Interprétation DSD et prochaines étapesBonjour, j'apprends actuellement JMP et DSD/optimisation. J'ai effectué ma première expérience et j'aimerais recevoir des commentaires sur l'analyse et les prochaines étapes. J'utilise JMP Pro 17.
L’objectif de l’expérience : Maximiser la capture/récupération des bactéries en particules magnétiques.
La configuration : j'ai sélectionné les 7 variables qui, selon moi, pourraient influencer le résultat et je les ai testées en utilisant 22 exécutions (2 blocs - il me faut 2 jours pour exécuter autant d'échantillons). Le modèle a révélé que 3 variables étaient significatives, mais il semble que 2/3 des variables pourraient bénéficier d'une augmentation de la plage de test. Je dis cela sur la base des graphiques du profileur de prédiction. C'est possible et réalisable (dans une certaine mesure) afin que je puisse les retester avec une gamme plus large.
1. Dois-je réexécuter le DSD avec les 7 variables ou dois-je simplement faire un plan composite central avec les variables significatives qui couvre les nouvelles plages de ces 2 variables ? Je penche pour le CCD car je ne pense pas que les plages augmentées influenceront l'insignifiance des autres variables et je pourrai alors utiliser le CCD pour prédire les paramètres optimaux.
2. Je suppose que le modèle DSD ne pouvait pas prédire les paramètres optimaux à utiliser puisque je n'avais pas les plages correctes, n'est-ce pas ? Ou est-ce que je manque cette sortie quelque part ? Je pensais que puisque <50 % de mes variables étaient significatives, la conception pourrait alors être utilisée à des fins d'optimisation.
3. Est-ce qu'il me manque quelque chose dans le résultat que je devrais examiner ? Encore une fois, je suis nouveau et le résultat contient beaucoup de données à digérer. Mon objectif est de maximiser en fin de compte la récupération des bactéries, je me suis donc concentré sur les variables significatives et pas vraiment sur le reste du résultat. Y a-t-il des « choses » spécifiques sur lesquelles je devrais vraiment me concentrer/accorder une attention particulière en plus des valeurs alpha ? J'ai trouvé des messages sur le cours en ligne gratuit pour le DOE, je vais donc les suivre, mais j'apprécierais des commentaires spécifiques sur mes résultats afin de pouvoir « m'identifier » à ce que ce cours m'apprendra avec mes propres données.
J'ai essayé de joindre la sortie fit, mais je reçois toujours un message d'erreur indiquant que le fichier JMP n'est pas pris en charge. Je l'ai joint au format PDF.
Merci d'avance pour votre aide/commentaire !
Conception d'expériencesRe : Interprétation DSD et prochaines étapesSalut @Feline614 ,
Bienvenue dans la Communauté !
Je crains qu'il n'y ait pas suffisamment d'informations pour vous guider précisément sur votre sujet, mais je ferai de mon mieux pour vous apporter de l'aide et des commentaires. Pour plus de conseils, pourriez-vous partager un ensemble de données anonymisées ( Anonymize Data (jmp.com) ) pour mieux évaluer et aider ?
Vos prochaines étapes sont basées sur les résultats d'un modèle et la détection d'effets statistiquement significatifs. Il semble que vous n'ayez essayé qu'un seul type d'analyse avec "Fit DSD" (qui est l'analyse recommandée pour DSD), mais avez-vous essayé une autre analyse de modélisation (éventuellement une régression généralisée avec différentes méthodes d'estimation si vous avez JMP Pro comme "Pruned Forward Selection" (avec méthode de validation AICc/BIC), « Sélection avancée en deux étapes » ou éventuellement « Meilleur sous-ensemble » (uniquement si vous disposez d'un nombre limité de facteurs, car cela testera de nombreux modèles avec des effets principaux et de nombreuses combinaisons de termes d'ordre supérieur ) , ou simplement tester la régression pas à pas comme modèle alternatif) ?
