Bonjour, tout le monde, et accueillir à JMP Découverte.
André Karl et Bruyère Se précipiter.
I avoir a présentation aujourd'hui c'est en allant à souligner
quelques de le caractéristiques dans JMP 17 Pour ça volonté aide toi dehors
dans le monde de mélange modèles.
Beaucoup de toi sont impliqué dans formules,
et à être honnête, c'est quoi nous avons a été faire a parcelle dernièrement.
Étaient a parcelle comme ambulance chasseurs, où Bien juste aller après
le dernier chose que les clients sont intéressé dans.
Mais c'est quoi étaient vision a parcelle dernièrement, est gens que sont faire mélange modèles
que sont en fait assez complexe et plus donc que épouser jamais savoir.
Nous juste décidé nous serait faire quelques Plus profond enquête
avec quelques de le nouveau techniques qui sont dépassées,
et que JMP 17 effectue pour nous.
André, serait toi comme à obtenir commencé et peut être donner a petit peu de arrière-plan
sur le entier idée de quoi a mélange modèle est,
et quelques de le autre techniques?
D'accord, alors allons-y commencer dehors avec a bon, facile graphique.
Allons-y prendre a regarder sur ici à le parcelle sur le gauche.
Étaient dans un expérimental paramètre,
alors maintenant I supposer nous avons a obtenu deux facteurs,
Ingrédient A et Ingrédient B, et ils gamme depuis 0-1.
Si il y a Non mélange contraintes, alors tout dans le noir carré
est a possible indiquer dans ce facteur espace,
et ainsi notre conception routine est en allant à donner nous points quelque part dans ce espace.
Cependant, si il y a a mélange contrainte
où ces avoir à ajouter en haut à un, alors seulement le rouge doubler est possible.
Nous vouloir à obtenir a conditionnel optimum
donné que contrainte, et nous vouloir à fin en haut
quelque part dans que doubler pour les deux notre conception et notre analyse.
Si nous se déplacer en haut à trois mélange ingrédients,
UN, B et C, tous capable à varier depuis 0-1,
alors nous obtenir a cube pour que 0-1 contrainte pour chaque de eux.
Mais avec le mélange contraintes, que prend le formulaire de a avion
sécante a cube, et que donne nous ce triangle,
donc seulement ce rouge triangle est pertinent dehors de que entier espace.
Si nous avoir quatre dimensions, si nous avoir quatre mélange facteurs,
alors que admissible facteur espace est en fait a trois- dimensionnel sous-ensemble,
a pyramide dans là.
Regarder dos à le trois- mélange paramètre.
Voir ce triangle? C'est le autorisé région.
Bien, c'est pourquoi JMP donne nous ces ternaire parcelles.
Pour ces tracés ternaires,
quoi JMP volonté faire est, si toi avoir plus que trois mélange facteurs,
est tu vas avoir deux facteurs montré à a temps,
et le troisième axe volonté être le somme de tous le autre mélange facteurs.
Nous peut regarder à ces tracés ternaires, plutôt que ayant à avoir a pyramide
que étaient regarder tout au long de.
Nous avoir à décider, est-ce que nous vouloir a Conception de remplissage d'espace
ou un optimal conception?
Maintenant, normalement dans a non-mélange paramètre, épouser normalement utiliser un optimal conception,
et pour le la plupart partie, nous ne serait pas considérer a Conception de remplissage d'espace.
Il y a a peu raisons que nous vouloir à considérer
a Conception de remplissage d'espace dans mélange paramètres.
Souvent dans le formulations monde, si toi aller aussi loin,
il y a a petit peu plus sensibilité à en allant aussi loin dans ton facteur espace,
fabrication il aussi large, alors ton entier processus échoue.
S supposer que ça arrive sur ici où X2 est.
Supposer il échoue tout ci-dessous 0,1.
Tu es en allant à perdre a bien gros morceau de vos courses parce que le optimal conception
a tendance à mettre la plupart de ton courses sur le limite de le facteur espace,
donc tu es en allant à perdre ces.
Tu es pas en allant à être capable de courir ton complet modèle
avec le restant points, et tu es pas en allant à avoir
n'importe lequel bien information à propos où que échec limite est.
Pour le Conception de remplissage d'espace, si toi avoir quelques gentil de échec
en dessous de 0,1, tu es perdant a plus petit nombre de points.
Ton restant points toujours donner toi a Conception de remplissage d'espace
dans le existant espace que toi peut utiliser à ajuster le modèle effets,
et maintenant étaient en allant à être capable à modèle que échec limite.
Aussi dans le mélange monde, nous souvent voir plus haut commande effets actif:
interactions ou courbures, polynômes,
que nous pourrait voir dans le non- mélange paramètre.
Si nous ne le faites pas spécifier ceux, parce que n'importe lequel de ces modèles sont optimal,
conditionnel sur le cible modèle nous donner, donc si nous ne le faites pas spécifier un effet opérateur
pour le optimal modèle, nous pourrait pas être capable à ajuster il
après le fait, parce que ils pourrait être aliasé
avec autre effets que nous avoir.
Ces remplissage de l'espace courses acte comme quelque chose de a attraper- tous de possible court,
donc il y a a couple de raisons
que nous pourrait vouloir à considérer espace remplissage court,
mais nous vouloir à prendre a regarder analytiquement.
Qu'est-ce que le différence dans performance entre ces,
après nous courir à travers modèle réduction, pas juste à le complet modèle,
parce que étaient pas je vais juste à être en utilisant le complet modèle.
C'est le conception phase question.
Quand nous arriver à le analyse,
chaque fois que tu es regarder à ces mélange expériences dans JMP,
JMP automatiquement tours désactivé le intercepter pour toi,
parce que si toi vouloir pour s'adapter à la complet modèle
avec tous de ton mixte rester effets, toi ne peut pas inclure le intercepter.
Vous allez obtenir ce avertissement
parce que le mélange- fait effets sont contraint à un,
et ils ajouter en haut à quoi le intercepter est, donc ils sont aliasé.
Aussi, si nous vouloir à regarder à plus haut commande effets,
nous ne peut pas être comme a réponse surface où nous avoir pur quadratique termes.
Nous avoir à regarder à ces Cuisinier Cubique termes
parce que si nous essayer à regarder à le interactions
plus le pur quadratique termes, alors nous obtenir autre singularités.
Ceux sont a couple de rides dans le analyse.
Cependant, en allant avant avec le modèle sélection méthodes,
Avant Sélection ou Lasso, lequel sont le base méthodes
de le TOUT méthodes qui étaient en allant à être regarder à,
nous vouloir à considérer parfois tournant désactivé ce défaut 'Non intercepter' option.
Quoi nous trouver est pour le Méthode du lasso nous en fait avoir à fais ça
dans commande à obtenir raisonnable résultats.
Après nous ajuster notre modèle, maintenant nous vouloir à faire modèle réduction
à coup dehors non pertinent facteurs.
Nous avons a obtenu a couple de différent manières de faire que dans base JMP .
Probablement quoi personnes faire la plupart fréquemment est ils utiliser le effet résumé
à aller en arrière sur le p- valeurs, et coup dehors le petit p- valeurs.
Mais ce est joli instable parce que de le multicolinéarité
depuis le mélange contrainte, où coups de pied dehors un effet
peut drastiquement changement le valeurs p de le restant effets dans le conception.
