J'ai 30 exécutions de DOE. Ils ne sont pas bien structurés et des corrélations élevées (|r|~0,75) existent entre chaque paire de facteurs. Existe-t-il un moyen de trouver rapidement le groupe de DOE qui présente les corrélations les plus faibles ? Par exemple, énumérez les corrélations maximales entre les principaux facteurs d'effet de 1 à 30 séries de DOE et je pourrai déterminer le nombre de DOE que je préfère. Peut-être que cela me dira que, sur 30 DOE, ces 16 DOE ont les corrélations les plus faibles (~ 0) pour les effets principaux.
Je souhaite augmenter le DOE ensuite après avoir supprimé certains DOE hautement corrélés. Merci!
Salut @Fruit325 ,
En quoi ce nouveau message est-il différent du précédent publié (et des réponses de Phil et moi) ? : À l'opposé d'augmenter le DOE, comment pourrais-je déterminer rapidement le DOE que je dois supprimer pour maximiser l'efficacité D du DOE au repos ?
- Pour rechercher des corrélations entre les facteurs, vous pouvez utiliser la plateforme multivariée et spécifier l'ID DoE avec la variable « by » pour visualiser les corrélations entre les facteurs pour chaque ensemble de données DoE.
- Pour sélectionner les exécutions les plus intéressantes (non corrélées) parmi toutes vos exécutions DoE dans la table de données globale, vous pouvez utiliser une conception personnalisée et utiliser les exécutions comme exécutions covariables, et créer une conception avec un critère d'optimalité d'alias, visant à minimiser l' alias entre effets qui sont dans le modèle supposé et effets qui ne sont pas dans le modèle mais sont potentiellement actifs : Critères d'optimalité (jmp.com)
- Comme mentionné par @Phil_Kay , il pourrait être plus utile d' augmenter les conceptions pour améliorer les corrélations entre les facteurs et obtenir un modèle et une collecte de données plus utiles, au lieu de réduire votre ensemble de données. Si vous réduisez votre ensemble de données, vous pouvez également le combiner avec une conception augmentée pour surmonter les faiblesses de la conception avec uniquement des exécutions covariables, de sorte que les deux approches puissent être combinées et que les exécutions des ensembles originaux de DoE non utilisés puissent être utilisées comme exécutions de validation.
J'espère que ces options et réponses ont du sens pour vous,
Salut @Victor_G ,
Merci beaucoup! D'après vos réponses précédentes, j'ai déjà appris comment choisir un certain nombre de DOE avec une conception D-optima, mais je ne savais pas ce qu'est une conception alias optimale à ce moment-là et je ne sais pas que cela puisse être utilisé pour récupérer des éléments de corrélation. Cela optimise-t-il uniquement les corrélations entre les effets principaux et les termes d'alias ? Qu’en est-il des corrélations entre les termes des effets principaux, comme X1 et X2 ? Est-il possible pour JMP de me dire le nombre de groupes DOE qui ont les corrélations les plus faibles ? Merci! Cela aide beaucoup !
Salut @Fruit325 ,
En présence d'une corrélation entre vos facteurs, l'utilisation de plans optimaux (D-, A- ou Alias-) avec les exécutions de covariables de votre DoE aidera à sélectionner les exécutions les plus dissimilaires et non corrélées.
Voici un exemple avec 50 points de données, seulement 2 facteurs (à des fins de visualisation et de compréhension) avec une corrélation (élevée) de 0,644 entre X1 et X2 :
Vous pouvez voir que les points rouges sélectionnés correspondent à un design personnalisé Alias-Optimal (mêmes résultats avec le design D-Optimal), et sont choisis pour être les plus « étalés », aidant à réduire la corrélation entre X2 et X1 et à estimer plus précisément les effets principaux pour X1 et X2 (malgré la corrélation).
Dans cet exemple, le choix d'un plan D ou Alias-optimal n'apporte aucun changement aux exécutions de covariables sélectionnées, mais avec plus de facteurs (comme cela semble être le cas avec vos ensembles de données DoE), l'utilisation de plans Alias-Optimal peut empêcher d'avoir des corrélations entre les effets dans votre modèle et les effets potentiels qui ne sont pas dans votre modèle (comme les interactions, les effets quadratiques ou d'ordre supérieur).
Je voudrais encore souligner la nécessité de séparer besoins d'analyse et stratégie de collecte de données : si vous souhaitez analyser l'impact des variables corrélées sur les réponses, vous pouvez utiliser des options de modélisation appropriées avec JMP ( Analyse en Composantes Principales , Moindres Carrés Partiels... ) ou JMP Pro (en utilisant des techniques de régression pénalisées comme Lasso, Ridge, Elastic Net, sous la plateforme Generalized Regression Models (jmp.com) , ou en utilisant des modèles de Machine Learning capables de gérer des variables corrélées comme Bootstrap Forest ), sans avoir besoin de sélectionner/filtrer des points de données.
Cependant, dans certains cas, il est plus facile de repérer des modèles dans un ensemble de données de petite taille et de haute qualité que dans un ensemble de données de grande taille et de qualité moyenne.
Essayer les deux options peut être utile pour déterminer si les modèles trouvés par ces deux options sont similaires et s’ils peuvent être complémentaires l’un de l’autre.
J'espère que cette réponse vous aidera,