Il pourrait être intéressant avant d'aller plus loin de voir si les différents modèles possibles s'accordent sur la détection des effets statistiques, et de vérifier si/où ils peuvent différer. Cela pourrait fournir un aperçu plus fiable des facteurs et effets importants de votre étude.
Concernant vos autres questions :
- Vous pouvez utiliser la plateforme Augment Designs pour modifier les plages des facteurs et explorer une zone expérimentale différente. Cette option peut être plus intéressante que de réexécuter ou de créer un nouveau DoE (comme un CCD), car les informations obtenues lors de votre premier DoE seront conservées pour minimiser le nombre requis d'exécutions de la conception augmentée.
Concernant la nécessité de conserver tous les facteurs ou de sélectionner uniquement les plus significatifs, cela dépend de leur importance/contribution au modèle (à la fois statistiquement et en taille d'effet), mais aussi si leurs plages seront modifiées ou non lors de l'augmentation. Si vous ne modifiez pas la plage d'un facteur qui a été statistiquement non significatif et avec une faible taille d'effet, il peut être possible de l'exclure (et de le fixer à une valeur spécifique) du DoE augmenté pour économiser un budget expérimental. Mais si la plage d'un facteur est modifiée, je le conserverais dans l'augmentation, pour m'assurer qu'il ne devienne pas statistiquement significatif et important sur les réponses en fonction des plages.
- Il semble que votre modèle semble assez précis, à l'exception de 2 points qui sont en dehors de la ligne de régression. Y a-t-il eu un changement/erreur expérimental ? Les conditions des facteurs sont-elles « instables » ou créent-elles une grande incertitude dans la réponse ? Il pourrait être intéressant d'investiguer ces deux points, et peut-être de les répéter si possible, pour différencier une « erreur de modèle » d'une « erreur expérimentale ». Pour répondre à votre question, vous devez également savoir quel est votre « seuil d'acceptabilité de l'incertitude de prévision » et votre objectif de réponse : ici votre modèle a un RMSE de 0,0797, comment se compare-t-il à la variabilité expérimentale ? Cette valeur RMSE est-elle acceptable à partir de l'expertise du domaine et en tenant compte de l'incertitude de répétabilité/reproductibilité ? Quelle est la réponse maximale que vous espérez obtenir ? La réponse à ces questions dépendra de la qualité du modèle et des seuils d'acceptabilité des experts du domaine (à la fois pour la réponse moyenne prédite et la réponse de variance prédite).
- Il peut y avoir certaines choses à vérifier concernant vos sorties : Le test Lack of Fit (jmp.com) est statistiquement significatif, ce qui peut s'expliquer par diverses choses. Peut-être que la faible variance de vos répétitions (ou leur représentativité, par exemple s'il ne s'agit que de points centraux qui peuvent ne pas être représentatifs de la variabilité dans l'ensemble de votre espace expérimental) pourrait en être la raison (car vous auriez une faible erreur pure), ou certains l'absence d'effets d'ordre supérieur dans le modèle pourrait en être la raison.
Vous pouvez également vérifier les deux points "étranges" mentionnés précédemment, et vérifier les hypothèses de régression (" Plot Residual by Normal Quantiles" pour vérifier l'hypothèse de distribution de normalité des résidus, " Plot Residual by Predicted" pour vérifier que les résidus sont dispersés de manière aléatoire autour de 0. (hypothèses d'homoscédasticité et de linéarité) , Tracer les résidus par ligne pour vérifier que l'ordre des expériences n'influence pas les résultats (hypothèse d'indépendance des observations)).