Quoi ce parcelle spectacles est si nous aller en arrière sur p- valeurs,
quoi est le le plus grand valeur p c'est donné un coup de pied dehors
et nous voir quelques sauts partout ici et c'est depuis que effet.
Donné que gentil de volatilité dans le convenable processus,
toi peut imaginer si toi avoir petit changements
dans ton observé réponses, peut être même depuis essai variabilité,
ou n'importe lequel autre variabilité, juste petit changements peut plomb
à grand changements dans le réduit modèle
que est présenté comme a résultat de ce processus.
Que haut modèle variabilité est quelque chose ça être bon
si nous pourrait moyenne sur dans quelques chemin, dans le même chemin que peut être
avec Bootstrap pour est nous moyenne sur le variabilité
de le PANIER méthodes ou le partition méthodes
et c'est quoi le TOUT méthodes serait être regarder à faire.
Dans le lâche sens, ils sont gentil de le analogique pour ça,
pour le linéaire méthodes étaient regarder à.
Aussi nous peut aller à Étape sage et regarder à min AICc,
lequel est peut être le préféré méthode.
Dans notre dernier glisser du spectacle aujourd'hui Bien être prise a regarder à,
pour le base JMP utilisateurs, AICc contre B CI contre valeur p sélection
avec notre simulation diagnostic.
Donner crédit à a parcelle de le existant travail et menant en haut à le TOUT approche.
Ces sont quelques super références que nous avons utilisé sur le années.
Aussi vouloir à remercier Chris Gottwalt pour son patience et répondre questions
et partage information comme ils ont découvert des choses le long de le chemin.
C'est vraiment aidé ensemble nous en haut à être capable à mettre ce à bien effet dans pratique.
Parlant de dans pratique, où avoir nous a été en utilisant ce assez a peu
sur le années est le paramètre de liquide nanoparticule formulation optimisation.
Quoi est lipide nanoparticule formulation? Eh bien, une nanoparticule lipidique,
si tu as obtenu n'importe lequel ARNm COVID vaccins Pfizer, Moderne, alors tu as obtenu ces.
Quoi ces faire est toi prendre a mélange de quatre différent lipides, résumé ici,
et ils formulaire ces petit petit bulles.
Alors ceux sont électriquement chargé,
alors ils porter le long de avec eux a génétique charge utile,
ARNm, ADN, ou autre charges utiles que soit agir comme vaccins
ou peut cible cancer cellules.
Le électrique charge entre le génétique charge utile,
et puis le opposé charge dans le nanoparticule est quoi lie ensemble.
Alors nous je le veux à obtenir à travers le cellule et alors libérer le charge utile à l'intérieur.
Le formulation changements selon sur quoi le charge utile est.
A aussi parfois nous pourrait changement le taper de ionisable lipide,
ou le taper de il lper lipide à voir lequel un fait mieux,
donc nous avoir à refaire ce processus sur et sur.
Pour le la plupart partie, le scientifiques avoir trouvé que ces
gammes de peut être 10 à 60 % pour le lipide paramètres
et puis a plus étroit gamme de 1 à 5 %.
C'est pour le la plupart partie le possible gamme pour ce processus.
C'est a été exploré dehors, et c'est quoi le géométrie
nous vouloir à correspondre ici dans notre application est.
Nous vouloir à disons, étant donné que structure qui étaient faire encore et encore,
est-ce que nous avoir un idéal analyse et conception méthode pour que?
A aussi nous vouloir à ensemble en haut a simulation que si étaient regarder à autre structures,
autre géométries pour le facteur espace, peut être nous peut généraliser à que,
mais c'est en allant à être notre se concentrer pour droite maintenant.
Donné que arrière-plan,
Je suis en allant à laisser Jim maintenant résumer le TOUT approche et parler à propos que.
Oui, remercier toi.
Ce particulier découverte présentation,
quoi étaient en allant à faire est a petit un peu plus centré sur Présentation PowerPoint,
malheureusement, parce que le résultats sont vraiment quoi ce est tous à propos
pour le simulations que nous avons fait.
Mais ce particulier session, I volonté montrer toi quelques de le JMP 17
que nous avoir nouveau capacité.
Si I aller et I vouloir à ensemble en haut a Conception de remplissage d'espace...
Maintenant, précédemment nous n'étaient pas capable de faire mélange modèles avec Conceptions de remplissage d'espace
directement depuis dehors de le boîte, si toi volonté.
Nous certainement pourrait mettre contraintes dans là,
mais maintenant quoi nous vouloir à faire est montrer toi comment toi peut faire
a Espace F ensevelir Conception avec ces mélange facteurs.
Ce est nouveau que I maintenant avoir ces viens dans comme mélange,
lequel est bien parce que il maintenant porte
tous de ceux colonne propriétés avec il comme Bien.
Un chose valeur mentionnant droite c'est maintenant
le défaut est tu es en allant à obtenir 10 courses par facteur,
donc 40 courses dans a Biche typiquement est bien
et nous sont heureux parce que notre le pouvoir est Bien au-dessus de 90%
ou peu importe notre critères est.
Mais c'est pas le cas [inaudible 00:09:54] ces mélange modèles
parce que il y a donc beaucoup contraintes inhérent dans il.
Quoi que est révélateur moi, malheureusement, est même si I étaient à avoir 40 court,
Identifiant toujours seulement avoir 5% pouvoir depuis faire Cuisinier Cubique
et même si c'est principaux effets seulement, il y a seulement 20% pouvoir.
Pouvoir maintenant est pas vraiment a conception critères que étaient en allant à regarder à
quand nous faire ces mélange modèles.
Maintenant, typiquement dans notre applications,
malheureusement, nous ne le faites pas avoir le luxe de ayant 40 courses.
Dans ce cas Bien faire 12 courses et voir comment que vient dehors.
Bien aller devant et faire cet espace Remplissage Conception,
et vous pouvez voir que c'est peut être uniformément propagé tout au long de le surface.
De cours, nous faire sache que étaient délimité avec quelques de ces les gars ici
que nous ne peut qu'aller depuis 1 -5% sur le polyéthylène glycol.
Quoi I vouloir à fais-le maintenant est juste aller à rapide avant.
Maintenant allons dire J'ai courir ce conception et Je suis prêt à faire le analyse.
Ce est où TOUT est vraiment fait énorme progrès
et si toi écouter à quelques de Chris et Phil Ramsey travail
dehors là sur JMP communauté, tu vas voir ce est a étape changement.
Ce est a jeu changement dans termes de ton analytique capacité.
Comment serait nous faire ce dans 16?
Dans JMP 16 quoi épouser avoir à faire est épouser avoir à viens à travers,
et en fait c'est valeur en allant à travers le étape juste parce que il donne toi
a petit peu de aperçu, cependant le primaire mission
de ce briefing ou ce parler est pas TOUT,
il volonté donner nous un idée de qu'est-ce que en allant sur.
Quoi nous peut faire ici est nous peut aller devant et Bien faire le Auto validation Tableau.
Ce est le JMP 16 méthodologie.
Quoi tu vas note ici est nous avons disparu depuis 12 courses à 24.
Nous juste doublé eux et toi voir le Validation Ensemble.
Le entraînement peut être les 12 premiers, validation le suivant 12.
C'est qu'est-ce que ajouté et alors nous avoir ce poids.
