Lorsque j'utilise Screening Design, je peux définir les générateurs pour les effets principaux en cochant les cases dans ce menu, puis en cliquant sur Appliquer. Cependant, je ne trouve pas comment procéder dans le menu Conception personnalisée. Cette section n'existe pas. Y a-t-il une raison pour laquelle nous ne pouvons pas spécifier les règles de génération pour une factorielle fractionnaire dans la conception personnalisée ?
J'essaie de configurer un scénario WP/SP. Sinon, j'utiliserais simplement le menu de conception de filtrage.
Salut @awelsh ,
La génération de plans de criblage optimaux (via la plateforme de conception personnalisée ) et de plans factoriels fractionnaires classiques est différente.
- Dans le cas d'un plan factoriel fractionnaire classique, vous spécifiez le générateur qui créera des termes confondus complets que vous ne pourrez pas différencier (très souvent, des effets principaux avec un effet d'ordre élevé, comme les interactions 3/4/5-... facteurs, en supposant que le principe de hiérarchie des effets soit vrai). Cela donne lieu à des plans où certains termes sont complètement aliasés/corrélés, mais comme vous avez la possibilité de spécifier le générateur, vous pouvez avoir une certaine flexibilité et essayer d'estimer aussi précisément et impartialement que possible les termes d'intérêt en fonction de la résolution du plan . Cela facilite la construction du plan, il est donc possible de créer un tel plan à la main. Cette option de création de plan est uniquement disponible dans la plateforme Screening Designs .
- Dans le cas de plans de criblage optimaux, la génération du plan se fait grâce à un algorithme d'échange de coordonnées et à un objectif à atteindre, appelé critère d'optimalité . En fonction de votre objectif expérimental, vous pouvez choisir le critère d'optimalité le plus pertinent : l'explicabilité par estimation et filtrage précis des termes (critère d'optimalité D ou A) ou la prédictivité par minimisation de la variance de prédiction (critère d'optimalité I ou G). Comme le plan est calculé grâce à cet algorithme et à cet objectif d'optimalité, vous ne pouvez pas spécifier directement de générateur : l'algorithme va essayer, en fonction de votre modèle supposé, du critère d'optimalité, du budget d'essais et des éventuelles contraintes, de minimiser les corrélations entre les termes de votre modèle. Ainsi, autant que possible, le plan résultant présentera des corrélations partielles au lieu d'une confusion complète entre les termes comme les plans factoriels fractionnaires classiques. Cependant dans certaines situations (par exemple générer un plan avec le nombre minimum d'essais requis et sans contraintes), le plan optimal résultant peut être un plan factoriel fractionnaire classique. Les plans optimaux sont une généralisation des plans classiques « de manuel » comme les plans factoriels fractionnaires, capables de gérer les contraintes, avec plus de flexibilité sur les estimations des termes du modèle grâce au modèle supposé et au nombre d'exécutions expérimentales.
J'espère que cette réponse vous aidera,
Merci pour l'explication détaillée avec les liens. C'était très utile et je comprends maintenant la différence.
(contexte : je suis un Master Black Belt et ingénieur mécanique expérimenté en Lean Six Sigma. Cependant, j'utilise Minitab depuis 10 ans et j'essaie d'apprendre les fonctionnalités avancées de JMP. J'ai été initialement formé à JMP en utilisant les fonctionnalités de base)
Je jouais avec la fonction difficile à modifier pour créer un graphique entier fractionnaire / graphique divisé pour apprendre comment cela fonctionne. Je suivais un exemple de Montgomery dans son manuel. L'algorithme ne générait pas le même design que le manuel, j'essayais donc simplement de configurer le générateur pour qu'il le fasse. Je suis sûr que je pourrais simplement lui faire créer la factorielle complète et supprimer les lignes non pertinentes.
Cependant, après avoir rédigé ce message, je me suis rendu compte que cette fonctionnalité de conception personnalisée pourrait ne pas fonctionner de toute façon. Il s'agissait d'un exemple non répliqué sans DoF pour les erreurs et le modèle entièrement saturé ne produit pas de NPP ou de Pareto puisqu'il utilise REML. L'exemple de Montgomery utilise simplement les sorties graphiques pour l'analyse.
