Blocs et points centraux pour une conception de criblage définitiveJ'ai commencé à créer un plan de dépistage définitif avec 7 facteurs et 3 variables de réponse avec JMP. J'ai défini "pas de blocs" !. Pourquoi le nombre de blocs indiqué ci-dessous est-il égal à 2 ? Je voulais ajouter seulement 2 mesures de point central. "Einzelversuche" est-il égal à des répliques ? Pourquoi ne puis-je ajouter que 4 mesures supplémentaires ? Je ne peux que mettre à zéro "Einzelversuche" et le nombre de blocs ("Anzahl Blöcke") ne peut pas du tout être modifié. Pourquoi?
Conception d'expériencesRe : Blocs et points centraux pour une conception de dépistage définitiveSalut @ Thommy7571 ,
Si vous avez sélectionné l'option "Aucun bloc" dans la plateforme DSD, le design créé n'aura aucun bloc.
Les valeurs que vous voyez ne sont que des options « par défaut » qui sont activées si vous sélectionnez l'une des options (« Bloc avec passages centraux » ou « Bloc sans passages centraux »).
Par défaut, JMP crée une conduite centrale dans le DSD et créera des blocs si vous souhaitez plusieurs conduites centrales (une conduite centrale/un bloc). Mais vous pouvez toujours modifier votre table de données pour ajouter une exécution centrale supplémentaire si nécessaire.
Oui, les exécutions supplémentaires sont équivalentes à des répétitions (exécutions indépendantes), mais ce ne sont pas exactement des réplications : elles sont créées à l'aide de "faux facteurs", vous pouvez donc ne pas avoir les mêmes valeurs de facteurs que pour les autres exécutions du plan. Les courses supplémentaires peuvent être ajoutées par bloc de quatre : vous pouvez ajouter 4 ou 8 courses supplémentaires dans votre conception, vous pouvez donc modifier le paramètre sur 0 (pas de courses supplémentaires), 4 ou 8 courses supplémentaires. Vous pouvez trouver des informations supplémentaires sur la structure spécifique des DSD ici : Structure des modèles de dépistage définitif
Sur mon ordinateur, je peux augmenter le nombre de blocs, ce qui modifie le paramètre de "Aucun bloc" à "Ajouter des blocs avec des exécutions centrales pour estimer les effets quadratiques" :
J'espère que ceci vous aidera,
Re : Blocs et points centraux pour une conception de dépistage définitiveVous pouvez continuer et créer le design, et cela n’ajoutera pas de blocs. Par défaut, le générateur DSD ajoute 4 points centraux, mais vous pouvez choisir d'utiliser uniquement 2 points centraux, supprimez simplement deux des points centraux dans la conception générée. La raison pour laquelle 4 points centraux est la valeur par défaut est que certaines recherches ont montré que la capacité de détecter des effets importants est bien moindre avec 2 points centraux qu'avec 4 points centraux.
Re : Blocs et points centraux pour une conception de dépistage définitiveLes "Extra Runs" ne sont pas des points centraux.
Par défaut, sans aucun bloc, un DSD inclura un point central dans JMP. Ajouter un bloc permet d'ajouter des points centraux (un point central pour chaque bloc).
Les 4 exécutions supplémentaires par défaut sont utilisées pour mieux détecter les interactions et les effets quadratiques, ainsi que pour augmenter la puissance des effets principaux :
Étant donné que ces analyses ne sont pas des répétitions, elles offrent également un degré de liberté supplémentaire pour détecter et estimer davantage de termes d'effet.
J'espère que cette réponse résoudra toute ambiguïté,
Re : Blocs et points centraux pour une conception de dépistage définitiveBonjour,
<<
ok, je vais résumer : n'importe quel nombre de blocs peut (probablement) être ajouté (c'est-à-dire +4, +8, etc.) Une mesure de point central par bloc avec 4 mesures peut être ajoutée.
D’une part, cela est défavorable car cela augmente considérablement le nombre de mesures DSD. Cela réduit l’attrait des DSD, censés pouvoir séparer les effets quadratiques et les interactions entre les effets principaux sans mesures supplémentaires. D'un autre côté, ChatGPT m'avait également suggéré d'ajouter plusieurs mesures de points centraux, tout comme MathStatChem l'avait écrit. Bradley n'a pas abordé le sujet en détail dans son article sur le DSD. Je n’en ai donc pas l’effet exact ni les raisons invoquées.Existe-t-il un article examinant l'effet de différents nombres de mesures de point central ajoutées et/ou de blocs de mesures de point central ?
D’après l’expérience, les DSD sont-ils toujours utilisables pour 7 facteurs ?
On ne sait pas exactement ce que devraient être les « faux facteurs ».
Tommy7571
Re : Blocs et points centraux pour une conception de dépistage définitiveSalut @ Thommy7571 ,
Cela réduit l’attrait des DSD, censés pouvoir séparer les effets quadratiques et les interactions entre les effets principaux sans mesures supplémentaires. D'un autre côté, ChatGPT m'avait également suggéré d'ajouter plusieurs mesures de points centraux, tout comme MathStatChem l'avait écrit. Bradley n'a pas abordé le sujet en détail dans son article sur le DSD. Je n’en ai donc pas l’effet exact ni les raisons invoquées.Existe-t-il un article examinant l'effet de différents nombres de mesures de point central ajoutées et/ou de blocs de mesures de point central ?
