739307_fr-FR

liliconcom

Comment choisir les règles d'hérédité dans l'écran définitif

Salut,

Lors de l'exécution d'un DSD, vous avez la possibilité d'appliquer les règles « d'obéir à une forte hérédité » pour les quadratiques et pour les interactions.

Je pense que cela limite le modèle et ne permet que des interactions contenant les deux comme effets principaux. Je ne sais pas exactement comment cela fonctionne pour les quadratiques, à moins que cela n'autorise uniquement les quadratiques qui ont également un effet principal.

Lors de l'évaluation de votre DSD, comment déterminez-vous quel est le « meilleur » modèle pour vos données ? J'obtiens des réponses très différentes en fonction des options que je choisis ici, j'aimerais donc avoir des mesures/justifications pour mon choix avant de procéder à d'autres conceptions.

Conception d'expériencesles fenêtresRe : Comment choisir les règles d'hérédité dans l'écran définitif

Voici mes pensées que vous pouvez ignorer si vous les trouvez argumentatives :

1. Il s’agit moins de s’appuyer sur les connaissances historiques que de s’appuyer davantage sur la connaissance du sujet. Vous voudriez qu'une quantité importante de données soutienne un modèle qui va à l'encontre de la théorie scientifique/technique.

2. J'ai du mal avec votre utilisation des mots... Je ne comprends pas ce que signifie « caractériser statistiquement » ou « construit statistiquement ». Nous utilisons les statistiques comme moyen efficace et efficient de comprendre la structure causale et de construire des modèles empiriques.

3. Il existe des principes que nous utilisons comme lignes directrices pour développer la compréhension de la structure causale à l’aide de factorielles fractionnaires :

• Rareté (quelques-uns des nombreux facteurs sont utiles pour un modèle utile)
• Hiérarchie (premier ordre> 2ème ordre>> 3ème ordre... etc.) Nous construisons généralement des modèles dans l'ordre de la série Tylor.
• Hérédité (Pour qu'un effet d'ordre supérieur soit actif, au moins 1 parent doit être actif). Ceci est utilisé lorsqu'il existe des effets significatifs du même ordre et que la hiérarchie ne peut pas fournir d'indications quant à l'effet actif.

Celles-ci sont données à titre indicatif et ne sont pas toujours vraies (ce ne sont pas des règles en soi). Si, après ces principes directeurs, vous ne parvenez toujours pas à sélectionner l’effet significatif parmi une série d’effets alias, vous devrez exécuter d’autres traitements. L'endroit où, par rapport à l'espace de conception, vous exécutez ces exécutions supplémentaires dépend de la situation.

4. Lors de la construction de modèles, un certain nombre d’éléments doivent être pris en compte. Il y a d’abord (et avant tout) la justification scientifique ou technique (hypothèses). Puis un certain nombre de statistiques utiles, par exemple :

• RMSE (le modèle avec le plus petit RMSE est meilleur)
• Valeurs p (signification statistique en supposant que le MSE est une bonne estimation des erreurs aléatoires)
• Delta R-carré-R-carré ajusté (plus le delta est grand, plus le modèle est susceptible d'être sur-spécifié)
• Résidus (NID(0,variance))

Encore une fois, aucun n'est définitif et nécessite une interprétation compte tenu de la manière dont les données ont été obtenues et de la situation.

5. Il n’existe pas de stratégie du DOE qui soit la plus efficace ou la plus efficiente. La sélection de la stratégie expérimentale appropriée dépend de la situation. Ma suggestion est toujours de concevoir plusieurs expériences et d'évaluer ce qui peut être appris de chacune et de comparer cela avec les ressources requises. Ensuite, choisissez-en un et préparez-vous à itérer.

Re : Comment choisir les règles d'hérédité dans l'écran définitif

Salut Mark,

J'ai quelques connaissances historiques sur ce processus, car nous revenons maintenant en arrière et caractérisons statistiquement un système complexe qui n'a pas été construit statistiquement.

Je dirais que la suppression des règles d'hérédité donne lieu à des tendances beaucoup plus attendues, mais j'aimerais justifier mon choix plutôt que de dire "Basé sur des connaissances historiques approfondies". La plate-forme DSD est quelque chose que j'aimerais utiliser à l'avenir et j'aimerais recevoir l'adhésion de certains collègues.

Existe-t-il un moyen de déterminer quand utiliser les règles d'hérédité (une règle statistique empirique, une sorte de technique de conception/d'évaluation des données, etc.)

Dans la négative, le meilleur processus est-il pour effectuer des analyses de confirmation dans plusieurs scénarios et déterminer quel modèle correspond le mieux, comme vous l'avez mentionné précédemment ?

Re : Comment choisir les règles d'hérédité dans l'écran définitif

Faire respecter l'hérédité est la recherche la plus restrictive, et assouplir l'hérédité est la recherche la moins restrictive. Ces deux formes de recherche peuvent conduire à des solutions différentes. Ces solutions dépendent des données disponibles (aucune autre information) et de la méthode de résolution.

Disposez-vous d’informations préalables sur les effets de vos facteurs pour vous guider sur le modèle le plus raisonnable ?

Vous pouvez utiliser les deux solutions pour prédire la réponse dans les mêmes conditions (c'est-à-dire les paramètres des facteurs), puis effectuer des analyses de confirmation pour vérifier (espérons-le) l'un des modèles.

Re : Comment choisir les règles d'hérédité dans l'écran définitif

Pour commencer, consultez les détails statistiques de l'aide JMP pour la plateforme de dépistage définitif Fit.