J'essaierais également d'utiliser la variable Block comme effet aléatoire (au lieu d'un effet fixe dans votre modèle ici), car je comprends que cela représente le jour au cours duquel les expériences ont été effectuées, ce n'est donc qu'un sous-ensemble de la semaine/heure et vous n'êtes pas particulièrement intéressé par l'effet fixe du jour sur la réponse moyenne, mais probablement davantage par l'influence de l'effet aléatoire du jour sur la variabilité de la réponse. Vous pouvez essayer d'ajuster un modèle mixte à l'aide de la plateforme Ajuster le modèle et spécifier votre effet de bloc comme aléatoire : rapports et options de modèles à effets mixtes et aléatoires (jmp.com)
L'utilisation de Day comme effet aléatoire peut également aider à mieux évaluer la variabilité de la réponse et peut avoir une influence positive sur le test d'absence d'ajustement : la variation ne sera pas attribuée à l'erreur du modèle, ce terme pourra donc diminuer.
Quelques ressources pour vous aider à comprendre les DSD :
Présentation des conceptions de tramage définitives - Communauté d'utilisateurs JMP
Conception de criblage définitive - Communauté d'utilisateurs JMP
La plateforme de dépistage définitif Fit (jmp.com)
Utilisation de modèles de criblage définitifs pour obtenir plus d'informations à partir de moins d'essais - Communauté d'utilisateurs JMP
Et plus généralement sur les DoE :
Ressources du DoE - Communauté d'utilisateurs JMP
J'espère que cette réponse vous aidera,
Re : Interprétation DSD et prochaines étapesSalut @Victor_G, j'apprécie vraiment que vous ayez pris le temps de m'écrire une réponse détaillée !
J'ai joint un ensemble de données anonymisées.
J'ai exécuté les différents modèles que vous avez mentionnés (ci-joints), sauf que la "Sélection avancée en deux étapes" n'était pas une option (elle était grisée). L'approche par étapes a ajouté une variable à 0,12, ce qui semblait avoir une influence sur le résultat selon le profileur de prédiction, mais biologiquement, dans cette expérience spécifique, je ne m'attendrais pas à ce qu'elle soit significative (je répéterai cette expérience avec différents bactéries et je m'attends à ce que cela soit significatif dans ces tests). La « sélection avant élaguée » avec AICc et le meilleur sous-ensemble AICc a fait passer une variable à p = 0,0564, mais il serait biologiquement logique qu'elle ait un effet significatif sur le système. "Pruned Forward Selection" avec BIC et Best Subset avec BIC étaient similaires à stepwise avec l'ajout de celui à 0,12. J'ai également supprimé les variables <0,05 mais elles n'ont pas changé la signification des autres facteurs.
Dans l'ensemble, je ne suis pas surpris par les variables sélectionnées par les modèles, à l'exception de X_7, je pensais avec certitude qu'une aurait un effet significatif.
Avez-vous une bonne ressource qui explique ces modèles au niveau débutant ? J'ai trouvé des ressources sur JMP mais je n'ai appris l'approche Stepwise qu'à l'université. Je ne sais pas vraiment comment interpréter les autres modèles que vous avez mentionnés, outre la compréhension générale d'une valeur p.
1. J'ai créé un design augmenté. J'ai éliminé 2 variables (X_4 et X_5) car biologiquement elles ne devraient pas être significatives dans ce système (elles pourraient cependant l'être dans un futur test). J'ai laissé tous les autres facteurs identiques, à l'exception des 2 facteurs qui se sont montrés significatifs et qui semblent bénéficier du test d'une plage plus élevée (X_6 et X_8). Je n'ai pas modifié le nombre d'exécutions par défaut mais je les ai bloquées. Dois-je modifier le nombre de courses ? La vidéo que vous avez envoyée ( Utiliser des modèles de criblage définitif pour obtenir plus d'informations à partir de moins d'essais - Communauté d'utilisateurs JMP ) à ~ 35:56 indique qu'une faiblesse du DSD est que "la plage de facteurs pour le criblage peut ne pas inclure l'optimum, donc le suivi de la conception le fera être sur des plages différentes - je ne peux vraiment pas augmenter." Mais, comme vous l'avez suggéré, je peux l'augmenter avec différentes valeurs... est-ce que cela va être un problème ? Dois-je faire quelque chose différemment lorsque je vais analyser les données ?
