Comment puis-je ajouter des analyses supplémentaires aux analyses conçues à partir de la conception de criblage définitif ?Chers experts JMP,
Je m'appelle Chau Dang et je suis nouveau sur JMP. J'ai utilisé JMP pour concevoir mes expériences. J'ai sélectionné un plan de criblage définitif (DSD) avec 6 variables pour créer 17 exécutions pour mon ensemble expérimental. Pendant la durée des expériences, j'ai effectué 7 exécutions supplémentaires (non conçues par DSD) avec les mêmes variables. Au final, je souhaite analyser les résultats de 17 exécutions (à partir de DSD) et de 7 exécutions supplémentaires (faux facteurs ?) ensemble. Cependant, lorsque j'ajoute 7 exécutions supplémentaires dans le tableau de 17 exécutions, le modèle (Fit Definitive Screening) ne comprend pas et ne fournit aucun résultat. J'ai essayé d'utiliser « Analysis --> Fit model » pour un total de 24 exécutions ; cependant, seuls les paramètres significatifs sont déterminés mais le second ordre n'a pas été pris en compte.
Ce serait sympa si vous pouviez me suggérer des solutions pour résoudre ce problème. Je ne veux pas perdre 7 courses supplémentaires.
Merci beaucoup pour votre formidable soutien !
J'attends vos commentaires.
Cordialement
Chau Dang
Plan d'expériencesFenêtresRé : Comment puis-je ajouter des analyses supplémentaires aux analyses conçues à partir de la conception de criblage définitive ?Salut @danghuyenchau89 ,
Bienvenue dans la Communauté !
Vos 7 exécutions sont des répliques des exécutions originales de votre plan à 17 exécutions. L'ajout de répliques à un plan de criblage définitif détruit la structure de repliement spécifique du DSD, et vous ne pouvez donc plus utiliser la plateforme « Fit DSD » (car elle nécessite une structure de repliement pour l'analyse). Voir le sujet et la réponse de @Mark_Bailey sur le plan de criblage définitif - Répliques . Il est recommandé d'utiliser l'option « Extra Runs » dans la plateforme DSD si vous disposez d'un budget expérimental suffisant pour augmenter la taille de l'échantillon et aider à sélectionner les termes dans le modèle : Sélection efficace du modèle pour les DSD
Vous pouvez toujours utiliser la plateforme "Fit Model", en spécifiant tous les effets principaux, les interactions à 2 facteurs et les effets quadratiques de vos facteurs, et utiliser une méthode de sélection de variables, comme la personnalité Stepwise de la plateforme "Fit Model" (avec JMP) ou utiliser des modèles de régression généralisée (avec JMP Pro) dans la même plateforme. Ces discussions pourraient également vous intéresser :
Comment traiter les réplications et les échecs dans une conception de criblage définitive.
Questions de conception de criblage définitif (sur l'utilisation et l'impact des réplicats)
Veuillez trouver ci-joint votre table de données avec des scripts pour lancer la plateforme Stepwise et un modèle créé avec "Fit Model".
J'espère que cette réponse vous aidera,
Ré : Comment puis-je ajouter des analyses supplémentaires aux analyses conçues à partir de la conception de criblage définitive ?Cher Victor,
Merci beaucoup pour votre réponse ! Je l'ai trouvée très utile.
J'ai suivi vos instructions et obtenu les résultats que je visais. Ce que j'ai réalisé, c'est que les interactions significatives entre les paramètres doivent être sélectionnées dans le « modèle d'ajustement » en fonction de celles présentées dans le « criblage définitif d'ajustement ». Sinon, toutes les interactions entre les paramètres seront prises en compte, ce qui peut conduire à des résultats différents pour les valeurs de p et le R au carré (Rsp) du modèle.
Une autre question qui me vient à l'esprit concerne mes expériences, où j'ai converti de la biomasse en biochar. Le rendement solide et le pouvoir calorifique du biochar sont bien prédits par le modèle. Cependant, il existe une réponse indirecte (par exemple, la composition en cendres du biochar), qui est analysée en brûlant le biochar à 550 °C pour déterminer la composition en cendres. Cette réponse indirecte montre une RMSE (Root Mean Square Error) très élevée de 2930 dans le modèle.
Comment dois-je interpréter ce RMSE élevé ? Puis-je en conclure que ce modèle n'est pas adapté à la prédiction de cette réponse indirecte ?
Cordialement
Ré : Comment puis-je ajouter des analyses supplémentaires aux analyses conçues à partir de la conception de criblage définitive ?Désolé @danghuyenchau89 , mais il n'y a pas suffisamment d'informations sur le modèle, la réponse et le contexte de cette mesure de réponse pour vous aider à interpréter/conclure sur cette valeur spécifique de RMSE.
Quelques questions pour vous aider :
- Quel est l'écart type de cette mesure ? Disposez-vous déjà de tests ou d'une valeur indiquant la dispersion/incertitude typique de ces mesures ? Cette valeur peut vous aider à comparer les performances de prédiction de votre modèle à l'incertitude de mesure. En fonction de la proximité des valeurs, vous pouvez avoir une meilleure idée de la fiabilité et de l'utilité du modèle.
- Tous les facteurs possibles sont-ils liés à cette réponse indirecte dans l'étude DoE ? Peut-être que d'autres facteurs non pris en compte dans le DoE peuvent être utiles pour expliquer et prédire cette réponse ?
- Dans quelle mesure les conditions de fonctionnement sont-elles contrôlées et stables ? En particulier, dans quelle mesure le réglage de la température de combustion est-il contrôlé ? Pouvez-vous mesurer la température pendant l'expérience pour en tenir compte dans l'analyse (peut-être comme covariable) ?
- Pour la partie modélisation, avez-vous vérifié la distribution de votre réponse et en avez-vous choisi une adéquate (par exemple dans la plateforme de régression généralisée) ? Avez-vous vérifié les résidus ? Une distribution non adéquate peut avoir un impact sérieux sur la modélisation, brisant les hypothèses de régression linéaire et gonflant l'erreur du modèle. Dans votre exemple précédent, choisir une distribution LogNormal pour la modélisation GenReg ou appliquer une transformation Box-Cox peut améliorer le RMSE (mêmes termes dans les deux modèles, avec la transformation Box-Cox à droite, le RMSE est réduit de 1623 à 1308) :
- De plus, comme je n'ai pas d'informations sur votre modélisation, il y a peut-être plusieurs choses à vérifier : quels sont vos critères et métriques de sélection de modèle (R², R² ajusté, RMSE, p-values, critère d'information, ...), quels sont les termes introduits dans le modèle, etc...
Je suis sûr qu'il y a de nombreuses autres considérations à prendre en compte, mais ces quelques questions rapides peuvent vous aider.
