Question 1 : Analyse du modèle DOE
Commentaires:
@Phil_Kay
@Victor_G : La sélection par étapes n’est peut-être pas l’approche par défaut à recommander.
C'est utile comme guide et comparaison, mais je préférerais comparer les résultats avec GenReg et d'autres plateformes
Les tracés raster peuvent également aider à voir les fréquences d'inclusion des termes sur de nombreux modèles, pour voir comment ils se comparent : https://community.jmp.com/t5/JMP-Wish-List/Raster-plots-or-other-visualization-tools-to-help-model/idi-p/730968
@bdclark23 : Approches multi-modèles avec une prépondérance de preuves qui montrent systématiquement les mêmes effets dans différents modèles, chacun avec ses propres biais et hypothèses.
Question 2 : « Approche des covariables » pour l’application des contraintes
Commentaires
@Victor_G : À propos des contraintes :
@Ryan_Lekivetz :
@Phil_Kay : J'ai également posté à ce sujet sur LinkedIn récemment :
J'adore cette discussion. Il est relativement facile de passer directement (JMP !) à la réponse technique. Mais il est également important de remettre en question le « pourquoi ».
@Chandramouli_R :
Vidéo 3 : Plan factoriel complet : combien de points centraux recommandez-vous ?
@Phil_Kay : J'ai également déjà publié des articles sur les points centraux :
@Victor_G : Les points centraux peuvent aider à détecter la courbure, mais ne permettent pas d'estimer plusieurs effets quadratiques
Q : Comment ajouter des points centraux dans une conception personnalisée ?
UN: 
@Victor_G : À propos des conceptions de portée et de leur utilisation comme exécutions préliminaires pour vérifier l'espace de conception :
Vidéo 4 : Comment puis-je réinitialiser/supprimer des facteurs dans les DoE faciles sans modifier la conception de l'expérience ?
Commentaires:
@Chandramouli_R :
@Victor_G :
- Dans « Analyser », vous pouvez sélectionner les effets entrant et sortant du modèle
- Onglet « Analyser » --> Essayer « Meilleur modèle »
- Ou créez un modèle personnalisé avec « Fit Model » en utilisant la table de données JMP avec vos résultats
@Jonas_Rinne : Je pense que vous pouvez également le faire en passant en mode flexible dans Easy DOE
@Victor_G : Adaptez vos réponses séparément. Mais je pense qu'il existe de nombreuses ressources pour vous aider à créer et comparer des modèles.
L'OFAT n'a pas de modèle derrière, c'est seulement une approche comparative, donc pas très utile pour guider la prise de décision
Vidéo 5 : Culture analytique pour l'utilisation du DOE
Commentaires:
@Uwe_Weber : Utilisez le Profiler et ils comprendront
@anchildress : Chez Eastman, nous obtenons le plus de succès lorsque nous nous concentrons sur l'établissement de relations avec les clients, en commençant par de petites choses pour établir une relation de confiance avec vous et vos techniques. Une fois qu'ils voient des victoires ou des DOE réussis avec des collègues, ils font peut-être davantage confiance à DOE.
Les résultats et les économies de coûts sont la technique la plus convaincante
@DB1 : Changer une culture : patience. Travaillez en marge. Lorsque vous parvenez à convaincre un scientifique ou un ingénieur, il peut être plus convaincant que nous de l’utilisation du DOE auprès de ses collègues. Comme le dit Bea, un très bon ensemble de données DOE dans une entreprise peut convaincre beaucoup de gens s’il est utilisé de manière diplomatique et ciblée.
Merci pour l'enregistrement @maria_astals !
Quelques commentaires pour approfondir les points évoqués hier :
- Sélection par étapes
La régression par étapes peut être problématique dans les expériences conçues, car elle :
- ignore la structure expérimentale du DoE : principe de hiérarchie, principe de parcimonie et parfois principe d'hérédité, mais ce dernier principe peut être forcé dans la plateforme de régression généralisée,
- crée des estimations de paramètres biaisées/gonflées, car ces termes sont principalement sélectionnés en raison de leur ampleur/taille d'effet,
- augmente le risque de faux positifs (probabilité de détecter un effet actif qui n'est pas actif) en raison de tests multiples sans ajustement,
- fournit des valeurs p peu fiables, car elles peuvent être utilisées à la fois pour la sélection des termes et pour les estimations des tests statistiques,
- ne traite pas de la multicolinéarité, qui peut être un problème avec des alias/corrélations forts entre les termes de la conception, et/ou dans le cas de conceptions mixtes,
- ignore complètement le modèle supposé lié à la conception générée.