2. Je peux réexécuter ces 2 points. Lorsque j'entre les nouveaux résultats, dois-je simplement remplacer ces points ou créer d'une manière ou d'une autre un nouveau bloc pour inclure les nouvelles valeurs ? Si je dois créer un nouveau bloc, comment dois-je procéder ? Je ne peux pas expliquer pourquoi ils semblent erronés ; le point à gauche pourrait présenter une variabilité due à la faible concentration de bactéries (problème de distribution de Poisson). Celui de droite me paraît un peu plus déroutant, mais je travaille avec des bactéries, donc une valeur aberrante de temps en temps n'est pas anormale.
Pour RMSE, je suis un peu confus à ce sujet. Je surveille un faible RMSE qui devrait être bon et refléterait que le modèle est bon pour prédire les résultats. Je ne trouve aucune littérature sur quelqu'un faisant quelque chose de similaire à ce que je fais pour savoir à quoi le comparer. D'après ce que je sais du système, je ne m'attendrais pas à beaucoup de « bruit » pour cette expérience particulière. Cette bactérie et ce système particuliers me donnent des résultats assez cohérents (j'ai plus de variabilité avec une bactérie différente mais c'est un problème pour la semaine prochaine).
3. J'ai l'intention de réexécuter les deux points "étranges". J'ai ajouté les hypothèses de régression à la pièce jointe « Ajuster les moindres carrés ». Le résidu par parcelle prévue peut avoir un certain regroupement ?
Je suis d'accord, le blocage devrait être un effet aléatoire. J'ai trouvé sur un autre message de discussion que vous pouvez le faire lorsque vous faites initialement la conception, mais je ne trouve pas la "case" à cocher (j'ai supposé que le hasard était la valeur par défaut mais je suppose que non). J'en ai fait un effet aléatoire, cela a affecté les effets d'ordre pair. La case "Manque d'ajustement" est cependant grisée... Je ne sais pas pourquoi ni ce que cela signifie. En termes simples, lorsqu'il y a un « effet d'ordre pair », qu'est-ce que cela signifie lorsqu'il s'agit de X_2*X_2. Je comprends quand c'est quelque chose comme X_2*X_3 et qu'il y a une interaction entre les deux variables mais je ne comprends pas comment une variable interagit avec elle-même.
Merci pour les ressources, elles ont été extrêmement utiles, en particulier les « pages d'aide ». Je suis toujours dépassé par le niveau des statistiques, mais j'apprécie votre patience pour m'apprendre et m'aider à devenir un meilleur scientifique. Ce sera mon premier d'une longue série de DSD, je suis content d'avoir commencé par le "le plus simple" !
Re : Interprétation DSD et prochaines étapesSalut @Feline614 ,
Merci pour votre réponse. Il sera peut-être plus facile la prochaine fois de fournir un fichier JMP au lieu de plusieurs fichiers Excel et fichiers PDF, car avec un fichier JMP, vous pourrez conserver l'analyse via des scripts enregistrés, et conserver toutes les informations et propriétés des colonnes (en particulier pour le DoE car chaque facteur peut avoir jusqu'à 3 propriétés de colonne, que je dois ajouter manuellement lors de l'importation de données depuis Excel).
Les différents modèles que vous avez créés semblent assez cohérents avec beaucoup de similitudes, c'est donc bon signe.
Je suis surpris de ne voir aucune interaction ou effet quadratique dans aucun modèle, car les DSD sont assez efficaces pour les détecter (s'il n'y en a pas trop). Je viens de relancer la plateforme de régression généralisée en incluant des termes d'interaction et des effets quadratiques pour X2 à X8 (et en gardant X1 comme bloc à effets fixes), et les modèles semblent bénéficier de ces termes ajoutés, à la fois en termes de pouvoir explicatif (R² augmente jusqu'à 0,95) et pouvoir prédictif (RASE diminue à 0,05). Il semble qu'il puisse y avoir une interaction entre X6 et X8 et un effet quadratique pour X2. Je soupçonne que le test de manque d'ajustement statistiquement significatif observé sur votre modèle initial peut être lié à ces termes d'ordre supérieur manquants.
