DoE à parcelle divisée (nombre limité d'essais par jour)Bonjour à tous,
Nouveau cas:
3 variables (facteurs)
Facteur 1 (continu) = 0 - 225
Facteur 2 (continu) = 0 - 10
Facteur 3 (Discret - 2 niveaux) = 60 et 90 (étape du processus)
Le facteur 3 peut être considéré comme une étape finale de transformation du mélange des 2 premiers facteurs. Donc à titre d'exemple :
Facteur 1 (225) combiné avec Facteur 2 (10) - ce lot serait idéalement traité à 60 et 90 le même jour.
La partie limitante/difficile est le nombre de lots qui peuvent être effectués par jour. jour. Il n'y a que le temps de mélanger 2 lots par jour avec 8 jours d'essai au total. Cela signifie jusqu'à 16 lots et « 32 exécutions uniques ».
J'ai essayé différentes solutions avec des facteurs bloquants/difficiles à modifier. Cependant, l'analyse de puissance s'avère assez médiocre si je définis les deux facteurs continus comme étant difficiles à modifier.
Je suis intéressé par un modèle qui peut expliquer les éléments suivants :
Les 3 facteurs principaux
Tous les termes d'interaction
Facteur 1 X Facteur 1
Ma configuration actuelle est visible sur les photos ci-jointes.
Il pourrait y avoir plusieurs solutions que je n'ai pas envisagées. Pourrait vraiment utiliser certaines entrées.
Dans l'attente de votre réponse. J'utilise actuellement JMP 17 - je ne suis pas capable d'écrire/de travailler avec des scripts JSL.
Automatisation et scriptsConception d'expériencesIngénierie Qualité et ProcédésRe : DoE à parcelle divisée (nombre limité d'essais par jour)Désolé, je ne peux pas m'en empêcher. Je vois le problème légèrement différemment... Vous avez une énorme opportunité d'améliorer votre processus en comprenant ce qui change réellement au jour le jour. Pourquoi le processus change-t-il autant au jour le jour ? Les effets des facteurs restent-ils cohérents au jour le jour ou varient-ils ? Je suis trop déterministe pour croire que la variation aléatoire ne peut pas être comprise, expliquée et probablement modélisée avec le droite effort. Cela nécessite un travail persistant et diligent pour identifier les variables qui changent au jour le jour et déterminer votre capacité à gérer ces variables à long terme et, si vous ne le pouvez pas, comment développer un processus robuste à ces variables. Avoir un modèle qui « prédit » la moyenne sans comprendre ce qui cause la variation, c'est un peu comme cette vieille phrase :
"Les pieds dans le four, la tête au congélateur, en moyenne la température idéale"
BTW, votre petite capture d'écran ne nous donne pas certaines informations importantes pour déterminer l'adéquation du modèle (par exemple, RSquares, RMSE, analyse des résidus). De plus, ces % s'appliquent uniquement aux données disponibles et ne signifient pas nécessairement que vous obtiendrez les mêmes résultats à l'avenir.
Re : DoE à parcelle divisée (nombre limité d'essais par jour)Salut,
La partie Estimations des composants de variance REML du rapport vous indique la quantité de variance d'erreur capturée par l'effet aléatoire (parcelle entière) par rapport à l'erreur résiduelle. Il est incorrect de l'interpréter puisque 18 % des données sont « valides ». Vous devez l'interpréter comme 18 % (ou en fait 19 %) de la variance d'erreur qui n'est pas prise en compte par l'ensemble de l'effet de tracé.