Ce est le Bootstrap poids et c'est fractionnellement pondéré.
Quoi ça arrive est nous volonté aller devant et courir ce modèle
et viens en haut avec a prédit valeur,
mais alors nous besoin à changement ces poids et alors garder faire ce sur et sur
pour notre Bootstrap, un peu comme a aléatoire forêt, idée pour le TOUT.
Maintenant quoi est utile est à gentil de prendre a rapide regarder.
Quoi est le géométrie de ces poids?
Nous peut voir ils sont anti- corrélé,
ce qui signifie si dans le entraînement ensemble que je suis faible,
Je suis probablement en allant à être haut dans le validation ensemble.
Ce est gentil de a rapide petit visuel de que relation.
Maintenant Je suis prêt à aller faire mon analyse dans JMP 16.
Il serait être analysé et épouser juste faire notre ajuster modèle.
De cours, nous vouloir a généralisé régression
et Bien aller à travers et faire a Cuisinier Cubique ici,
parce que c'est a mélange.
Mais voici où nous avoir à ajouter dans le étape,
nous mettre le ensemble de validation comme ton validation colonne
et alors ce validation poids est en allant à être que fréquence.
Maintenant I peut courir ce.
Par le chemin nous pourrait,
dans beaucoup de notre cas étaient pas normale, étaient enregistrer normale,
nous pourrait mettre que dans droite là.
Ici nous avoir notre généralisé régression capacité
à aller devant et courir ce modèle et voilà, là sont le estimations.
Quoi nous serait faire alors nous arrivons ici sous le Sauvegarder le Prédiction Formule.
Alors ici est un courir.
D'accord, donc nous a obtenu un courir.
Toi peut voir que le haut est 15.17, et nous en fait scie 15.23,
donc pas mauvais dans ce modèle,
mais nous serait faire ce sur et sur.
Nous utilisé à faire il à propos 50 fois ou donc.
Mais avec JMP 17, maintenant ce entier processus est automatisé à nous.
Nous ne le faites pas avoir à faire ce 50 fois et alors prendre le moyenne
de ces prédiction formules.
Étaient capable à aller directement à il.
Si I viens dos à mon original conception ici avec le réponse,
I peut obtenir droite à il.
Par le chemin, ce est montrant que I avoir un autre contrainte mettre dans ici.
A parcelle de fois nous avoir le chimistes et biochimistes comme à voir que
à faire bien sûr que le ratios basés sur moléculaire poids sont dans raison.
Pas seulement faire nous avoir le mélange contraintes,
nous aussi avoir a parcelle de autre contraintes.
Je suis fonctionnement avec a groupe où nous avoir peut être 15 différent ingrédients
et probablement 30 contraintes dans ajout à le mélange contraintes,
donc ces méthodes travail et évoluer,
probablement est le meilleur chemin à dire il, joli Bien.
Maintenant ce est 17, donc 17 I peut obtenir droite à il.
Je suis en allant à aller devant dans Ajuster Modèle, et Je vais aller devant et faire a Scheffé Cubique.
Depuis ici, quoi étaient capable à faire est venu dans a généralisé régression.
Dans ce cas, nous ne le faites pas besoin à inquiétude à propos ces les gars dans ici.
Nous peut changement il à logarithme normal si nous donc désir.
Un de mon choix dans le estimation
plutôt de Avant est dans fait TOUT Avant,
donc I faire TOUT Avant et Je suis en allant à aller faire 200.
Vous allez voir à quelle vitesse ils avoir ce accordé.
Vraiment le seulement chose toi peut faire dans avancé contrôles
est vérifier si ou pas toi vouloir à forcer a terme dans.
I frapper Aller et instantanément J'ai fait 200 Bootstrap échantillons pour ce problème.
De cours, I maintenant peut regarder à le profileur
et que est le moyenne de le 200 courses.
C'est gentil de mon fin modèle, si toi volonté.
De cours, avec Prédiction Profileur,
là sont des centaines de des choses toi peut faire à partir d'ici
et André touchera sur a couple plus de ceux.
Mais deux autre des choses valeur notant ici,
Je vais sauvegarder le Prédiction Formule comme Bien et prendre a regarder à que gars.
Quand I regarder à le Prédiction Formule,
Je vais note que il est dans fait déjà moyenne dehors pour moi ici.
Ce est la moyenne des 200 différent échantillons que sont dehors là.
Avec que, que est le démo,
et Bien aller dos à regarder à le graphiques là à dire,
"Eh bien, quoi est il que étaient vision dans termes de le résultats de TOUS?"
André, si toi vouloir à tirer en haut que glisser.
Ce est peut être a rapide visuel.
Toi peut voir que si I regarder à ceux d'abord trois,
dans ce cas, rouge est mauvais.
Quoi étaient regarder à ici est le nominal couverture.
Ce est a mélange modèle
à le optimal prévu place de performance.
Nous peut voir que le standard Étape sage les gars sont pas faire aussi Bien.
C'est le en arrière et avant AIC.
Ce est le couverture taux.
Épouser comme il à être a nominal 5% erreur que nous ne le faites pas en fait voir
le vrai réponse dans le prédiction ou en fait le confiance intervalle.
Dans autre mots, quand nous regardé à le profil
que nous juste vu, ça nous donne a prédiction ou confiance intervalle
était le vrai valeur,
lequel nous savoir parce que étaient jouant le simulation jeu, droite?
Nous savoir quoi le vrai valeur est, quoi pourcentage de temps était que dans là?
Nous peut voir que nous ne le faites pas faire comme Bien avec notre classique méthodes.
Le complet modèle, putting tous le termes dans,
Lasso fait joli Bien à a 10% taux ou donc,
mais c'est pas jusqu'à nous obtenir les méthodes SVEM ici que nous commencer vision
que étaient vraiment capturer et obtenir bien couverture.
A bien peut être image à garder dans ton esprit,
que nous sont chemin surperformant quelques de le autre méthodes dehors là
quand il vient à le capacité.
Maintenant, dans termes de comment ce simulation,
quoi étaient se concentrer sur ici est a petit peu différent que quoi toi peut pense à,
dans termes de a simulation où nous cherchons à a modèle et adage,
"Comment Bien a fait nous faire avec ce particulier méthode?"
Nous pourrait mesure que par comment le réel contre le prédit est
et alors épouser obtenir une sorte de a signifier quadrillé erreur.
Nous faire piste que valeur,
mais nous trouver dans notre travail, étaient beaucoup plus concerné à propos trouver
que optimal mélange, si toi volonté, avec le optimal paramètres que atteindre nous
a maximum puissance ou minimise certains effets secondaires
ou aide nous avec ce [inaudible 00:18:58]
C'est en allant à être appelé le "pour cent de max" que étaient regarder pour.
Étaient en allant à utiliser que comme notre primaire réponse ici
dans termes de être capable à évaluer lequel méthodes surperformer autres.
C'est pas vraiment en allant à être,
comment loin loin suis I depuis le emplacement de le optimal valeur?
C'est comment loin est-ce que réponse qui I prédit comme optimal
comment loin est que depuis le réel optimum?
C'est en allant à être notre mesure de succès.
Le chemin ce volonté travail est Je vais être demander André a peu idées ici
dans termes de quoi typiquement vient en haut dans pratique.