Les modèles sont également très d’accord entre eux sur les termes inclus :
Puisque vous êtes intéressé par le criblage et l'optimisation de cette étape initiale avec DSD, utiliser un critère d'information comme AICc pour la méthode de validation en Régression Généralisée est logique, puisque vous souhaitez avoir un modèle à la fois explicatif (ne conserver que les variables les plus importantes) et prédictif (conserver les variables qui aident à améliorer les prédictions/abaisser le RASE/RMSE).
Si vous cherchez des ressources sur la Régression Généralisée, voici mes premières réflexions :
Ajustement d'un modèle linéaire en régression généralisée
Utilisation de la régression généralisée dans JMP® Pro pour créer des modèles linéaires robustes
Concernant vos autres points :
- L'augmentation peut se faire en conservant les facteurs actifs trouvés dans l'analyse précédente. Même si X5 n'est peut-être pas significatif, il est toujours conservé dans les modèles, donc je le garderais. Je préfère conserver un facteur non important dans la phase d'augmentation plutôt que de supprimer trop rapidement un éventuel facteur important pour la phase suivante.
Donc, sur la base des résultats des modèles uniquement (à confirmer avec votre expertise du domaine), je conserverais les facteurs X2, X5, X6 et X8 pour la phase d'augmentation. Concernant le nombre d'exécutions, c'est difficile à dire car cela dépend des facteurs possibles de changement de plage, du modèle supposé et de la certitude/précision que vous souhaitez pour le modèle. Puisque vous conservez un faible nombre de facteurs (4), vous pouvez augmenter votre conception en supposant un modèle de surface de réponse, donc cliquer sur "RSM" ajoutera toutes les interactions à 2 facteurs ainsi que les effets quadratiques pour les facteurs sélectionnés.
Le problème que vous mentionnez est plus présent lorsque les plages de facteurs sont déconnectées/disjointes entre le dépistage initial et l'augmentation, mais comme vous souhaitez simplement augmenter un peu plus ou déplacer un peu plus les plages de facteurs, vous pouvez toujours bénéficier des informations de votre conception initiale. court.
- Encore une fois, pas de réponse définitive à votre question. Si vous obtenez des résultats différents, vous pouvez répéter les expériences plusieurs fois (afin d'avoir plus confiance dans la réponse mesurée).
Selon que vous avez réalisé de nouvelles expériences "from scratch" et les avez mesurées indépendamment, vous pouvez ajouter de nouvelles lignes avec les valeurs : ces nouveaux points seront des répliques des précédents. Si vous répétez uniquement la partie mesure sur les mêmes expériences, vous pouvez remplacer la valeur originale par la moyenne des mesures : ces nouveaux points ne sont que des répétitions des expériences (donc pas de nouvelles simulations indépendantes, pas de lignes ajoutées).
Vous pourrez alors comparer si l'évolution des valeurs de ces 2 points améliore la qualité des modèles.
- Il ne semble pas y avoir de modèle spécifique dans vos résidus. Le regroupement que vous voyez peut être dû au fait que vos mesures de réponse sont élevées ou faibles et que vous n'avez pas beaucoup de valeurs moyennes (à l'exception des deux points « étranges »). Ainsi, en regardant les résidus par rapport aux prévisions, vous verrez 2 groupes de points, un pour les valeurs de réponse prédites faibles et un pour les valeurs de réponse prédites les plus élevées.