Il peut y avoir d'autres raisons, on peut facilement trouver de la littérature et des discussions sur ce sujet :
SP0016 Procéder par étapes ou non ? Les choses à faire et à ne pas faire en matière de modélisation multivariée | Annales des maladies rhumatismales
L'utilisation de la régression par étapes pour traiter la multicolinéarité n'est pas appropriée - PMC
Pourquoi nous détestons la régression par étapes | Modélisation statistique, inférence causale et sciences sociales
La sélection progressive des variables dans la régression est un mal.
La sélection par étapes peut toujours être utile comme modèle de référence, et si le nombre de facteurs n'est pas trop élevé, l' option Tous les modèles possibles peut être intéressante pour voir comment les différents modèles concordent et diffèrent sur les termes de sélection et d'estimation. Mais la comparaison et la sélection des modèles doivent être guidées par le modèle supposé derrière la conception et par l'expertise du domaine.
Quelques discussions et publications dans la communauté liées aux approches par étapes sur les données DoE :
COMMENT adapter deux modèles avec des termes différents en même temps
Régression rétrospective pour l'analyse DOE mixte avec JMP standard (non pro) ?
Analyse d'un mélange de données d'expérience avec régression par étapes
Problèmes de modèle DoE Augmentation
Ajustement du criblage définitif par rapport au criblage par étapes (min. AICC) pour la sélection du modèle
- Contraintes
Vous pouvez ajouter des contraintes de deux manières :
- En ajoutant des contraintes et des limites via le panneau Définir les contraintes de facteur , cela limitera la génération de points de conception en fonction des contraintes,
- En limitant directement les points de conception qui peuvent être utilisés pour la génération de conception à l'aide d'une approche d'ensemble de candidats : Conceptions d'ensembles de candidats : Adaptation des contraintes DOE au problème (2021-EU-30MP-784)
L'article de blog de @Jed_Campbell sur la démystification des contraintes factorielles est une lecture incontournable sur ce sujet.
- Points centraux
Le choix d'ajouter des points centraux est souvent plus lié aux objectifs et aux raisons pratiques : détecter la courbure, assurer la stabilité du processus de mesure lors des expériences, avoir une estimation de l'erreur/variabilité pure, avoir une estimation au centre de l'espace de conception (dans le cadre d'une analyse de robustesse par rapport aux facteurs de l'espace/Quality by Design), ... Selon le modèle supposé et le type de conception, les points centraux peuvent ne pas être nécessaires ; les conceptions classiques comme les conceptions composites centrales et les conceptions de criblage définitif ont des points centraux, alors que les conceptions optimales calculées peuvent ne pas en avoir besoin.
Quelques ouvrages sur ce sujet :
5.3.3.7. Ajout de points centraux
Points centraux : trouver le centre mathématique de vos données - isixsigma.com
https://www.statease.com/blog/importance-center-points-central-composite-designs/
Et quelques discussions et posts dans la Communauté :
effet des points centraux
Ré: Forcer les points centraux à être répartis de manière égale sur les blocs de conception personnalisée
Combien de points centraux faut-il ajouter dans un dessin ?
@maria_astals En guise de suggestion pour les prochaines réunions, il serait bien que certains sujets puissent être votés et préparés à l'avance : comme le club DoE est une réunion trimestrielle, nous aurions suffisamment de temps pour créer un sondage avec différents sujets et voter pour eux avant la prochaine réunion du club. Cela garantirait des discussions plus approfondies ainsi qu'une plus grande variété dans les sujets (et peut-être plus de participation/engagement). Un mélange entre sujets préparés/votés et sujets/questions spontanés pourrait être une bonne idée pour les prochaines réunions ?
C'était super de vous avoir parmi nous lors de la réunion, Bill @statman . J'apprécie vraiment d'apprendre de vous.
Merci pour les précisions @Victor_G !
Il existe une section de discussion dans cette communauté : https://community.jmp.com/t5/Design-of-Experiments-Topic/idb-p/doe-grouphubidea-board
Rassemblons quelques idées du groupe et envoyons le sondage à l’avance.