J'espère que ça aide,
Phil
Re : DoE à parcelle divisée (nombre limité d'essais par jour)Salut @Bertelsen92 ,
Je pense que vous trouverez l'explication dans @Mark_Bailey très utile concernant les différences entre effets aléatoires et effets fixes : Résolu : Re : signification de la valeur p des effets aléatoires dans le rapport - Communauté d'utilisateurs JMP
Dans votre cas, 81 % de la variance peut être imputée à votre effet aléatoire, votre variable journalière. Avoir une valeur p de Wald significative signifie que la variance de réponse dépend de l'effet aléatoire, donc de votre variable de jour (l'intrigue entière). Mais cela ne veut pas dire que vos données sont des « déchets ». Vous pouvez également d'abord visualiser vos données et/ou votre modèle via différentes plates-formes, par exemple en regardant le « Réel par tracé prédit » disponible sur différentes plates-formes de modélisation peut déjà vous indiquer si vous pouvez obtenir ou non un modèle raisonnable pour vos données (par exemple à partir de mon exemple de table de données pour reproduire les mêmes conditions que vous :
A titre d'exemple, j'ai ajouté du bruit non constant (augmentant avec le numéro de ligne), et j'ai un affichage très similaire à celui de REML :
Mais en regardant les estimations des effets fixes (et après avoir supprimé les effets non significatifs), j'ai pu détecter 2 effets principaux significatifs, 1 interaction significative et 1 effet quadratique significatif :
En fonction de l'ampleur de votre bruit/variance (par rapport à la différence entre les niveaux que vous souhaitez détecter pour les différents facteurs/effets), vos performances prédictives peuvent ne pas être élevées. Mais cela vaut la peine de consulter le Profiler, pour avoir une idée de la façon dont chaque facteur peut affecter la réponse.
Option supplémentaire pour le Profiler : Dans le triangle rouge, vous pouvez cliquer sur « Prédictions Conditionnelles » afin de voir les prédictions du modèle en corrigeant les effets aléatoires : Options du profileur de prédiction (jmp.com) Cela peut être utile si vous souhaitez examiner le modèle et les effets des facteurs en contrôlant la variance par rapport à l'effet aléatoire.
Exemple ici sur les exemples de données :
J'ai ajouté mon exemple présenté ici afin que vous puissiez reproduire les résultats que j'ai montrés en regardant le script "Model final".
J'espère que cette réponse vous aidera,
Re : DoE à parcelle divisée (nombre limité d'essais par jour)Salut @Victor_G et @Phil_Kay ,
L'essai est maintenant terminé et j'examine la plateforme du modèle Fit pour plusieurs réponses mesurées. J'ai une question concernant l'effet WholePlot*Random.
Donc pour une des réponses, j'obtiens ceci :
Donc les parcelles entières (Pct du total = 81 229). Il est bien entendu que 81 % de la variance de ces données ne peut pas être expliquée par les facteurs que nous avons modifiés, mais est plus susceptible de provenir d'autre chose. Dans ce cas, cela a vraiment du sens. Je voulais juste m'assurer d'avoir bien compris.
Deuxièmement, est-il alors judicieux d'utiliser le Prediction Profiler si seulement 18 % des données sont « valides » ?
Merci d'avance. Passe un bon weekend. 
Re : DoE à parcelle divisée (nombre limité d'essais par jour)Merci beaucoup pour toutes vos contributions Victor et @Phil_Kay . Très bonne explication et solution au cas que j'ai proposé.
Je pense que j'ai peut-être surestimé l'importance du "power score" puisque je n'utilise que la valeur par défaut de JMP. (RMSE = 1, coefficient = 1).
J'opterai pour votre solution avec les 32 pistes et 16 tracés. Vraiment bien avec la fonction de comparaison des deux modèles, j'essaierai certainement cela la prochaine fois moi-même.
Bon week-end à tous les deux.
Re : DoE à parcelle divisée (nombre limité d'essais par jour)Logique, @Victor_G . Désolé, j'avais mal lu les 28 courses comme 26. Dans tous les cas, votre plan de 16 parcelles entières sera clairement « meilleur » que 7 ou 8 parcelles entières. La différence relative de puissance est ici un indicateur utile : plus de changements dans les facteurs => plus de puissance. Mais, encore une fois, je voudrais souligner que la valeur absolue de la puissance n’a de sens que si vous disposez de chiffres significatifs sur la taille du bruit et le signal que vous devez détecter.