I scie le géométrie il a montré moi tôt sur
et le optimal conception était toujours frapper le frontières.
Quoi si I comme des choses que nous appel plus mélanger, droite?
Toi avoir plus mixte truc dans le milieu,
remplissage de l'espace, lequel est mieux.
Si I faire utiliser un optimal conception,
il valeurs par défaut à D peut être, mais quoi à propos I et UN?
Alors comment à propos le âge- vieux BICHE ajout points centraux ?
Est que intelligent? Ou est un point central ?
Ou comment à propos répliques ?
Nous avons déjà discuté comment étaient pas être utile,
donc quoi est a utile mesure de a bien conception?
C'est le conception morceau, mais aussi le analyse la pièce est,
est là a particulier méthode que surpasse tout le monde,
ou sont là certain zones que nous devrait se concentrer sur
en utilisant Lasso et autres,
que nous devrait juste utiliser SVEM pour sélection?
Ces sont pratique questions que viens en haut depuis tous de notre clients,
et épouser comme à partager avec toi
quelques de le résultats que nous obtenir depuis le simulation.
André, toi vouloir à donner nous
a petit peu plus aperçu dans notre simulation processus?
Ouais, merci, Jim.
Avant I faire que,
I juste vouloir à indiquer dehors un outil
que nous avons fait lourd utiliser de dans le analyse de notre résultats,
et malheureusement, nous ne le faites pas avoir temps à creuser dans le démo,
mais il a a été donc utile est, dans le profileur
à regarder à le sortir aléatoire tableau pour ces mélange dessins
et à regarder à le réponses en particulier,
nous fréquemment avoir puissances par côté effets.
Nous avoir multiple réponses,
que nous voulons équilibre que dehors avec le désirabilité fonction,
et alors étaient en allant à regarder à le individuel réponses eux-mêmes.
Quand nous sortir a aléatoire tableau, nous obtenir a Espace Remplissage Conception,
essentiellement pas a conception, mais nous remplir en haut le entier facteur espace,
et étaient capable à regarder à le marginal impact
de chaque de le facteurs sur le entier facteur espace.
Pour exemple, pour le ionisé lipide taper,
quoi Bien fréquemment voir est, nous peut voir que peut être un a
a inférieur marginal comportement sur le entier espace.
Mais depuis étaient vouloir à optimiser,
nous soins à propos quoi le max de chaque de ces est,
et un de ces volonté clairement être mieux ou pire.
Étaient regarder à le réduit modèle.
Après il convient eux, Bien aller à le profileur et faire ce.
Nous peut toujours obtenir le analytique optimum depuis profileur,
mais dans ajout à que,
ce donne nous plus information dehors de juste que optimum.
Quoi nous pourrait faire ici est pour candidat court,
parce que nous toujours en cours d'exécution notre confirmation courses
après ces formulation et optimisation problèmes
est nous pourrait courir le mondial optimum ici pour H 102,
nous pourrait prendre dehors le conditionnel optimum pour H 101
et voir lequel un fait mieux dans pratique.
Aussi, regarder à le ternaire parcelles,
si nous couleur ceux par désirabilité ou par le réponse,
nous peut voir le plus ou moins souhaitable régions
de que mélange espace,
donc que peut aide nous comme nous soit augmenter le conception
ou soit inclure supplémentaire zones dans le facteur espace,
ou à exclure zones.
I ne peut pas faire beaucoup plus avec que droite maintenant,
mais I recherché à indiquer que dehors
parce que c'est a très important partie de notre analyse processus.
Comment faire nous évaluer quelques de ces options
dans ce taper de géométrie de a facteur espace?
Nous construit a simulation scénario que nous avoir commun sur le JMP site web,
et il permet nous à prise et jouer pour différent échantillon tailles dans total,
comment beaucoup les courses sont dans le conception?
Nous avoir a vrai formulaire choix
que donne nous le vrai générateur fonction derrière le processus,
a conception taper, soit espace remplissage ou optimal.
Le optimal conception maintenant est en allant à être de a certain minimum taille
basé sur le nombre de effets que étaient ciblage.
Faire nous avoir a deuxième -commande modèle, a troisième -commande modèle,
a Scheffé cubique modèle?
Quoi faire nous avoir?
Normalement, chaque fois que toi construire a modèle et coutume conception dans JMP,
il écrit a modèle scénario dehors à ton tableau et alors toi utiliser que à analyser il.
Bien, quelque chose nous avons exploré est permettant a plus riche modèle
que quoi nous obtenir, quoi nous cible,
et sont nous capable à utiliser ces méthodes avec TOUT
et obtenir supplémentaire amélioré résultats,
même cependant nous n'a pas initialement cible ceux effets dans le conception?
Le court répondre là est Oui.
C'est quelque chose autre nous vouloir à considérer,
donc nous permettre nous-mêmes avec le efficace choix
à inclure supplémentaire effets.
Nous peut regarder à le impact de ajout répliques ou points centraux
et que coutume conduite en état d'ivresse dialogue à imposer ceux.
Comment fait que affecter notre réponse?
Parce que n'importe lequel de le résumés que toi obtenir dehors de le conception
et dehors la conception diagnostic sont début ciblage le complet modèle,
soit avec respect à prédiction variantes,
D-optimal, vous regardez standard erreurs pour le paramètres.
Mais quoi nous vraiment soins à propos est comment bien est le optimum
que étaient obtenir dehors de ce,
donc c'est quoi étaient en allant à prendre a regarder à avec ces simulations.
Pour le la plupart partie dans ces LMP optimisation scénarios,
a parcelle de fois, Bien viens à travers deux situations.
Le scientifiques volonté dire, "J'ai a obtenu à propos 12 courses disponible,
et peut être c'est pas que important de a processus,
ou le matériel est très cher,
et I juste besoin à faire le meilleur I peut avec 12 courses. C'est quoi J'ai a obtenu."
Ou il pourrait être quelque chose où ils ont a obtenu a budget pour 40 court,
et ils peut ajuster a complet deuxième -commande modèle
plus troisième commande mélange effets,
et nous vouloir à essayer à caractériser ce entier facteur espace
et voir quoi le réponse surface apparence comme sur le entier chose.
Ceux sont le deux scénarios étaient en allant à être ciblage dans notre simulation.
Jim, I pense toi avait quelques questions
à propos performance sous différent scénarios.
Quoi était ton d'abord question là?
I a fait.
I deviner quand I pense à propos a 12- courir scénario ici,
et si I juste aller avec le défaut, Identifiant obtenir a D -optimal
et il serait être principal effets seulement.
I reconnaître I pourrait faire le espace remplissage comme I juste a fait,
mais mon question est, si I faire le défaut,
lequel un de le analyse méthodes serait être préféré?
Ou est là un?
D'accord, donc prise a regarder à que.
Pour le D- optimal conception, comme a général règle,
c'est en allant à mettre presque tous de c'est courses le long de le limite de le facteur espace
et c'est pas en allant à avoir n'importe lequel intérieur courses
sauf si toi avoir quadratique termes ou quelque chose que nécessite que.
Avec a 12 -courir conception,
il y a 90 degrés de liberté requis à ajuster tous le principal effets ici.
Nous avons a obtenu a peu degrés de liberté pour erreur,
mais surtout étaient seulement ciblage le principal effets ici.
Comment faire le analyse méthodes faire?
