Requête sur la génération de DOE avec quatre variables (2 niveaux) et analyse 2 variables à la foisBonjour:
J'ai des variables à 4 ou 2 niveaux et je prévoyais de faire une analyse DOR factorielle complète sans réplication.
Donc 16 courses.
Au lieu d'analyser le résultat pour quatre variables, que se passe-t-il si j'analyse seulement deux variables à la fois, cela me donnera un total de six DOE à analyser dans le même ensemble de 16 expériences mais chacune avec 4 répétitions maintenant.
Variables : A, B, C, D
au lieu d'analyser ABCD ensemble, que se passe-t-il si j'analyse AB, AC, AD, BC, BD, CD.
De cette façon, je peux voir quels facteurs et interactions sont significatifs.
Je pense que l'analyseur DOE fait la même chose, mais pourquoi est-il toujours suggéré d'avoir plus de répétitions ?
Est-ce que j'ai raté quelque chose ou ma compréhension est-elle erronée quelque part.
Votre aide est grandement appréciée.
Modélisation statistique avancéeConception d'expériencesRe : Requête sur la génération de DOE avec quatre variables (2 niveaux) et analyse 2 variables à la foisSalut @VarunK ,
Il y a plusieurs questions dans votre message, je ferai donc de mon mieux pour y répondre étape par étape.
À propos de l'utilisation du plan factoriel complet et de ce que l'on peut en attendre :
Si vous envisagez de réaliser un plan factoriel complet sur 4 facteurs continus avec 2 niveaux et 16 exécutions, cela signifie que vous supposez que votre modèle complet a priori contiendra l'origine, les 4 effets principaux (pour chaque facteur) et les 6 interactions entre 2 facteurs. Au total, vous avez 11 termes à estimer, il vous reste donc 5 degrés de liberté pour évaluer l'erreur : Analyse de Variance
Je recommanderais de commencer par le modèle complet, car il s'agit de votre modèle supposé a priori. Il peut donc vous fournir un meilleur aperçu de la pertinence et de l'influence des différents termes, au lieu de répéter le modèle en l'adaptant à de nombreuses combinaisons différentes sans aucun problème. connaissances préalables (cela prendrait plus de temps et vous pourriez être dérouté par des modèles différents ou contradictoires).
Bien entendu, en fonction de vos résultats, ce modèle complet peut ne pas être le plus approprié ou le plus pertinent, et il se peut qu’il n’existe pas un seul modèle répondant à vos besoins.
De plus, si un (ou plusieurs) facteur(s) et ses termes d'ordre supérieur associés (effet d'interaction) n'ont aucune influence sur le modèle, les simulations correspondant à l'estimation de ces effets peuvent être projetées dans l'espace de dimension inférieure, les faisant ressembler à se réplique. C'est ce qu'on appelle la propriété de projection des plans factoriels, et la raison (avec le principe de parcimonie des effets) pour laquelle les plans de criblage/plans factoriels fractionnaires peuvent être très puissants et flexibles. Plusieurs liens sont disponibles sur internet si vous souhaitez en savoir plus : Classical Designs-Fractional Fractorial Designs Rev1.pdf (afit.edu)
Propriétés de projection des plans factoriels pour le filtrage factoriel | SpringerLink
Et j'ai aussi fait un post sur LinkedIn pour expliquer intuitivement son fonctionnement à travers une comparaison avec la shadowgraphy : https://www.linkedin.com/posts/victorguiller_designofexperiments-statistics-dataanalytics-activity-7155469237921153025-ul7E
L’ajout de répétitions est une bonne technique pour améliorer l’estimation des paramètres/coefficients, mais elle peut augmenter considérablement le budget expérimental. Pour offrir une plus grande flexibilité, et selon la plateforme utilisée, vous pouvez soit utiliser la réplication (réplication complète du design), soit les exécutions répliquées (réplication d'un certain nombre d'exécutions). Pour plus d'informations sur cette différence de réplication et les avantages des réplications, voir https://community.jmp.com/t5/Discussions/Doe-and-replications/mp/565296/highlight/true#M77731
À propos de la façon d'analyser votre DoE :
En fonction de votre (vos) objectif(s), vous pouvez avoir différentes voies d'évaluation et de sélection des modèles :
- Modèle explicatif : dans un mode explicatif, vous vous concentrez davantage sur les termes qui ont une certaine influence sur la ou les réponses. Vous pouvez donc évaluer la nécessité d'inclure les différents termes en fonction de leur signification statistique (à l'aide de p- valeurs et un seuil prédéfini pour cela comme 0,05) et la signification pratique (taille des estimations, sélection basée sur l'expertise du domaine). R², R² ajusté (et la différence entre les deux, qui doit être minimisée) peuvent être de bonnes mesures pour comprendre dans quelle mesure la variation est expliquée par les termes identifiés et sélectionner le(s) modèle(s) pertinent(s) pour expliquer votre système à l'étude.
- Modèle prédictif : dans un mode prédictif, vous vous concentrez davantage sur les termes qui vous aident à minimiser les erreurs de prédiction. Vous pouvez donc évaluer la nécessité d'inclure les différents termes en fonction de la manière dont cela améliore les performances prédictives, grâce aux visualisations des performances réelles par rapport aux performances prédictives. tracé prédictif et taille des erreurs (tracé des résidus). Le RMSE pourrait être une bonne mesure pour évaluer quel(s) modèle(s) ont les meilleures performances prédictives (l'objectif est de minimiser le RMSE).
Vous pourriez également être intéressé par une combinaison des deux parties, ainsi différentes métriques pourraient être utilisées pour vous aider à évaluer et sélectionner les modèles, comme les critères d'information (AICc, BIC) qui permettent de trouver un compromis entre les performances prédictives du modèle et sa complexité. Pour évaluer et sélectionner un modèle en fonction de ces critères, le plus bas sera le mieux. Vous pouvez également utiliser le maximum de vraisemblance, qui est similaire mais n'inclut pas de pénalité pour la complexité du modèle.
Comme vous pouvez le constater, il peut exister plusieurs façons d’évaluer et de sélectionner le(s) modèle(s) le(s) plus pertinent(s).
J'espère que cette réponse vous aidera à avoir un aperçu de ce qu'il faut faire ensuite pour votre cas d'utilisation.
Re : Requête sur la génération d'un DOE avec quatre variables (à 2 niveaux) et l'analyse de 2 variables à la foisHmm, je déteste argumenter, mais ce n'est pas correct. Si vous exécutez une factorielle complète sur 4 facteurs à 2 niveaux, les 15 DF sont attribués comme suit :
4 DF : 4 effets principaux,
6 DF : 6 effets d'interaction du 2e ordre,
4 DF : 4 effets d'interaction du 3ème ordre,
1DF : effet d'interaction du 4ème ordre.
Il n'existe pas de DF pour estimer l'erreur. Le simple fait d'exclure les effets d'ordre supérieur du modèle ne permet pas d'en faire des estimations d'erreur indépendantes.
Re : Requête sur la génération d'un DOE avec quatre variables (à 2 niveaux) et l'analyse de 2 variables à la fois@statman , je suis d'accord sur le côté théorique, mais sur le côté pratique et par défaut, JMP suppose un modèle avec uniquement des effets de 2e ordre lors de la création d'un plan fractionnaire complet (donc uniquement des effets principaux et des interactions à 2 facteurs).
Je viens de vérifier également pour être sûr avant de poster;)
