Comment analyser un plan factorielSalut,
J'aimerais de l'aide. Récemment, j'ai exécuté une factorielle 2 ^ 4. Ma réponse concerne certaines propriétés de texture de mes extrudés. Cependant, au cours des expériences, il y avait certaines conditions dans lesquelles je n'étais pas en mesure d'obtenir des extrudés et donc d'obtenir des données de texture. Par conséquent, j'aimerais avoir des conseils sur la façon d'analyser de telles conceptions avec des points de données manquants.
Merci!
Analyse et modélisation des données de baseRe : Comment analyser un plan factorielEn général, vous pouvez toujours analyser l'expérience de la même manière que si vous aviez toutes les réponses. Cependant, certains termes du modèle seront inestimables. Les termes dépendent des combinaisons de traitement manquantes. J'utiliserais également la plate-forme Evaluate Design en excluant les lignes «manquantes» par rapport à la conception complète pour voir la quantité de puissance que vous avez perdue et la corrélation des estimations ainsi que d'autres caractéristiques de conception pertinentes.
Re : Comment analyser un plan factorielD'accord avec P_Bartell pour évaluer l'impact de la conception. Vous pourrez peut-être toujours adapter le modèle. Mais vous devez interpréter ce modèle avec beaucoup de prudence, en particulier en ce qui concerne la région de défaillance.
Pourquoi les données manquantes sont critiques." Je n'ai pas pu obtenir d'extrudés"
Demandez pourquoi cela s'est produit et si cela pourrait être lié aux paramètres de facteurs utilisés. Par exemple, allez-vous dans un coin de l’espace où le processus franchit une falaise et échoue ? Triez le tableau de données, quel est le point commun avec les échecs ? Existe-t-il une limite supérieure (inférieure) appropriée pour la réponse que vous pourriez utiliser comme substitut dans les données pour explorer l'espace de défaillance ? Pensez également à analyser une réponse d'échec binaire 0/1. Il s'agit de vous donner un aperçu des causes de l'échec, que vous confirmerez ensuite par des expériences de suivi.
Il est important de garder à l’esprit que les « données manquantes » peuvent être les données les plus importantes que vous avez collectées. Ne le jetez pas lors de l’interprétation des résultats.
Envisagez une augmentation. Vous pouvez augmenter vers le coin de défaillance le long d'un vecteur pour trouver d'abord le bord de défaillance, puis augmenter l'expérience en utilisant une région contrainte, par exemple.
Est-ce que cela se produit généralement dans ce type d’expériences ? Si tel est le cas, dans les expériences futures, le renforcement de la conception, par exemple en ayant une résolution plus élevée et/ou en utilisant des modèles plus grands, peut rendre la conception plus robuste aux pertes. Ou effectuer quelques analyses préliminaires pour cartographier l’espace de défaillance peut être utile.
Re : Comment analyser un plan factorielJe ne discuterai pas des sujets soulevés par les réponses précédentes, car ils sont parfaitement clairs et je ne pourrais être plus d'accord.
Concernant l'augmentation de conception dans la zone de rupture, vous pourriez peut-être utiliser une approche Space-Filling, pour avoir plus de flexibilité sur le nombre de points utilisés dans l'augmentation et plus de flexibilité dans la modélisation de cette zone. Cela pourrait peut-être permettre de cartographier plus précisément la région limite de « faisabilité expérimentale ».
À propos des exécutions préliminaires mentionnées par @datadad2 , comme vous utilisez des plans factoriels, vous pouvez utiliser des plans de cadrage pour évaluer la faisabilité des exécutions expérimentales dans des conditions élevées, moyennes et basses de votre espace expérimental : https://prismtc.co.uk/resources/blogs-and-articles/scoping-designs
Il peut aider à éviter les échecs lors des essais, à évaluer la reproductibilité et le bruit, et peut permettre de détecter une courbure très tôt dans votre projet.Re : Comment analyser un plan factorielFaisant écho à toutes les affiches précédentes. La bonne nouvelle est que vous avez effectué une factorielle, vous disposez donc peut-être encore de traitements suffisants pour une factorielle fractionnaire. Voici mon conseil en cas de données manquantes dans une expérience.
1. Comme le souligne datadad, qu'avez-vous appris des traitements qui n'ont produit aucun résultat (c'est peut-être la partie la plus informative de l'expérience) ? Était-ce le résultat du traitement ou est-ce qu'il s'est produit autre chose ?
2. Pouvez-vous développer une variable de réponse alternative ? Une autre façon de mesurer les unités expérimentales.
3. Vous pourrez peut-être utiliser la régression avec les données restantes pour créer un modèle qui prédira les points de données manquants (vous devrez connaître les DF disponibles)
4. Utilisez la moyenne des autres traitements pour le point de données manquant (cela tend à normaliser cet effet de traitement particulier)
5. Si vous aviez prédit les résultats a priori, utilisez votre résultat prédit.
6. Faites 3 à 5 et remplacez les valeurs par le point de données manquant. effectuez une analyse de modèle d'ajustement et regardez dans quelle mesure ces analyses concordent. S’il existe un accord raisonnable, vous pouvez probablement avoir confiance dans votre analyse. Sinon, vous devrez peut-être réexécuter les traitements manquants ainsi que certains pour lesquels vous disposez de données (pour estimer l'effet de blocage).
