Flux de travail de conception de criblage définitif
Bonjour,
J'ai exécuté une conception de dépistage définitif et généré un tableau en sélectionnant « Ajouter un bloc avec des exécutions centrales pour estimer les effets quadratiques ». J'ai collecté les données de réponse et les ai ajoutées au tableau. Mais lorsque j'essaie d'exécuter « Ajuster le dépistage définitif », je reçois cette erreur :
La plateforme Fit Definitive Screening ne fonctionne que lorsque je masque/exclus des exécutions du bloc 2. Est-ce que je fais quelque chose de mal ? Comment exécuter un modèle avec toutes les exécutions incluses ? Dois-je effectuer une sorte de conception augmentée pour inclure le deuxième bloc ?
Modélisation statistique avancéePlan d'expériencesRé: Flux de travail de conception de criblage définitifSalut @sanch1 ,
Je viens d'essayer de reproduire la même erreur en créant le même type de conception avec 8 facteurs continus, 2 blocs, 8 exécutions supplémentaires :
En utilisant une formule aléatoire pour modéliser une réponse avec ce design, je n'ai aucune erreur et je peux continuer l'analyse :
J'ai le même design que toi (tu peux aussi le retrouver ci-joint) :
Normalement, vous devriez obtenir ce message d'erreur lorsqu'une ou plusieurs exécutions expérimentales ne font pas partie de la conception et détruisent la structure de repli, voir https://community.jmp.com/t5/Discussions/How-can-I-add-extra-runs-into-the-designed-runs-from-Definitive/mp/782561/highlight/true#M96614
Il existe de nombreuses autres manières de procéder à l'analyse en utilisant la plateforme Fit Model si nécessaire, en utilisant des modèles Stepwise, des modèles de régression généralisés, etc.
Mais dans votre cas, la ligne 18 est parfaitement correcte et est "l'image miroir" de la ligne 17 dans le même bloc 1, donc la structure de repli est présente et respectée.
Avez-vous modifié des valeurs de facteurs dans cette ligne (ou dans d’autres) après avoir généré la conception ?
Avez-vous essayé de lancer la plateforme « Fit DSD » depuis le menu (menu DOE, Definitive Screening, Fit Definitive Screening) ?
Pouvez-vous partager une version anonymisée de votre ensemble de données et de votre conception ?
J'espère que ce premier sujet de discussion pourra vous aider,
Ré: Flux de travail de conception de criblage définitifSalut Victor,
J'ai apporté quelques modifications au tableau :
1. J'ai trié le tableau de données par bloc croissant pour l'organisation
2. J'ai dû supprimer l'expérience de l'exécution 19 car elle a échoué avant de pouvoir recueillir les résultats.
est-ce que l'un ou l'autre de ces éléments aurait faussé la conception du DSD ?
Ré: Flux de travail de conception de criblage définitifSalut @sanch1 ,
Le tri du tableau de données ne modifie pas la structure de la conception ni l'analyse. Cependant, la suppression d'une expérience du tableau détruira la structure de repliement de la conception (il y aura une exécution expérimentale sans son homologue « image miroir », ce qui empêche l'utilisation de la plateforme d'analyse Fit DSD). Vous rencontrerez le même problème et le même message d'erreur avec des valeurs manquantes dans la réponse ou en excluant des lignes du tableau.
J'ai le même message d'erreur que vous lorsque je supprime une exécution de la table de conception et que j'essaie de lancer la plateforme Fit DSD :
Je recommanderais d'utiliser d'autres plateformes de modélisation (comme mentionné dans ma réponse précédente) pour effectuer l'analyse.
J'espère que cela répond à votre question,
Ré: Flux de travail de conception de criblage définitifJ'ai continué en utilisant une méthode avec l'approche Tous les modèles possibles via Stepwise. Merci beaucoup pour votre aide !
Ré: Flux de travail de conception de criblage définitifPardonnez mes commentaires (et ignorez-les si vous préférez), mais la méthode pas à pas n'est pas la méthode à utiliser pour analyser le DOE. La méthode pas à pas est une approche de construction de modèle additive utile lorsque vous n'avez pas de modèle en tête (par exemple, l'exploration de données). Lorsque vous effectuez des expériences, vous commencez avec un modèle en tête. Il s'agit d'une fonction des facteurs et des niveaux (et des stratégies de gestion du bruit). Du modèle, vous supprimez les termes insignifiants (une approche soustractive).
