Pourquoi n'est-il pas une bonne idée de définir le facteur continu à zéro pour RSMChers experts JMP,
J'ai souvent eu l'occasion de demander des paramètres de facteur continus, y compris un zéro pour le paramètre de facteur le plus bas (0, 1, 2), pour l'optimisation des formulations biotechnologiques liquides. Ces demandes émanent généralement de personnes habituées à mettre en place des expériences avec OFAT et il n'est pas intuitif pour eux de comprendre que la mise à zéro du facteur technique signifie avoir une mise à zéro catégorielle du facteur.
Existe-t-il un meilleur pourquoi, plus pratique, pour expliquer cela ?
Merci beaucoup d'avance
Exploration et visualisation des donnéesConception d'expériencesRe : Pourquoi n'est-il pas une bonne idée de définir le facteur continu à zéro pour RSMSalut @DualARIMACougar ,
Il n'y a probablement pas de réponse définitive à votre question mais voici quelques commentaires :
- Le DoE est plus efficace lorsqu'il s'appuie sur des itérations séquentielles, lorsque vous commencez par filtrer les effets principaux importants (avec un plan de filtrage), puis que vous l'augmentez sur les facteurs importants pour explorer un peu plus d'effets d'ordre supérieur (interactions, effets quadratiques), pour enfin créer une conception d'optimisation dans un espace expérimental plus restreint, en mettant l'accent sur la prédictivité et l'optimisation des processus/produits.
Selon la manière dont vous avez mené vos premières démarches/conceptions et si/comment vous avez réduit ou élargi votre espace expérimental d'intérêt, le niveau 0 peut être absent des niveaux de facteurs de votre RSM, au titre de facteurs perçus comme non significatifs dans les étapes précédentes. peut avoir déjà été filtré, et d'autres facteurs importants peuvent avoir une plage d'intérêt n'incluant pas 0 pour atteindre un optimal. Cependant, avoir un niveau à 0 dans les étapes/conceptions initiales (screening) peut être très intéressant, car cela permet d'éliminer rapidement les facteurs non importants/significatifs de votre système, car cela mettra certainement en évidence de fortes différences entre la présence et l'absence du système. facteur.
Ainsi, selon que vous effectuez une optimisation directement sans conceptions/étapes préalables (car vous disposez d'un nombre limité de facteurs, vous pouvez donc inclure le niveau 0 pour détecter les effets importants et « cartographier » l'espace expérimental pour effectuer l'optimisation) ou vous appuyer sur des expérimentations séquentielles, vous pouvez avoir à la fin différentes plages et choix de conception/augmentation.
- Si vous parlez d'optimisation de formulations, vous utilisez peut-être des expériences de mélange. La structure des conceptions de mélanges basées sur un modèle est très "logique" si vous n'avez pas de contraintes spécifiques dans votre espace expérimental ou vos facteurs, car cela créera des expériences avec un facteur, puis des mélanges binaires, puis des mélanges ternaires, etc... en fonction de la complexité de votre modèle supposé. Vous vous retrouverez donc (sans contraintes minimales sur les facteurs) avec des expériences ayant le niveau 0 pour vos facteurs de mélange. Voir les différents types de conceptions et mélanges : Présentation des conceptions de mélanges ; Exemples de types de conceptions de mélange
- La définition du problème (objectif, facteurs et types, niveaux, réponses, modèle, etc...) dans le DoE est la partie la plus importante et celle où l'expertise du domaine joue un rôle essentiel. Sans connaissance de votre cas d'utilisation, je ne peux pas évaluer si l'inclusion du niveau 0 est intéressante ou non. Cela fait partie de l'objectif que vous essayez de résoudre, ainsi que de toute contrainte/considération pratique concernant l'utilisation et la gestion de vos facteurs. Cependant, soyez "audacieux" dans les plages de facteurs, il est plus fréquent qu'un DoE ne fournisse pas de résultats à cause de plages de facteurs trop étroites plutôt qu'à cause de plages de facteurs trop larges. Vous pouvez toujours réduire l'espace expérimental dans une augmentation de conception pour vous concentrer sur la zone d'intérêt.
Si vous essayez de convaincre vos collègues que le DoE est plus efficace que l'OFAT, essayez de trouver une étude dans laquelle ils ont réalisé l'OFAT, créez un DoE pour le même sujet avec les mêmes facteurs et utilisez la plateforme Compare Designs pour mettre en évidence les gains : nombre réduit d'expériences requises, meilleure puissance (donc de meilleures preuves de l'importance des facteurs), réduction de la variance de prédiction sur l'espace expérimental, meilleure gestion des corrélations/alias entre effets, ....
J'espère que ces commentaires pourront vous aider,
Re : Pourquoi n'est-il pas une bonne idée de définir le facteur continu à zéro pour RSMSalut Victor,
Merci pour votre réponse. Nous souhaitons mesurer l'effet de la variation des facteurs au cours d'une étude de robustesse en utilisant trois paramètres de facteurs pour chaque facteur avec la condition d'origine au milieu. Pour un facteur, 0 a été demandé comme paramètre de facteur le plus bas, ce qui est mathématiquement valide (pour ajuster le modèle ultérieurement), mais physiquement, le facteur (excipient chimique) est absent dans la condition. Auparavant, j'ai appris des experts du forum communautaire qu'un paramètre de facteur faible devrait être préféré à zéro.
Nous n'avons pas la capacité d'exécuter une conception de sélection et ensuite une conception d'optimisation. C'est pourquoi nous commençons depuis le début avec RSM.
J'espère que ces informations vous donneront un petit aperçu.
Merci beaucoup