L’avantage de l’utilisation du bloc comme effet aléatoire est que grâce à un modèle mixte, vous pouvez évaluer si la variable de blocage a un effet statistiquement significatif sur la variance de réponse. Dans votre cas, cela ne semble pas être le cas, vous pouvez donc supprimer cette variable bloquante de votre modèle. L'exécution de modèles avec cette variable de blocage comme effet fixe montre également que cet effet de blocage n'a pas d'impact statistiquement significatif sur la réponse moyenne, il peut donc être supprimé des analyses futures.
Concernant le terme X2.X2, il ne s'agit pas d'une interaction mais d'un effet quadratique de X2 : cela signifie que la réponse est liée à X2 par une fonction/terme quadratique : Y = X2² (+ autres termes dans le modèle).
J'ai joint le fichier JMP avec tous les modèles et scripts testés pour cette réponse.
J'espère que ce suivi vous aidera,
Re : Interprétation DSD et prochaines étapes@Victor_G
Je suis désolé que vous ayez dû saisir toutes les données à la main. Désolé également pour le retard, mais je voulais répondre avec le prochain lot de résultats. Je crois avoir joint le bon format cette fois.
J'ai exécuté le modèle augmenté. Je n'ai supprimé qu'un seul terme en fonction de mon « expertise » et j'ai laissé tous les autres facteurs significatifs et non significatifs du DSD d'origine. Les exécutions 1 à 22 sont le DSD d'origine ; les séquences 23 à 34 sont la conception augmentée ; les séries 35 et 36 sont des répétitions indépendantes de la ligne 5 ; les analyses 37 et 38 sont des répliques indépendantes de la ligne 10 (les lignes 5 et 10 étaient des « valeurs aberrantes » dans le DSD d'origine).
Pouvez-vous vérifier ma logique afin que je puisse confirmer que j'exécute et analyse correctement les données ?
- J'ai exécuté un modèle mixte avec le blocage comme effet aléatoire pour vérifier la signification. Ce n'était pas significatif dans le modèle, je peux donc supprimer la variable. Mes résidus n'ont plus l'air aussi « aléatoires » qu'avant, mais je ne pense pas que ce soit terrible.
- J'ai exécuté une régression généralisée avec plusieurs modèles avec AIC. Je crois que toutes les interactions ont été ajoutées. Je sais que la dernière fois, vous avez déclaré que vous aviez ajouté des interactions, je souhaite donc confirmer que j'ai correctement conçu le modèle cette fois-ci.
Comment avez-vous créé le graphique que vous avez intégré ? J'ai trouvé ces instructions, mais cela n'a pas abouti à la belle comparaison visuelle que vous avez fournie : https://www.jmp.com/support/help/en/16.1/?os=win&source=application#page/jmp/model-comparison .shtml#
- J'ai ajouté le profileur de prédiction aux modèles. Lorsque j'essayais de trouver les conditions optimales pour maximiser le résultat, j'ai réalisé que le modèle prédisait >1,0 ; cependant, le résultat est une proportion et théoriquement 1 est la valeur la plus élevée possible. Ensuite, j'ai essayé de changer la plage de sortie avec un minimum de 0, un milieu de 0,5 et un maximum de 1, mais cela n'a pas semblé changer le profil du prédicteur…
Biologiquement, les variables marquées comme significatives ont du sens. Ce qui n'a pas de sens pour moi, c'est X_6, la plage DSD d'origine était de 1 à 5 ; il a été augmenté pour faire 1-20. Biologiquement, faire quelque chose de plus de 20 ne devrait pas faire de différence, ce que montre le modèle des moindres carrés, mais pas les autres.
Comment savoir quel modèle choisir ? Comment expliquez-vous que la valeur de sortie maximale soit de 1,0 ? Comment procéderiez-vous pour examiner les paramètres optimaux pour les variables ?