Ré: Flux de travail de conception de criblage définitifApproche intéressante ! Cependant, étant donné cette approche particulière où je n'ai qu'un seul point de données (car je n'ai pas pu terminer cette exécution), que recommanderiez-vous à la place pour obtenir quelque chose d'utile à partir des données dont je dispose encore ?
Ré: Flux de travail de conception de criblage définitifDésolé, je n'ai pas suivi tout le fil et j'ai vu que Victor donnait des conseils, donc je n'ai pas commenté. Vous avez mené une expérience avec un nombre défini de facteurs et de niveaux. Apparemment, vous avez également décidé d'exécuter des blocs et des points centraux. Quoi qu'il en soit, vous devriez avoir un modèle attribuant vos DF. Et vous devriez absolument analyser les données avec ce modèle.
Voir mon conseil dans ce fil concernant les données manquantes :
https://community.jmp.com/t5/Discussions/JMP-DOE-chromatography-data-table-How-do-I-enter-values-for/mp/782318#M96561
Ré: Flux de travail de conception de criblage définitifSalut @statman ,
Merci beaucoup pour vos contributions et commentaires, toujours instructifs et réfléchis pour guider les utilisateurs nouveaux et expérimentés.
J'ai tendance à être d'accord avec vous sur l'approche Stepwise sur l'aspect « théorique » : pour les conceptions non (super)saturées, le modèle supposé doit être celui avec lequel vous commencez, avant d'envisager de l'affiner en fonction de critères statistiques et d'une évaluation/validation pratique.
Avec les modèles de criblage définitif, la situation tend à être un peu différente par rapport aux modèles traditionnels, car vous ne pourrez pas estimer tous les termes possibles qui pourraient être estimés et saisis dans le modèle ; dans la situation ici avec 8 facteurs et 1 bloc, cela signifierait estimer 1 intercept, 8 effets principaux (+ bloc), 28 interactions entre 2 facteurs et 8 effets quadratiques. Le modèle utilisé ici utilise 26 exécutions, il ne peut donc pas estimer un modèle RSM complet avec les 46 termes mentionnés précédemment, donc aucune approche rétrograde/soustractive possible sans hypothèses/simplifications fortes.
D'où la nécessité d'une stratégie d'analyse spécifique, qui relève de la plateforme « Fit DSD ». Si possible, l'analyse « Fit DSD » est l'analyse recommandée, car il s'agit d'une stratégie d'analyse plus conservatrice que les approches par étapes, en supposant que les principes de parcimonie des facteurs et d'hérédité des effets sont respectés, en estimant et en ajustant d'abord les effets principaux, avant de considérer les interactions et les effets quadratiques avec le principe d'hérédité des effets et de les estimer à partir des résidus du modèle des effets principaux.
Lorsque l'ajustement DSD n'est pas possible (en raison de valeurs manquantes, de lignes exclues, de réplications ajoutées, ... tout ce qui pourrait détruire la structure de repli et empêcher l'utilisation de l'approche d'analyse recommandée pour DSD), il faut alors trouver autre chose en pratique. Le pas à pas peut être une option (tout comme les modèles de régression généralisée, avec les méthodes d'estimation « Two Stage Forward Selection », « Pruned Forward Selection » ou « Best Subset » avec hérédité d'effet appliquée, mais uniquement disponibles dans JMP Pro), même si son approche « brute-force » et gourmande peut ne pas être optimale dans le contexte d'expériences planifiées.
J'aime particulièrement l'option "Tous les modèles" de la plateforme Stepwise (pour un nombre limité de facteurs et de termes dans le modèle), pour ne pas créer directement dans une approche brute-force le "meilleur" modèle, mais pour guider la compréhension et l'évaluation de plusieurs modèles, et choisir les termes actifs les plus probables dans le modèle final. Cela peut être visualisé grâce aux "Raster plots", introduits dans le contexte de la sélection de modèles pour les DoE par Peter Goos, proposés dans la Wish List du JMP : Raster plots ou autres outils de visualisation pour aider à l'évaluation et à la sélection de modèles pour les DoE
Cette visualisation permet d'identifier les termes actifs les plus probables et de voir où/comment les modèles concordent ou non. Elle peut également aider à visualiser les alias entre les effets. Exemple d'un cas d'utilisation de Peter Goos :
@sanch1 En conclusion, « Tous les modèles sont faux mais certains sont utiles », il est donc toujours intéressant d'essayer de comparer différentes options de modélisation, et encore plus lorsque l'expertise du domaine peut guider le processus. Certaines méthodes sont plus conservatrices que d'autres, mais combiner différentes modélisations avec l'expertise du domaine peut aider à avoir une vision plus large de ce qui compte le plus. Et à partir de là, planifiez vos prochaines expériences pour augmenter votre DoE, confirmer/affiner/corriger votre modèle et préparer quelques points de validation pour pouvoir évaluer la validité de votre modèle.