Encore une fois, j'éviterais d'utiliser ChatGPT pour des réponses précises, en particulier sur les conceptions modernes comme DSD. Les réponses peuvent être très génériques et ne pas être particulièrement adaptées à votre cas d'utilisation spécifique ou à l'utilisation de DSD.
Concernant l'effet de l'ajout de points centraux ou d'exécutions supplémentaires, vous pouvez rechercher des publications ou essayer plusieurs scénarios dans JMP, en créant plusieurs conceptions et en les comparant . J'ai créé 3 DSD pour ce scénario :
- DSD pour 7 facteurs continus, nombre minimum d'exécutions requis (17 exécutions).
- DSD pour 7 facteurs continus, 21 analyses avec 5 points centraux (1 créé par défaut, 4 ajoutés dans la table de données après)
- DSD pour 7 facteurs continus, 21 exécutions avec 4 exécutions supplémentaires.
Voici les principales différences :
Avec le modèle spécifié ici (en supposant 3 interactions et 3 effets quadratiques), vous pouvez voir que les deux conceptions DSD « augmentées » (avec 21 exécutions) ont une puissance accrue pour détecter les effets principaux, les interactions et les effets quadratiques. La différence est :
- Le DSD avec des points centraux ajoutés a une puissance légèrement supérieure pour détecter les effets quadratiques, mais le gain sur la détection des interactions n'est pas très élevé par rapport à la situation avec 4 exécutions supplémentaires.
- Le DSD avec 4 exécutions supplémentaires a une puissance similaire pour détecter les effets quadratiques et une puissance plus élevée pour détecter les interactions à 2 facteurs. Cela est dû au fait que les exécutions supplémentaires ne sont pas des exécutions répétées (contrairement aux points centraux qui correspondent au même paramètre/traitement) et que les exécutions DSD ont des facteurs fixés à 3 niveaux, donc les exécutions supplémentaires améliorent considérablement la puissance des effets principaux, des interactions et sont capable d'augmenter la puissance pour les effets quadratiques également.
En regardant l'erreur type relative des estimations pour le modèle supposé, vous avez la même interprétation qu'avec l'analyse de puissance : l'ajout de points centraux ne fait qu'améliorer significativement la précision de l'estimation des effets quadratiques (et de l'interception), tandis que l'ajout d'exécutions supplémentaires permet d'améliorer la précision de l'estimation. termes de manière plus uniforme.
En termes de variance de prédiction, les points centraux permettent d'avoir une variance de prédiction plus faible et plus stable au centre de l'espace expérimental. Cela peut être particulièrement utile si vous pensez que votre point optimal se trouve au centre de l’espace expérimental. Cependant, les DSD avec uniquement des points centraux ont tendance à avoir une variance de prédiction plus élevée dans les coins de l'espace expérimental, puisque tous les points ajoutés sont des points centraux qui ne font que diminuer la variance de prédiction autour du centre de votre espace expérimental :
Vous pouvez voir ici en maximisant la variance de prédiction, le DSD avec 5 points centraux a une variance de prédiction proche du DSD original "non augmenté", tandis que le DSD avec 4 exécutions supplémentaires permet de réduire la variance de prédiction de manière plus homogène aux frontières de votre espace expérimental. .
- Efficacités :
Vous pouvez voir que le DSD avec 4 exécutions supplémentaires a de meilleures efficacités D et G (la référence de comparaison est le DSD d'origine à 17 exécutions, donc plus l'efficacité relative du DSD d'origine avec un autre DSD est faible, meilleur est le gain pour cet autre DSD) . Petit rappel sur les efficacités ici : Design Diagnostics (jmp.com) et https://en.wikipedia.org/wiki/Optimal_experimental_design
Avoir une meilleure efficacité D relative est donc utile lors de la phase de sélection, car cela permet d'avoir une meilleure précision dans l'estimation des termes d'effet. G-Efficiency peut également être utile, car il permet de minimiser la variance de prédiction maximale, afin d'avoir une variance de prédiction plus homogène entre le centre de l'espace expérimental et les frontières.
L'efficacité relative A, axée sur la minimisation de la variance moyenne des coefficients de régression, et l'efficacité I, axée sur la minimisation de la variance moyenne des prédictions sur l'espace expérimental, sont légèrement meilleures dans le plan avec 5 points centraux que dans le plan avec 4 points centraux supplémentaires. court.
D’après l’expérience, les DSD sont-ils toujours utilisables pour 7 facteurs ?
Si vous avez des facteurs continus, je vous recommande fortement d'utiliser DSD pour un dépistage efficace de plus de 5 facteurs. Vous pouvez toujours vérifier si ce plan vous semble utile, en créant des plans de criblage DSD et autres (plans de criblage classiques avec matrices Hadamard, plans D-/A-Optimal, ...) et en utilisant la plateforme Compare Designs (jmp.com) . Tenez compte du fait que la plupart des modèles de dépistage n'ont que 2 niveaux pour les facteurs, contrairement aux DSD.