Est là n'importe lequel différence dans le analyse méthodes ?
Quoi nous faire, et tous de ces étaient en allant à résumer,
nous montrer le pour cent de max pour tous de notre simulations que nous faire,
et donc nous peut voir que distribution pour chaque de le analyse méthodes,
tous pour ce 12- courir, D-optimal conception cible effets.
Alors nous aussi montrer n'importe lequel significatif différences entre ces,
et étaient juste en utilisant étudiants T.
Étaient pas faire un deux clés ajustements, donc garder que dans esprit
chaque fois que tu es regarder à ces significatif valeurs.
Le gagnant ici est notre fait maison TOUT neural approche
parce que c'est pas limité à seulement regarder à le principal effets,
ils peut permettre quelques supplémentaire complexité dans le modèle,
et donc il victoires ici.
Maintenant, ne le faites pas obtenir aussi excité à propos que parce que ce est à propos le meilleur
que nous avons vu Mon réseau neuronal faire est dans ces petit paramètres.
Mais si nous sont en cours d'exécution plus que un candidat optimum en allant avant,
alors peut être nous peut inclure a TOUT neural, mais dans général,
nous ne serait pas recommander seulement collage avec un TOUT neural
juste parce que il tend à être plus variable, avoir plus lourd faible queues.
Quoi sont le autre résultats?
Nous voir le perdants dans ce application
ou rien c'est faire le célibataire tir modèle réduction
parce que tous ces effets sont significatif dans le modèle,
et n'importe lequel temps nous tirer un de eux dehors, nous sont en allant à obtenir
a sous-optimal représentation de notre processus.
C'est pourquoi dans ce cas le complet modèle fait mieux que ceux.
Mais qu'est-ce que intéressant est le TOUT linéaire approches
sont capable à à moins correspondre que complet modèle performance.
Étaient pas perdant rien par en utilisant TOUT dans ce application,
donc c'est a bon aspect où nous ne le faites pas avoir à inquiétude
à propos le plus petit paramètre.
Sont nous blesser nous-mêmes à tous par en utilisant AICC ?
Maintenant, quelque chose autre nous essayé ici est donné le même,
tu as seulement a obtenu 12 courses.
Tu es seulement ciblage le fabrication
et le D-optimal critères dans le coutume BICHE.
Quoi si nous permettre le ajuster modèle à considérer deuxième -commande effets
plus il y a mélange effets,
donc lequel notre modèle alors était ciblé à faire?
Quoi ça arrive, et nous voir ce JMP ici,
ce TOUT linéaire méthodes sont capable à utiliser que information
et donner nous mieux pour cent de max, obtenir optimal candidats,
et ceux sont notre gagnants ici maintenant est ces TOUT linéaire méthodes.
Quoi nous voir est que c'est intéressant,
le base méthodes pour ces TOUT approches, Gué méthode,
ou Gué sélection ou le Lasso sont pas capable à faire utiliser de que,
seulement le TOUT est, donc c'est a bon propriété.
Ils en fait battre dehors Neural,
lequel est bon parce que maintenant ces sont indigène à JMP 17
et ils ne le faites pas exiger comme beaucoup calcul temps
ou manuel ensemble en haut comme dans leur propre.
Quoi nous commencer à voir ici est le thème que étaient en allant à voir
tout au long de le repos de le jour est que n'importe lequel de ces Lasso approches
avec Non intercepter sont en allant à donner nous sous -optimal résultats
parce que sans le intercepter
et le pénalisation n'a pas travail droite dans Lasso,
alors toi en fait vouloir à tourner désactivé le défaut option de Non intercepter
si tu es en allant à essayer à utiliser TOUT Lasso
ou même juste Lasso sans un intercepter.
D'accord, donc I deviner il apparence comme TOUT Neural a fait Bien là.
Mais encore, que est pas indigène.
Nous ne peut pas faire que avec JMP 17 Pro, c'est pas là-dedans .
Nous peut, nous avoir à avoir a manuel [inaudible 00:29:01] scénarisé.
Ouais, c'est pas a manuel option.
D'accord, ce est bien,
mais Je suis aussi a ventilateur de le Espace Remplissage Conception,
donc comment fait que jouer dehors dans termes de le analyse méthodes ?
Pour le Remplissage de l'espace Conception, toi peut voir plutôt que ayant
tous le points le long de le extérieur, le long de le limite,
maintenant nous remplir en haut le intérieur espace
pour les deux le mélange facteurs et le processus facteurs,
lequel parfois dans pratique quoi Bien faire est,
Bien prendre le processus facteurs
et rond ces à le le plus proche 0,25 ou 0,5
ou peu importe granularité travaux meilleur pour nous, mais ce est quoi il apparence comme.
Dans termes de le résultats, comment faire ils effectuer?
Maintenant quoi étaient en allant à faire est comparer
le enchaînement de le conception approche
le long de avec le analyse méthode et voir lequel ces faire meilleur.
Regarder à maintenant toujours permettant le plus riche deuxième et troisième -commande modèle
pour le sélection méthodes et voir lequel un fait meilleur.
Quand nous regarder à le comparaison,
le gagnants sont le TOUS Linéaires approches,
Lasso seulement avec le intercepter, pas sans le intercepter,
et le D- optimal.
Encore, derrière le scènes, toi avoir à souviens-toi,
maintenant tu es supposant pour ce D-optimal approche
que ton positif modèle est vrai sur le entier facteur espace
et tu as a obtenu constante divers sur que facteur espace.
Si tu es inquiet à propos échecs le long de le limite,
alors c'est quelque chose autre à prendre dans compte, et c'est pas construit dans ce.
Toi avoir à considérer que.
Mais si toi sont confiant,
peut être tu as courir ce avant et tu es seulement fabrication mineure changements,
alors le chemin à aller est le D- optimal avec le TOUT approches.
Vers le bas ici, le perdants sont le Lasso, avec Non intercepter.
Nous 'je vais éviter ceux,
et toi peut voir ceux lourd queues vers le bas ici.
Pas le TOUT Lasso, juste le Lasso.
En fait voici le TOUT Lasso avec Non intercepter ici-bas.
Ouais.
Ils tous obtenir ces Fs, donc ils tous échouer.
-Pratiquement, [diaphonie 00:30:48] . -Ouais
D'accord.
Quoi souvent volonté viens en haut,
si c'est conçu en haut devant où nous avons fait notre 12 court,
et le chef,
elle a quelques plus questions et nous avoir plus courses.
Si étaient en allant à faire cinq plus court,
comment fait que impact quelques de ces résultats?
Quand toi dire cinq court, pas a suivre -en haut étude,
mais ton construire est étude soit 12 ou 17 courses
dans a célibataire tir droite maintenant est quoi tu es considérant, droite?
Ouais, exactement.
D'accord, donc Ouais, nous peut regarder à le marginal impact
parce que il y a a coût à toi pour ceux supplémentaire cinq courses.
Qu'est-ce que le avantage de ceux cinq supplémentaire court ?
En utilisant le conception analyse toi pourrait utiliser,
regarder au FDS parcelle et ton FDS plus moyens inférieur,
réfléchissant plus petit prédiction variantes.
Pouvoir est pas que utile pour ces mélange effets dessins.
Nous ne le faites pas soins à propos le paramètres.
Nous vouloir à savoir, comment Bien serait nous faire avec optimisation?
