Robert Anderson, ingénieur système senior JMP
Les scientifiques et les ingénieurs doivent être capables de trouver le meilleur modèle possible pour leur procédé ou produit et d'identifier correctement les facteurs réellement importants et ceux qui ne le sont pas. La principale crainte est souvent de passer à côté d'un facteur important ou vital. Cependant, un problème plus insidieux et potentiellement plus grave réside dans le fait que les méthodes de modélisation statistique identifient fréquemment des facteurs statistiquement significatifs, mais non réellement actifs. L'identification de ces effets non authentiques entraîne un gaspillage de précieuses ressources scientifiques et techniques dans des investigations plus poussées de ces faux effets. La reconnaissance du modèle défectueux et des effets non authentiques peut prendre un temps et des ressources considérables. La méthodologie de validation par retenue de JMP Pro offre un moyen efficace de supprimer ce problème de surajustement du modèle, même avec des ensembles de données relativement petits. À l'aide d'ensembles de données simulés, cet article démontrera la fréquence et la facilité avec lesquelles la détection d'effets non authentiques peut se produire et comment la validation par retenue peut efficacement y remédier. Cependant, la validation par retenue n'est pas une solution miracle et quelques exemples de ses dysfonctionnements seront également présentés.