Je vais simplement continuer à analyser le WP/SP de la même manière que je le faisais avec JMP il y a 10 ans en analysant deux tableaux de données distincts. WP-résumez le tableau sur l'ensemble des tracés et ajustez le DoF WP. Et puis pour le SP, utilisez le tableau de données complet d'origine mais ajustez uniquement le DoF SP dans le modèle. Et puis faites simplement une analyse pratique/graphique avec NPP en utilisant la ligne PSE de Lenth bleue et le Pareto.
Je suis en train de passer de Minitab, que je connais bien pour faire WP/SP et qui génèrera une analyse WP et SP distincte avec NPP et Pareto et corrigera SS dans l'ANOVA. C'est plutôt sympa, mais c'est restrictif quant à la conception qu'il vous permettra de choisir. Très restrictif en fait, il ne vous proposera généralement que quelques options. Mais d'après ce que je vois, JMP ne le fera pas. Cependant, JMP peut créer des conceptions beaucoup plus complexes et optimisées.
Les choses fantaisistes me fascinent intellectuellement, mais en pratique, j'ai tendance à exécuter uniquement des factorielles fractionnaires et complètes classiques séquentielles. Parfois, celles-ci comportent des lignes de restrictions dues à l'ordre d'exécution, aux matériaux ou aux configurations. D'où ma motivation à essayer les éléments difficiles à modifier dans la conception personnalisée.
Salut @awelsh ,
Il peut en effet être un peu délicat de générer exactement le même design que dans un manuel ou une étude de cas spécifique.
En fonction de vos besoins (reproduction d'une analyse et/ou création d'un design), plusieurs solutions de contournement peuvent vous aider à améliorer la reproductibilité de votre génération et analyse de design :
- Pour l'enseignement, la plateforme de conception personnalisée vous permet de fixer une graine aléatoire afin que tous les élèves puissent obtenir le même design. Voir Est-il possible de rendre la génération de DOE reproductible ?
- Je ne connais pas l'exemple spécifique que vous avez mentionné, mais il pourrait toujours être possible de reproduire le plan en utilisant un plan factoriel fractionnaire classique pour la partie split-plot (pour avoir un contrôle total sur le générateur et l'aliasing), et de répliquer cette partie en plusieurs parcelles entières. Si vous êtes intéressé, vous pouvez partager le plan pour que je puisse essayer de le reproduire ?
- Une autre option consiste à copier-coller la table de conception à partir de la source (manuel, Excel, ...) dans JMP, et à configurer les propriétés de colonne correctes pour Factors . De cette façon, vous pouvez reproduire l'analyse avec les degrés de liberté corrects pour l'ANOVA entre les parcelles entières et les parcelles divisées par exemple. Vous pouvez vérifier et tester les exemples fournis ici Example of a Split Plot Plan Analysis et Example of a Split Plot Experiment . Cette analyse directe, une fois les facteurs correctement configurés, peut vous aider et créer une analyse plus simple au lieu de deux tableaux différents et de l'analyse associée.
Enfin, si vous ne vous limitez pas à reproduire exactement un dessin de la littérature, vous pouvez aussi laisser travailler l'algorithme Coordinate-Exchange, et comparer le dessin obtenu avec le dessin obtenu dans le manuel grâce à la plateforme Compare Designs . Vous verrez que les performances de conception devraient être similaires entre les deux dessins.
J'espère que cette réponse complémentaire pourra vous aider,
Merci. J'enseigne, donc la fixation aléatoire des graines pourrait être utile.
Si vous êtes curieux, je regarde le 14.3 à la page 639 de Design and Analysis of Experiments 8e édition. Un manuel tellement fantastique. C'est un scénario de gravure au plasma 2^5-1. J'aime le fait que celui-ci soit un exemple d'analyse graphique car beaucoup de mes étudiants apprennent juste le DOE et ne comprennent pas complètement les tables ANOVA. JMP donnait l'identifiant de repli pour l'ABCDE. Le manuel était 1 et JMP donnait le tout -1.