On ne sait pas exactement ce que devraient être les « faux facteurs ».
Les « faux facteurs » sont des facteurs ajoutés lors de la création du DSD pour générer un nombre plus élevé d'essais dans la conception, mais qui n'ont aucun intérêt pratique : ils ne sont pas liés à un facteur expérimental spécifique que l'on souhaite modifier, simplement ici pour augmenter le taille de la matrice. L'ajout d'exécutions avec des « faux facteurs » est une astuce pour permettre une meilleure estimation des effets et une puissance accrue, ainsi que pour augmenter le degré de libertés disponibles pour ajuster des termes supplémentaires dans le modèle.
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)
Utiliser des plans 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'ai ajouté les trois designs générés à titre d'exemple si vous souhaitez reproduire l'analyse et la comparaison.
J'espère que cette réponse vous aidera,
Re : Blocs et points centraux pour une conception de dépistage définitiveMerci beaucoup pour cette étude. Juste quelques remarques. Selon Bradly, le minimum est de 15 exécutions pour 7 facteurs, sauf que le plan doit être orthogonal, ce qui sera le cas avec 17 exécutions. Il est intéressant de voir que les points factoriels sont inclus – comme je l’ai déjà envisagé. Ainsi, les points d’angle sont également mieux inclus. Je viens de relire l'article et prendre 8 facteurs pour le design en éliminant la dernière colonne par la suite devrait correspondre à votre suggestion. Les résultats sont assez logiques - plus de répliques dans une région donnée plus grande fiabilité de la prédiction dans la région J'abandonnerai ChatGPT concernant les conceptions... Il y a eu la suggestion d'utiliser une conception optimale en standard (une vidéo des liens de votre dernières réponses). C'est pourquoi je l'ai également ciblé. Dois-je passer au G-optimal pour le dépistage ? Pourquoi?
Re : Blocs et points centraux pour une conception de dépistage définitiveSalut @ Thommy7571 ,
Selon Bradly, le minimum est de 15 exécutions pour 7 facteurs, sauf que le plan doit être orthogonal, ce qui sera le cas avec 17 exécutions.
Désolé, mais les informations sur le nombre minimum d'exécutions sont incomplètes. Les informations complètes sur le nombre minimum d'essais requis sont accessibles ici : Structure des modèles de dépistage définitif
Pour résumer le contenu :
- Si vous avez un nombre pair de facteurs continus, vous avez besoin de 2 000 + 1 exécutions.
- Si vous avez un nombre impair de facteurs continus, vous avez besoin de 2 000 + 3 exécutions.
Donc pour 7 facteurs, il faut un minimum de 17 runs, et pour 8 facteurs le minimum est également de 17. Cette taille de run est une spécificité du DSD également évoquée et découverte par les membres de cette Communauté, par exemple dans ce post : https:/ /community.jmp.com/t5/Discussions/Verify-and-use-existing-Definitive-Screen-design-with-JMP/mp/752286/highlight/true#M93376
Vous pouvez également le vérifier en utilisant la plateforme Definitive Screening Designs et en générant des conceptions pour différents nombres de facteurs. Notez que cette règle dépend de l'existence d'une matrice de conférence de la taille requise, voir un exemple ici : Résolu : Re: 49 factor dsd design - JMP User Community
Je viens de relire l'article et prendre 8 facteurs pour le design en éliminant la dernière colonne par la suite devrait correspondre à votre suggestion.
Oui, pour ajouter des exécutions supplémentaires, vous pouvez ajouter des « faux » facteurs puis supprimer leurs colonnes ; c'est ainsi que les exécutions supplémentaires sont générées dans la plateforme DSD.
Il a été suggéré d'utiliser en standard un design A optimal (une vidéo des liens de vos dernières réponses). C'est pourquoi je l'ai également ciblé. Dois-je passer au G-optimal pour le dépistage ? Pourquoi?
Les critères d'optimalité D et A sont plus ciblés pour les conceptions de dépistage, car ils se concentrent sur une estimation précise ou une réduction de la variance des estimations des coefficients, de sorte qu'ils permettent de filtrer et de filtrer plus efficacement les facteurs non importants des facteurs importants, sur la base de la signification statistique, à confirmer avec une signification pratique et une expertise du domaine.
Bradley Jones met en effet l'accent sur l'utilisation des plans de dépistage A-Optimal, car ils permettent des performances similaires (sinon meilleures) que les plans de dépistage D-Optimal, et permettent également d'ajouter un accent différent sur l'estimation de certains termes (par exemple donner plus d'importance /poids pour l'estimation précise des effets principaux au lieu des interactions) : 21st Century Screening Designs (2020-US-45MP-538)
Les critères d'optimalité G et I sont davantage ciblés pour les conceptions de modèles de surface de réponse, où l'accent est mis sur les performances prédictives sur l'espace expérimental pour permettre l'optimisation. Le critère d'optimalité G concentre et minimise la variance de prédiction maximale , tandis que l'optimalité I minimise la variance de prédiction moyenne .
J'espère que cette réponse vous aidera,