C'est où le simulations pratique, nous peut prendre a regarder à que.
Comment fait ton distribution de ton pour cent de max changement
comme toi aller depuis 12 à 17 court ?
Il est intéressant de noter que il y a Non avantage pour le célibataire tir 40 CPI
à ayant 17 contre 12 courses.
Maintenant, encore, droite maintenant étaient regarder à le pourcentage de max.
Si toi regarder à ton variance d'erreur,
votre variance de prédiction est en allant à être plus petit,
et là pourrait être quelques autre [inaudible 00:32:09] ,
mais principalement ton prédiction variance
est en allant à être plus petit si toi regarder à que.
Mais vraiment, nous ne le faites pas soins que beaucoup à propos prédiction variance.
Nous vouloir à savoir, où est que optimum indiquer?
Parce que après ce, étaient en allant à être en cours d'exécution confirmation courses
et peut être dans répliques à que indiquer
à obtenir un idée de le processus et essai variance alors.
Mais droite maintenant,
nous sont juste en essayant à scout dehors le réponse surface
à trouver notre optimal formulation,
donc avec que but dans esprit, il y a Non avantage pour un séjour de quatre jours CPI.
Maintenant pour le TOUT méthodes,
nous faire voir là est a significatif différence
et nous faire obtenir a significatif amélioration
dans termes de notre moyenne pour cent de max nous obtenir,
et peut être pas comme lourd queues vers le bas ici.
Mais maintenant toi besoin à savoir est que toi besoin à décider,
est que pratiquement significatif?
Est-ce que tu vouloir à se déplacer depuis 90% à 92% signifier pour cent de max
dans ce d'abord tir avec cinq supplémentaire court ?
Toi avoir à faire ton marginal coût
original avantage analyse là comme a scientifique
et décider si c'est valeur il.
Juste regarder à il ici, quoi I pense pourrait être utile
parce que toi avoir à courir confirmation courses de toute façon
est si nous courir le 12 -courir conception,
toi peut alors courir a candidat optima ou deux
basé sur le résultats nous obtenir,
et alors plus a couple de supplémentaire courses peut être
dans a haut -densité région pour quoi que apparence bien,
ou même augmenter dehors ton facteur espace a petit peu,
et alors tu es toujours en cours d'exécution a total de 17 court,
mais maintenant étaient en allant à avoir même a mieux sens de le bien région ici,
donc c'est quelque chose à considérer.
Quelque chose autre nous peut voir
depuis en cours d'exécution le simulation avec 17 courses est,
allons regarder à le performance
de chaque de le convenable méthodes dans chaque itération,
et il y a en fait a étonnamment faible corrélation
entre le performance
de ces différent méthodes dans chaque itération.
Nous peut utiliser que à notre avantage
parce que étaient en allant à être en cours d'exécution confirmation courses après ce,
donc plutôt que juste ayant à prendre un méthode et un confirmation indiquer,
un candidat optimal indiquer,
si nous étaient à, pour exemple, regarder à ces quatre méthodes
et alors prendre le candidat optimum depuis chaque de eux,
alors étaient en allant à être capable à aller avant avec lequel un tout le monde fait meilleur.
Étaient regarder à le maximum de ces.
Plutôt que regarder à a signifier de 92% à 94%,
maintenant étaient regarder à a signifier de à propos 97% avec a plus petit queue
si nous considérer multiple de ces méthodes à une fois.
D'accord, très utile.
Allons-y maintenant mettre notre yeux vers le 40 -courir dessins.
Très bien information dans termes de mon plus petit courir dessins.
Maintenant avec 40, comment fait il jouer dehors dans termes de ces analyse méthodes ?
Sont nous en allant à voir cohérent comportement avec quoi nous scie dans le 12 -courir conception?
Alors comment à propos le Espace Remplissage contre le optimal conception, D-optimal ?
-Identifiant être intéressé dans que. -D'accord.
Bien, d'abord prendre a regarder à le D-optimal conception, 40 court,
et maintenant étaient ciblage tous de le deuxième -commande effets,
le troisième -commande effets, mélange effets,
et étaient ciblage tous le effets
que sont vraiment présent dans notre générateur fonction,
et nous toujours voir que étaient chargé en haut sur le limite de le facteur espace
avec le optimal conception,
et alors si nous étaient en allant à voir maintenant avec le espace remplissage conception,
étaient en allant à voir maintenant étaient remplissage en haut le intérieur
de le facteur espace pour le mélanges
et pour le autre continu processus facteurs.
Allons-y voir quoi le performance différence est.
D'abord de tous, se concentrer sur le remplissage de l'espace conception,
lequel analyse méthodes faire meilleur?
Et même comme nous scie dans le 12 -courir exemple de le TOUT linéaire,
Gué sélection avec que intercepter, Lasso avec le intercepter fait le meilleur.
Le pire cas toi peut faire est garde le complet modèle,
ou alors en essayant TOUS ou célibataire tir Lasso avec Non intercepter
et le D-optimal paramètre, même gagnants, lequel est rassurant
parce que maintenant nous ne le faites pas avoir à être inquiet à propos de,
"Bien, nous changeons notre conception taper. Maintenant nous a obtenu à changement notre analyse taper."
C'est bien à voir ce cohérence à travers le gagnants de le analyse taper.
Le complet modèle n'a pas faire comme médiocrement ici avec le optimal conception, I pense,
parce que le optimal conception est ciblage que modèle
et le perdants ici sont toujours le Lasso avec Non intercepter.
Alors Neural est vraiment chute derrière ici, derrière le autre méthodes.
Maintenant allons comparer le espace remplissage à le D-optimal dessins,
et nous peut vraiment voir
le le plus grand différence ici est dans le complet modèle,
le espace remplissage dessins sont beaucoup pire que le D-optimal conception.
À tout moment tu es faire conception diagnostic,
c'est tous dans le contexte de le complet modèle.
Pour ton D -optimalité critères,
ton moyenne prédiction variance, c'est tous là.
A parcelle de fois quand toi courir ceux comparaisons,
tu es en allant à voir a rigide différence entre ceux
et c'est quoi tu es vision ici.
Cependant, dans réel vie,
étaient en allant à être en cours d'exécution a modèle réduction technique.
Avec TOUT, même le célibataire tir méthodes améliorer il.
Mais en particulier avec TOUT ici,
il vraiment ferme le différence entre le espace remplissage et le optimal conception,
et nous voir joli fermer à moyen, et légèrement plus lourd queue ici.
Mais maintenant toi peut regarder à ce et dire.
"D'accord. I perdre a petit peu avec espace f ensevelir conception.
Mais si I avoir n'importe lequel préoccupations du tout à propos le limite de le facteur espace,
ou si Je suis quelque peu limité dans comment beaucoup confirmation points I peut courir
et I vouloir à avoir quelque chose c'est en allant à être pas aussi loin loin
depuis le candidat optimum que Je suis en allant à porter avant,
alors ceux sont le avantages de le espace remplissage conception."
Maintenant nous peut peser ceux dehors. Étaient pas bloqué
avec ce radical différence entre le deux.
Encore, c'est basé seulement contre le D-optimal conception .
I deviner a parcelle de fois dans notre BICHE travail,
nous comme à peut être regarder à le I-optimalité critères
et même le A a fait vraiment Bien pour nous.
