement significatifs,
- Combinaison des options ci-dessus,
- Autres considérations...
Compte tenu de votre conception et du modèle supposé, vous pouvez commencer à évaluer votre conception pour voir quelle est votre probabilité de détecter des effets statistiquement significatifs s'ils sont actifs (voir le script « Évaluer la conception » dans le tableau de données). Il semble que vous disposiez d'une puissance assez faible pour détecter les effets principaux et les interactions. Il n'est donc pas surprenant de ne trouver aucun terme statistiquement significatif pour la réponse Y si l'on considère la grande variabilité de cette réponse (environ 5 % de chances de détecter un effet statistiquement significatif). effet significatif (si actif) pour un niveau de signification de 0,05 et RMSE autour de 5 pour la réponse Y avec vos 6 expériences) :
Pour un bon point de départ avant la modélisation, il est toujours préférable de commencer simplement et de réaliser quelques graphiques/visualisations pour voir les tendances. Cela pourrait encore améliorer et éclairer vos options de modélisation, et les visualisations peuvent également vous aider pendant la modélisation à évaluer la pertinence de votre modèle (par exemple en examinant le tracé des résidus, réel par rapport aux prévisions, etc...).
Il est également intéressant de considérer l’importance pratique du ou des facteurs.Dans l'exemple que vous fournissez pour la réponse Y et en regardant les estimations des paramètres, une variation de 20 dans la réponse Y pour une unité du facteur B représente-t-elle une augmentation/diminution pratiquement significative ?
Ce que vous pouvez trouver pour la réponse Y, ce sont des tendances qui pourraient être étudiées plus en détail en réalisant des expériences supplémentaires (en augmentant la conception pour ajouter des analyses confirmant ce modèle et/ou en reproduisant des analyses existantes pour mieux évaluer la variabilité des réponses). La signification statistique vous aide à avoir plus de certitude dans l'interprétation de vos résultats. Par exemple, dans la réponse Y, vous pouvez constater que les estimations des paramètres ont une erreur type relativement élevée, ce qui signifie que l’ampleur de l’effet peut ne pas être estimée avec précision. Il est donc toujours préférable, dans ces situations, d’interpréter les tendances avec une grande prudence.
Pour la réponse X, il semble qu'un modèle impliquant les termes Facteur A et son effet quadratique soit suffisant pour avoir un modèle approprié (ou du moins suffisamment pertinent). Je vous laisse évaluer le modèle de la réponse X dans le tableau de données ci-joint.
J'espère que cette première réponse pourra vous aider,
Re : Utilisation du résultat du DOE comme prédiction quantitative ou qualitative (basée sur le résumé des effets)Justin,
Une petite "autre considération" à ajouter aux points très bien articulés soulevés par Victor_G...
En examinant les données brutes, les valeurs de la réponse X et de la réponse Y semblent avoir des mesures très grossières.Bien que cela puisse être un artefact de la traduction de votre exemple à publier, cela souligne une préoccupation.
Sur les six exécutions, X n’a que trois options de valeurs et Y n’en a que deux.Même s'il est agréable que les répétitions du modèle factoriel 00 soient identiques, le manque de précision du système de mesure peut nuire à la compréhension du processus.
*Déterminez si la précision du système de mesure peut être améliorée*.
Il sera difficile de construire un modèle mathématique utile si le test pour la réponse X ne peut rapporter qu'aucun (0), moyen (10), grand (15) et que la réponse Y est aucun (0) ou certains (25)...
Selon l'endroit où se situent les coûts et les délais dans le processus DOE, pensez aux mesures répétées plutôt qu'aux analyses répétées.
Re : Utilisation du résultat du DOE comme prédiction quantitative ou qualitative (basée sur le résumé des effets)Bien que Greg fasse valoir un bon point, le problème est une question de discrimination ou de résolution efficace, et non de précision.