Re : DoE à parcelle divisée (nombre limité d'essais par jour)Salut @Phil_Kay ,
Merci pour le soutien et les explications apportées au design proposé.
Dans sa conception originale, Kristian a défini 7 parcelles et 28 parcours, afin de respecter et de réaliser la condition de 4 parcours/jour. Il aurait pu être possible, puisque le nombre d'analyses le plus élevé possible est de 32, d'utiliser également 8 parcelles et 32 analyses pour réaliser la condition de 4 analyses/jour.
Mais si vous effectuez cette conception, cela signifie que les analyses dans chaque parcelle seront similaires pour les facteurs « difficiles à modifier », il y aura donc 4 lots identiques par jour, à 2 conditions pour le facteur 3. Cette situation peut ne pas avoir d'impact sur la puissance (par rapport au plan que j'ai proposé précédemment) pour le facteur 3 puisqu'il existe une randomisation possible pour le facteur 3 dans chaque bloc (facteur facile à modifier), mais en raison des « facteurs difficiles à modifier » qui impliquent une restriction sévère sur la randomisation pour ces facteurs, cela affectera la puissance des facteurs « difficiles à modifier » 1 et 2, ainsi que la variance de prédiction pour ces 2 facteurs, la précision des estimations de ces paramètres et les alias dans le conception :
Comparaison de puissance entre des plans à 8 parcelles et à 16 parcelles :
Comparaison de la variance des prédictions entre les plans à 8 placettes et à 16 placettes :
Comparaison de l’erreur type relative des estimations entre les plans à 8 placettes et à 16 placettes :
Comparaison des corrélations entre les termes du modèle pour les deux conceptions :
J'espère que cette réponse aidera et complétera les excellentes explications de Phil,
Re : DoE à parcelle divisée (nombre limité d'essais par jour)Salut @Bertelsen92 ,
@Victor_G La solution de me semble logique et elle semble répondre à vos exigences.
Dans votre exemple, vous aviez spécifié 7 parcelles entières et 26 exécutions au total, ce qui serait étrange.
Le nombre de parcelles entières est le nombre de groupes d'essais au sein desquels les facteurs difficiles à modifier restent constants. Par conséquent, Victor a fixé ce chiffre à 16 car vous pouvez exécuter 2 combinaisons de vos facteurs difficiles à modifier chaque jour, sur 8 jours, soit 32 exécutions au total.
Vous étiez inquiet à propos du pouvoir. La puissance sera inférieure lorsque vous définissez des facteurs difficiles à modifier. Dans les expériences conçues, nous apprenons l'effet d'un facteur sur la réponse en modifiant le facteur et en observant l'effet sur la réponse. Si nous apportons moins de modifications au facteur, nous apprenons moins. Ce n'est pas plus compliqué que ça.
Cela dit, le nombre absolu que vous voyez pour la puissance n'a de sens que si vous disposez de bons chiffres pour le bruit (RMSE) et le signal que vous devez détecter (coefficient anticipé). La plupart du temps, nous ne les avons pas. Donc, si vous utilisez uniquement les valeurs par défaut de JMP (RMSE = 1, coefficient = 1), cela n'a aucun sens de vous soucier de savoir si la puissance est > ou < 0,8.
J'espère que ça aide.
Phil
Re : DoE à parcelle divisée (nombre limité d'essais par jour)Salut Kristian,
Une option possible est de considérer les deux facteurs 1 et 2 comme « Difficiles à changer », et le facteur 3 comme « Faciles à changer » :
Ensuite, créez votre modèle avec les effets principaux, les interactions et la puissance quadratique pour le facteur 1. Spécifiez le nombre de parcelles entières à 16 et le nombre de courses à 32 :
Vous aurez 2 runs par parcelle entière (pour un total de 2 lots/4 runs par jour, donc 2 parcelles entières par jour) dans lesquels seul le facteur 3 variera :
Vous pouvez trouver le tableau de données de la conception ci-joint pour évaluer la conception et voir si elle correspond à vos besoins.