Dans particulier, il tartinades il. C'est c moyen pas espace remplissage,
mais à moins il tartinades il dehors a peu plus que le D -optimal.
Faire nous avoir n'importe lequel idées comment ceux I et A optimal travail?
Ouais, nous peut échanger ceux dehors dans simulations.
Un chose nous avons toujours remarqué,
I amour le A -optimal dessins dans le non- mélange paramètre.
C'est presque mon défaut maintenant.
I vraiment comme eux.
Mais dans le mélange paramètre, chaque fois que nous essayer eux,
même avant le simulations, si nous regarder à le conception diagnostic,
le A -optimal jamais fait comme Bien comme le D ou le I -optimal,
et que ours dehors ici dans le simulations,
c'est le bleu ici pour le optimal, donne nous inférieur résultats.
Règle de pouce ici est,
ne le faites pas déranger avec le A-optimal dessins pour mélange dessins.
Maintenant pour D contre I -optimal, nous ne le faites pas voir n'importe lequel...
Dans ce application pour ce générateur fonction,
nous ne le faites pas voir n'importe lequel différence entre eux.
Cependant, a raison à légèrement préférer le D-optimal est,
là tend à être quelques convergence problèmes pour ces LNP paramètres
où tu as a obtenu à cheville sur le un 5%
et tu es en essayant à cible a Scheffé cubique modèle dans JMP,
donc nous avons remarqué parfois quelques convergence problèmes
pour le I-optimal dessins et il prend plus long.
Le D -optimal, si il y a pas beaucoup de a avantage,
alors il semble à être le plus sûr mais à bâton avec le D-optimal.
Maintenant nous n'étaient pas capable à test que avec le simulations
parce que droite maintenant dans JMP,
toi ne peut pas scénario dans Scheffé cubique termes dans le BICHE
à construire un optimal conception.
Toi avoir à faire que à travers le Interface utilisateur graphique.
Nous n'étaient pas capable à test que, voir comment souvent que ça arrive,
mais c'est pourquoi nous avons porté avant
D-optimal dans ces simulations et nous bâton avec ceux.
Si toi vouloir à dans ton applications, toi peut essayer les deux D et I
et voir quoi ils regarder comme
les deux graphiquement et avec le diagnostic,
mais le D-optimal semble à être en train de jouer Bien.
D'accord, I deviner juste garder tirant le fil a petit peu plus loin est,
a parcelle de fois Bien essayer quelques taper de a hybride conception .
Pourquoi ne le faites pas nous commencer dehors avec, dire, 25 espace remplissage court,
et alors augmenter que avec quelques D-optimal critère
à faire bien sûr que nous peut cible le spécifique paramètres d'intérêt ?
Fait que travail dehors joli Bien?
Ouais, nous peut simuler que et nous prendre a regarder.
Soit nous avons a obtenu...
Ce est le même simulé fonction,
générateur fonction nous avons a été regarder à pour toi courir le D-optimal,
pour que vous puissiez exécuter le espace remplissage,
ou a hybride, où nous commencer dehors avec 25 espace remplissage courses
et alors nous aller à augmenter et charger dans bâtiment 15 supplémentaire courses ciblage
le troisième commande modèle, et quoi nous voir est que maintenant,
nous avoir Non significatif différence dans termes de le optimisation
entre le 40 courses D-optimal et le hybride conception,
Mais dans le hybride conception,
nous obtenir le avantage de ceux 25 courses de remplissage d'espace.
Nous obtenir quelques intérieur courses protection à ajuster supplémentaire effets
et protection contre échecs le long de le limite.
C'est a petit peu plus travail à ensemble ce en haut.
Bien faire ce pour haut priorité projets
parce que seulement pour ceux parce que de ce supplément coût et temps.
Mais il fait apparaître à être a prometteur méthode.
Droite.
Pratiquement toi pense à propos où ton optimal est en allant à être,
il y a a bien chance il pourrait être dans que intérieur espace
c'est pas rempli dans le D-optimal le long de le frontières.
I deviner juste peut être en allant dos,
revisiter le idées de quoi si I avait a centre indiquer,
quoi si I avait a indiquer que I pourrait reproduire?
Encore, peut être sur le 40- courir conception,
si I avait cinq plus des choses, donc juste n'importe lequel autre petit pépites
que nous savant le long de le chemin avec ces?
Bien, ce vient en haut a parcelle parce que maintenant manuel volonté dire toi
à ajouter cinq à Sept reproduire courses.
Le scientifiques sont en allant à coup toi dehors si toi essayer à faire que.
A parcelle de fois nous avoir à faire le argument
à ajouter même a célibataire reproduire courir
parce que il a avantages dehors de le convenable
parce que maintenant toi obtenir a modèle [inaudible 00:41:09]
et juste graphiquement nous peut utiliser que comme a diagnostique,
nous peut regarder à que air variance relatif à le entier variance
depuis le entier expérience.
C'est très utile à avoir,
et donc c'est en allant à être bon à avoir un argument pour toi à dire que,
"D'accord, étaient pas blesser ton optimisation routine
par y compris même a célibataire reproduire courir."
C'est quoi nous voir ici pour le 40 courses exemple
par forcer un de ces à être un reproduire dans coutume conception.
Nous sont pas obtenir a significatif différence à tous
dans termes de optimisation.
C'est ni l'un ni l'autre portion ou blessant.
Allons-y aller devant et faire que,
donc que quand nous avoir que supplémentaire morceau de information en allant avant.
I ne le faites pas avoir le graphiques ici parce que c'est ennuyeux.
C'est le même chose dans ce particulier application,
forcer un de eux à être a point central.
Il y a Non différence.
Partie de que pourrait être dans ce cas, le D-optimal conception était donner nous
a point central ou quelque chose fermer à a point central.
Que pourrait pas avoir a été changement le conception que beaucoup.
Toi pourrait voir a plus gros différence
si toi aller dos à le 12 courses conception imposer le point central.
Mais c'est le avantage de ayant a simulation cadre construit en haut
où toi peut prendre a regarder à que
et voir quoi est le pratique impact en allant à être pour y compris que.
D'accord, maintenant comment à propos de...
I mentionné I avoir ce grand projet avec beaucoup de contraintes.
Serait a contrainte peut être changement quelques de le résultats?
Bien, nous pourrait peut-être inclure le contraintes
et c'est en allant à changement le autorisé région dans le...
Graphiquement, tu es à en allant à voir a changement dans ton autorisé région,
et nous peut simuler que.
En fait, J'ai fait que.
I ne le faites pas avoir le graphique en haut avec moi droite maintenant,
mais quoi il fait est il y a pas que beaucoup un impact, TOUT toujours ça marche bien.
Un différence nous a fait note est que en cours d'exécution ce simulation
et alors contraignant le région quelque peu est que le espace remplissage amélioré
parce que c'est a obtenu a plus petit espace à remplir et pas comme beaucoup bruit espace,
mais le D-optimal volonté effectuer
juste comme Bien entre le deux avec ou sans contrainte.
Que était joli intéressant à voir.
Mais tous de ce s'applique juste comme Bien avec contraintes
et rien de note dans termes de différence pour analyse méthodes avec le contrainte,
à au moins le relativement simple ceux que nous appliqué.
Droite, d'accord, étaient presque en cours d'exécution court sur temps ici, André,
mais I faire avoir a préoccupation.