Salut @awelsh ,
En effet, excellent livre et belle étude de cas. Pour créer le même design, vous aurez peut-être besoin de plusieurs étapes (et de quelques réglages/spécifications manuels) :
- Create a replicated Full Factorial design for the Hard-to-change factors A, B and C, with Run order sorted "Right to Left" (16 experiments):
DOE(
Screening Design,
{Add Response( Maximize, "Y", ., ., . ), Add Factor( Continuous, -1, 1, "A", 0 ),
Add Factor( Continuous, -1, 1, "B", 0 ), Add Factor( Continuous, -1, 1, "C", 0 ),
Set Random Seed( 1751432727 ), Replicates( 1 ), Make Design( 2 ),
Simulate Responses( 0 ), Save X Matrix( 0 )}
);
It should create the "Whole plot part" of the design, and since the runs are all replicated once with a specific run order, it will create a whole plot structure (2 runs per whole plot) that you can further specify, by adding a column "Random Block" in your table with the right column properties set for the analysis : Design Role = Random Block and Value Order (to sort the value from 1 to 8).
You will also have to change the Factor Changes property of the factors A, B and C from "Easy" to "Hard" to be able to run the correct analysis once the complete design will be done.
- Create the split plot part with a Full Factorial design for factors D and E, with Run Order sorted "Randomize". You might need some trials to have the same corresponding order than in the textbook :
DOE(
Screening Design,
{Add Response( Maximize, "Y", ., ., . ),
Add Factor( Continuous, -1, 1, "D", 0 ),
Add Factor( Continuous, -1, 1, "E", 0 ), Set Random Seed( 1907388151 ),
Make Design( 1 ), Simulate Responses( 0 ), Save X Matrix( 0 )}
);
Once this 4-runs full factorial is done, you can replicate it with the same order using the platform Augmenter les conceptions, specifying a "Replicate" augmentation choice with 4 as the number of times to perform each run. You should then obtain the complete "split-plot part" of the design :
- Join datatables "Whole Plot part" and "Split plot part" by row number :
// → Data Table( "Plasma Etching Tools Design" )
Data Table( "1_Whole Plot part" ) << Join(
With( Data Table( "2_Split Plot part" ) ),
Select( :Pattern, :Whole Plots, :A, :B, :C ),
SelectWith( :D, :E, :Y ),
By Row Number,
Output Table( "Plasma Etching Tools Design" )
);
This last action should give you the same design as in the textbook. I have attached the different tables used and the last table with response values if you want to reproduce the design creation and/or analysis.
A titre d'information et de considération "pratique", l'utilisation de la plateforme Custom Design permet directement de créer un design avec les mêmes performances (en termes de puissance et de variance de prédiction) :
Mais une structure d'alias différente (évitant une confusion totale) :
Voici comment le générer dans JMP (la table de données pour la conception personnalisée est également jointe) :
DOE(
Custom Design,
{Add Response( Maximize, "Y", ., ., . ), Add Factor( Continuous, -1, 1, "A", 1 ),
Add Factor( Continuous, -1, 1, "B", 1 ), Add Factor( Continuous, -1, 1, "C", 1 ),
Add Factor( Continuous, -1, 1, "D", 0 ), Add Factor( Continuous, -1, 1, "E", 0 ),
Set Random Seed( 1361270547 ), Number of Starts( 29927 ), Add Term( {1, 0} ),
Add Term( {1, 1} ), Add Term( {2, 1} ), Add Term( {3, 1} ), Add Term( {4, 1} ),
Add Term( {5, 1} ), Add Alias Term( {1, 1}, {2, 1} ),
Add Alias Term( {1, 1}, {3, 1} ), Add Alias Term( {1, 1}, {4, 1} ),
Add Alias Term( {1, 1}, {5, 1} ), Add Alias Term( {2, 1}, {3, 1} ),
Add Alias Term( {2, 1}, {4, 1} ), Add Alias Term( {2, 1}, {5, 1} ),
Add Alias Term( {3, 1}, {4, 1} ), Add Alias Term( {3, 1}, {5, 1} ),
Add Alias Term( {4, 1}, {5, 1} ), Set N Whole Plots( 8 ), Set Sample Size( 16 ),
Simulate Responses( 0 ), Save X Matrix( 0 ), Make Design}
);
J'espère que cette réponse pourra vous aider,