Si vous avez besoin de plus d'informations ou êtes intéressé à approfondir l'analyse du sujet DSD, il existe d'autres ressources/articles qui pourraient vous aider :
J'espère que cette réponse complémentaire pourra être utile,
Ré: Flux de travail de conception de criblage définitifEh bien, nous devons convenir que nous ne sommes pas d'accord. J'ai joint le DSD que vous avez joint plus tôt dans le fil avec un modèle saturé (amusez-vous avec le script Fit Model). À partir de là, vous soustrayez des termes.
Ce n'est pas parce que vous n'attribuez pas les DF qu'ils ne peuvent pas l'être (les répliques randomisées de manière agréable ne permettent pas l'attribution)
Ré: Flux de travail de conception de criblage définitifAvertissement : je ne suis pas statisticien, mais j'utilise plutôt les statistiques de la manière la plus pratique et pragmatique possible. Désolé si ma compréhension est limitée ou si mes explications ne sont pas claires/correctes, j'apprends constamment 
:)
@statman je ne sais pas quel modèle tu spécifies mais nous n'avons pas utilisé le même modèle supposé (full quadratic + block possible avec un DSD). En spécifiant un modèle full quadratic, tu aurais une singularité pour le terme d'interaction X1.X2 étant une combinaison linéaire d'autres termes (voir fichier avec script ajouté).
Vous avez raison, vous pouvez toujours ajouter autant de termes que vous le souhaitez dans le modèle ici. Mais en pratique, comment savez-vous quels termes soustraire du modèle complet si vous avez des estimations biaisées (mises à zéro, biaisées ou sans aucune estimation d'erreur standard dans votre script), des valeurs p manquantes et un manque de mesures pour guider la sélection/l'affinement de votre modèle ? Vous n'avez fondamentalement aucune estimation d'erreur ni référence pour la comparaison/le test ?
- Dans votre situation et votre modèle supposé, il n'y a aucune indication sur le terme à soustraire (pas de valeurs de p, pas d'erreur type pour les estimations de termes, ...), et les nouveaux utilisateurs peuvent conserver le modèle tel quel, car « R² est égal à 1 », c'est donc un modèle parfait ».
- Dans mon modèle supposé, seuls les effets principaux et l'effet de bloc peuvent être estimés et testés correctement lors de l'ajustement du modèle complet aux données. Mais tous les autres termes ne peuvent pas être estimés correctement, il peut donc devenir très délicat d'affiner le modèle à partir de cette situation.
Les méthodes pas à pas et autres méthodes apparentées sont utiles pour guider l'utilisateur et tester de nombreux modèles différents, mais les modèles ne doivent pas être basés uniquement sur des mesures de précision/d'ajustement statistiques. L'expertise du domaine et les exécutions de validation sont essentielles pour confirmer la fiabilité d'un modèle.
J'espère que cette réponse clarifie ma réponse,
Ré: Flux de travail de conception de criblage définitifJuste une remarque, la seule raison pour laquelle j'ai posté était le titre du fil. Il mentionne le flux de travail.
Je vous renvoie à Cuthbert Daniel (Daniel Plots, également appelés tracés normaux et semi-normaux) et à GEP Box (qui ajoute également des tracés de Bayes) pour les méthodes d'analyse des modèles saturés. Les diagrammes de Pareto où vous indiquez la signification pratique sur l'axe Y sont également très utiles. Le simple fait d'omettre des termes du modèle biaise l'estimation de l'erreur quadratique moyenne et peut conduire à une mauvaise interprétation des données.
Daniel, Cuthbert (1959), Utilisation de tracés semi-normaux pour l'interprétation d'expériences factorielles à deux niveaux, Technometrics , novembre, vol. 1, n° 4
Box, GEP, Daniel Meyer, (1993), « Recherche des facteurs actifs dans les expériences de criblage fractionné », Journal of Quality Technology , vol. 25, n° 2, avril
Découvrez comment le Dr Box analyse les expériences dans cet article :
Box, GEP, Stephen Jones (1992), « Plans en parcelles divisées pour une expérimentation de produits robuste », Journal of Applied Statistics , vol. 19, n° 1