Nous avoir a mal spécifié conception
et nous serait comme à envelopper en haut
et partir le gens avec a peu clé plats à emporter.
Voici un exemple où maintenant ce fonctionnel formulaire
fait pas correspondre n'importe lequel de le effets étaient considérant
et étaient relativement plat sur ce périmètre
où a parcelle de ceux les conceptions optimales vont être
alors je vais voir comment que travaux dehors.
Aussi note le [inaudible 00:43:52] Cholestérol ensemble à a coefficient zéro
et un vrai générateur fonction.
Maintenant prise que vrai fonction en allant à profil est sortir en plein dans le tableau
et toi peut voir comment bon il est à être capable à parcelle ces des choses
à voir le réponse surface en utilisant que sortir droite dans le tableau.
Voici vraiment ton vrai réponse surface, et ce est ton réponse surface,
mais qu'est-ce que intéressant est il apparence comme il y a un illusion ici.
Il apparence comme Cholestérol est impactant pour ton réponse.
Il apparence comme il affecte ton réponse, mais dans réalité le coefficient est zéro.
Mais le raison il apparence comme que est parce que de le mélange contrainte.
C'est pourquoi c'est dur à analyser dehors,
lequel le individuel mélange effets vraiment affecter ton réponse.
Étaient pas comme concerné à propos que
comme nous sommes de adage, qu'est-ce que a bien formulation en allant avant?
Dans ce paramètre, nous ajouter a petit peu de bruit, 4% CV,
lequel est utilisé fréquemment dans le pharmaceutique monde.
Dans ce cas, le signifier étaient en utilisant est le signifier à le maximum,
lequel dans ce cas est un,
et alors aussi a beaucoup plus extrême 40% CV.
Ce apparence plus comme a sonar
et ils sont en essayant à trouver Titanesque ou quelque chose.
Avec un peu de chance aucun de ton pharmaceutique applications regarder comme ce,
mais nous juste vouloir à voir dans ce extrême cas comment des choses travail dehors.
Quoi nous voir est dans le petit 12 courses exemple
avec relativement petit processus variation est processus plus essai variation
est ces ligne de base dessins est allé dehors et TOUT, tous le même méthodes,
et alors si nous aller en haut à 40 courses,
le remplissage de l'espace n'est pas capable à garder en haut comme Bien,
mais D-optimal volonté vraiment faire mieux maintenant,
même cependant c'est relativement plat dehors là et le taille où la plupart de le courses sont,
c'est capable à prendre en haut le signature de le surface ici.
Maintenant, voici le différence entre le complet modèle
et alors le remplissage de l'espace et le D- optimal.
Pas comme grand de a différence pour le TOUT méthodes,
mais toi faire toujours avoir a peu queue points vers le bas ici.
Alors ils sont tous pas en train de jouer comme Bien comme le TOUT linéaire,
même cependant le TOUT linéaire
est seulement approximatif que courbure pour que réponse surface.
Si nous aller en haut à le super bruyant voir, Non un fait a vraiment bien emploi,
mais toujours ton seulement chance est avec le espace remplissage approches.
Mais alors quand nous aller en haut à le plus grand échantillon taille,
même dans le affronter de tous le processus variation, processus bruit,
est maintenant le option était capable à rebond dehors sur que bruit mieux
et est capable à faire mieux utiliser de ceux courses que le espace remplissage.
A couple de considérations là.
Qu'est-ce que ton courir taille? Comment saturé est ton modèle?
Comment beaucoup processus variation faire toi avoir relatif à ton processus moyen,
va dans le équilibre de le espace remplissage contre optimal.
Si nous prendre a regarder à quoi sont le candide optimal points
étaient obtenir dehors de le espace remplissage contre optimal.
Je suis Désolé, pour le espace remplissage,
alors quoi nous voir est étaient sur cible pour ce est ionisable et auxiliaire.
Étaient sur cible pour tous de notre approches sauf pour ces dernier avec Non intercepter.
Ils sont jamais sur cible,
ils sont toujours pousser toi désactivé quelque part autre.
Toi peut voir graphiquement comment que manque de intercepter.
Maintenant, si nous permettre le intercepter, alors nous sommes sur cible.
Que vraiment est important à décocher que Non intercepter option pour lasso.
Pour tous le personnes que sont pas en utilisant JMP Pro
et ne le faites pas avoir TOUT,
toi pourrait dire, Bien, d'accord, qu'est-ce que ton simulation?
Ici, quoi est mieux? AICc, contre BIC, contre Valeur p.
Malheureusement, juste en utilisant le nombre de simulations nous avons courir,
il y a pas comme cohérent approche comme là est avec TOUT.
Si tu as a obtenu a grand nombre de court, où il y a soit spécifié
ou correctement spécifié ou mal spécifié, le avant ou en arrière AICc faire Bien.
Complet modèle fait pire, alors que dans le plus petit paramètre,
le complet modèle fait mieux parce que tous ceux termes sont pertinent.
Aussi le Valeurs p ici, aussi.
Maintenant, toi voir, 0,01 fait le pire, 0,01 fait le meilleur dans grand paramètre.
Pas cohérence, Quelle valeur P utilisez-vous ?
0,01, 0,05, 0,1 .
Le Valeur p depuis ce voir est un désaccordé optimisation paramètre,
donc peut être meilleur à éviter que et bâton avec le AICc
si tu es dans base JMP.
Cependant, nous avoir vu maintenant que
le SVE approches pour ces optimisation problèmes
faire donner toi presque universellement mieux solutions
que le célibataire tir méthodes.
Toi peut obtenir mieux solutions avec JMP P ro, avec TOUT.
Super.
I deviner nous vouloir à juste envelopper en haut.
Quelques de le clé résultats ici, André.
Ouais, et aussi, Jim, n'importe lequel autre des commentaires ?
Faire toi avoir n'importe lequel autre commentaires aussi à propos ces optimisation problèmes ou rien?
Intéressant des choses nous avons vu récemment?
Nous avoir, étaient en haut contre temps pour bien sûr, mais nous avons fait quelques joli incroyable des choses
que nous avons viens en haut avec nouveau conçu bois d'œuvre
c'est mieux que c'est jamais a été
et propulseurs que sont ayant physique propriétés
et performance que nous n'ont pas vu avant.
Nous avoir pris a étape,
a saut dans termes de quelques de le capacités
que nous avons vu dans notre mélange modèle.
Peut nous résumer avec le mis en évidence balle vers le bas là,
que TOUT semble à être notre chemin à aller,
et si toi seulement avait un peut être TOUT avant sélection,
tu vas être couvert joli Bien.
Oui, c'est droite, parce que Je suis toujours effrayé.
Même cependant le dernier lasso parfois il apparence moins avec intercepter,
parfois il apparence légèrement mieux.
I ne le faites pas savoir si c'est peut être un ou deux cas étaient de manière significative mieux,
mais toujours cou et cou avec avant sélection,
mais Je suis toujours effrayé que Je suis en allant à oublier à tourner désactivé Non intercepter
et alors donner moi-même quelque chose c'est pire que faire
ou comme mauvais comme faire le complet modèle.
Je suis toujours effrayé de faire que.
TOUS avant sélection avec de faute paramètre semble comme a bien sûr chemin à aller.
Parfait.
Bien, avec que, nous rester prêt à prendre ton des questions.