- On m'a dit d'inclure X_1 comme variable dans le modèle, mais je ne suis pas vraiment convaincu que ce devrait être une variable car dans le « monde réel », ce n'est pas une variable que je peux contrôler. Je ne peux le contrôler que dans un environnement de laboratoire. Cependant, la sortie est en fait la proportion de récupération au démarrage et X_1 est le nombre de départ, c'est donc le dénominateur de la variable de sortie. Je pensais que X_1 devait rester constant et que le modèle était optimisé pour cette constante, mais l'argument a été avancé selon lequel nous voulons savoir comment les variables interagissent si X_1 change. Je suppose que ma confusion est la suivante : la variable X_1 doit-elle être incluse si elle est le dénominateur de la sortie ?
Merci!
Re : Interprétation DSD et prochaines étapesSalut @Feline614 ,
Concernant votre remarque sur X6, vous augmentez la plage à 20, mais je n'extrapolerais pas les prédictions du modèle en dehors de la plage testée. Il semble donc qu'il y ait une tendance linéaire croissante de la réponse concernant X6, mais peut-être que cette tendance s'arrête après que X6 ait atteint la valeur 20. Ou peut-être pas, et ce serait un nouveau fait/connaissance pour vous. Mais vous ne pouvez en être sûr que si vous testez en dehors de cette plage. Vous pouvez créer des points de validation/test en dehors de la plage et comparer les valeurs mesurées avec les valeurs prédites, pour voir s'il existe un écart par rapport au modèle qui indiquerait que la tendance linéaire croissante peut s'arrêter ou être différente en dehors de la plage testée. X6.
Puisqu'il existe bien un effet quadratique pour X6 inclus dans le modèle des Moindres Carrés et supporté par vos connaissances du domaine, vous pouvez également forcer l'inclusion de ces termes (effets principaux et effets quadratiques pour X6) dans la construction du modèle : Contrôles Avancés (jmp. com)
Concernant votre question générale, il n'y a pas de modèle définitif à choisir : vous pouvez sélectionner plusieurs modèles similaires, si cela a du sens statistiquement et expérimentalement (expertise du domaine). Ce que je ferais c'est :
- Lancez un modèle mixte avec X7 comme effet aléatoire pour évaluer la signification statistique de ce bloc aléatoire.
- Lancez plusieurs modèles GenReg et comparez les termes inclus dans les modèles, ainsi que les performances des modèles pour avoir une meilleure vue sur les termes importants/actifs. Évaluer et sélectionner des modèles informatifs basés sur une évaluation statistique et une expertise du domaine.
- Étant donné que votre effet de bloc aléatoire est significatif dans le modèle complet, construisez un modèle mixte affiné avec les termes importants, basé sur l'apprentissage acquis au cours des deux étapes précédentes. Évaluez si l'effet de bloc aléatoire est toujours significatif et créez un modèle (mixte ou basé sur des modèles de régression généralisée) qui correspond le mieux à vos apprentissages. La validation de votre (vos) modèle (s) peut vous aider à gagner en confiance dans le (s) modèle (s) et vous pouvez également combiner plusieurs modèles à l'aide de la plateforme Model Comparison (jmp.com) avec les colonnes de formules de prédiction enregistrées de vos modèles.
Concernant X1, cela est lié à votre objectif et à ce que vous voulez faire avec les résultats : étudiez-vous le système uniquement dans un environnement de laboratoire, ou souhaitez-vous que vos résultats soient utilisés dans un autre environnement ? S'il s'agit de la deuxième option, vous pouvez effectuer des analyses de confirmation/validation dans ce nouvel environnement, pour vous assurer que les résultats à l'échelle du laboratoire peuvent être transposés/utilisés dans un environnement différent. Cela ne pose peut-être pas de problème si X1 est géré différemment entre le laboratoire et un autre environnement d'un point de vue analytique : dans votre environnement de laboratoire, vous pouvez maximiser l'opportunité sans aucune contrainte ajoutée dans le profileur. Dans votre autre environnement, connaissant la valeur fixe de X1, vous pouvez verrouiller la valeur X1 et optimiser les autres facteurs pour maximiser la désirabilité : Définir ou verrouiller les valeurs des facteurs (jmp.com)
J'espère que ce suivi vous aidera,
