Comment évaluer les structures d'alias dans un DOE D-optimal ?D'après ce que je comprends, les conceptions D-optimales peuvent être bonnes pour les expériences de criblage, mais vous feriez mieux d'espérer qu'il n'y a pas d'effets d'interaction importants, sinon ils biaiseront vos effets principaux, ou que vous devriez ajouter des interactions bidirectionnelles suspectées à votre conception optimale comme un moyen d'éviter les effets d'aliasing.
On m'a dit d'éviter les factorielles fractionnaires Res III et les plans Plackett-Burman pour le criblage, car ils peuvent avoir de mauvaises structures d'alias et confondre les effets principaux avec les interactions.
Ma question est la suivante : comment comparer un DOE optimal à un modèle Res III ou Plackett-Burman ? Existe-t-il un moyen de trouver la résolution d'un modèle optimal pour éviter toute structure d'alias déroutante ? Quelles sont les règles empiriques pour l'aliasing sur les modèles optimaux et comment sont-elles signalées dans la sortie JMP ? Par exemple, si la matrice d'alias signale un alias > 0,5 entre un effet principal et une interaction à 2 voies, cela doit-il être évité ?
Plan d'expériencesRé: Comment évaluer les structures d'alias dans un DOE D-optimal ?Fondamentalement, existe-t-il un numéro de structure d'alias ou un numéro de résolution signalé dans JMP pour une conception optimale qui devrait être évitée si vous suspectez des interactions à 2 facteurs ou si vous craignez que des interactions à 2 facteurs biaisent vos effets principaux ? Par exemple, pour un nombre donné de facteurs et un nombre donné d'exécutions, avec un modèle d'effets principaux et, par exemple, 1 terme d'interaction, existe-t-il un moyen d'évaluer la conception et de dire que les impacts d'alias sont trop élevés, et que recherche-je exactement en termes de nombre seuil, et où est-il signalé dans JMP ?
Ré: Comment évaluer les structures d'alias dans un DOE D-optimal ?L'une des principales raisons pour lesquelles il faut choisir une approche de conception optimale est le luxe de pouvoir spécifier un modèle AVANT de générer la conception, puis de laisser le logiciel faire le gros du travail compte tenu d'autres contraintes possibles telles que le nombre d'exécutions, les combinaisons non autorisées, etc. Donc, si vous voulez pouvoir estimer des effets spécifiques, mettez ces effets dans le modèle. Utilisez ensuite la plateforme de comparaison des conceptions pour comparer toutes les conceptions que vous créez, optimales ou classiques. La plateforme propose de nombreux diagnostics de conception pour répondre à toutes les questions que vous énumérez.
Ré: Comment évaluer les structures d'alias dans un DOE D-optimal ?Salut @mjz5448 ,
La structure d'aliasing d'une conception dépend du choix de la conception, du nombre d'exécutions et des contraintes/dépendances linéaires entre les facteurs (le cas échéant). Plus les contraintes/dépendances linéaires sur les facteurs sont nombreuses, plus il est difficile et complexe d'estimer indépendamment les termes du modèle des facteurs.
Si votre préoccupation principale est d'estimer avec précision et sans biais les effets principaux, avec la possibilité de détecter et d'estimer les effets d'interaction, voici quelques suggestions de conceptions avec de bonnes propriétés d'aliasing :
Si vous souhaitez déterminer la résolution de votre conception, ce lien du NIST vous aidera à comprendre les différences entre les résolutions : 5.3.3.4.4. Spécifications de conception factorielle fractionnaire et résolution de conception
Lors de l'évaluation des conceptions , vous pouvez consulter les corrélations entre les termes sur la carte des couleurs des corrélations et enregistrer les corrélations dans le triangle rouge de cette section, « Tableau des corrélations ».
Concernant les corrélations et les conseils pour choisir l'un ou l'autre design, le choix du design est principalement impacté par le nombre de runs possibles dans votre cas. Il est bien sûr "plus sûr" d'éviter les fortes corrélations entre les termes, mais le nombre de runs nécessaires pour réduire certaines de ces corrélations n'est parfois pas réalisable. Il faut donc définir le meilleur compromis entre votre objectif et votre budget expérimental (nombre de runs, il n'y a pas de "seuil prédéfini"), et choisir le design le plus pertinent. Comme @P_Bartell l'a mentionné, créez plusieurs designs et utilisez la plateforme Compare Designs pour mieux évaluer les avantages et les inconvénients de chaque design.
Et sur une note positive, il n'y a pas de DoE raté ; si vous n'avez pas atteint votre objectif, vous pouvez toujours Augmenter votre Conception et réduire/supprimer les corrélations entre les termes qui vous empêchaient de détecter des interactions ou d'autres termes d'ordre supérieur.
J'espère que cette réponse vous aidera,
Ré: Comment évaluer les structures d'alias dans un DOE D-optimal ?Merci Victor_G.
Existe-t-il une règle empirique concernant l'aliasing que l'on essaie de suivre dans les conceptions optimales (D ou Alias optimal ?) ?
Par exemple, il me semble clair pourquoi nous voulons éviter les plans Res III dans le criblage puisque certains effets principaux sont complètement aliasés avec des interactions à 2 facteurs. Mais ce qui n'est pas si clair pour moi, c'est quelle valeur seuil minimale dans la table d'alias je devrais rechercher pour un plan optimal avant de penser à ajouter des exécutions. Est-ce que 0,33 ou 0,4 est considéré comme élevé dans une table d'alias pour les effets principaux et les interactions à 2 facteurs, ou est-ce que 0,25 est un bon début ? Fondamentalement, à quel moment un nombre devrait-il me faire réfléchir et me pousser à réévaluer le plan et à ajouter plus d'exécutions ?
Ré: Comment évaluer les structures d'alias dans un DOE D-optimal ?Les conseils sont les suivants... Construisez votre compréhension de la structure causale de manière hiérarchique et séquentielle. Il est tout à fait acceptable d'utiliser des modèles Res III lorsque vous avez de nombreux effets de premier ordre (facteurs) que vous souhaitez tester/comparer. Je pense que trop souvent, les gens abandonnent les facteurs de la considération en se basant sur « l'instinct et l'intuition » par souci d'économie. Que faites-vous des facteurs qui ne sont pas étudiés ? Les maintenir constants restreint l'espace d'inférence, les laisser varier peut diminuer la précision du modèle. Dans les deux cas, il semble être une « meilleure » idée de les inclure et d'obtenir des données pour aider à décider de la prochaine itération. Il est également important de prédire les effets des facteurs et des interactions (et leur ordre de classement). C'est-à-dire, utilisez les connaissances scientifiques et techniques pour la planification. Si votre liste CLASSÉE contient tous les effets principaux, puis les effets de second ordre, Res III pourrait être un bon choix. Au fur et à mesure que l'ordre de classement prédit des effets de second ordre « monte » dans la liste prédite, vous commencez à utiliser des modèles à plus haute résolution. Tant que vous itérez, vous ne compromettez pas trop l'efficacité tout en améliorant l'efficacité.
