Niveau : Intermédiaire
Fonction du poste : Analyste / Scientifique / Ingénieur
Philip Ramsey, propriétaire et professeur, North Haven Group et Université du New Hampshire
Finaliste du meilleur article contribué
Bien qu'importants pour le développement ou l'amélioration des procédés/produits, les expériences de mélanges contraints et de procédés de mélanges ont été difficiles à analyser en raison des corrélations d'effets importantes causées par des contraintes régionales et linéaires. De petits modèles sous-ajustés avec un ajustement insuffisant ou de grands modèles surajustés avec une variance de prédiction gonflée ont souvent été sélectionnés. Grâce aux méthodes avancées de sélection de modèles de la plateforme de régression généralisée de JMP Pro, il est désormais possible d'ajuster et d'évaluer de grands ensembles d'effets de mélange potentiels. Des techniques de sélection de modèles telles que l'élagage avant, LASSO ou tous les modèles possibles permettent de trouver le meilleur sous-ensemble d'effets parmi un large éventail de candidats, même lorsque le nombre d'effets potentiels dépasse le nombre d'essais expérimentaux (sursaturation). À l'aide d'une expérience de mélange à 10 composantes avec des contraintes régionales et linéaires, nous démontrons comment la régression généralisée peut évaluer même de grands modèles de mélange (par exemple, Scheffe cubique complet) et identifier le sous-ensemble d'effets important. La méthode d'autovalidation de Gotwalt et Ramsey (2018) pour prévenir le surajustement est illustrée. Nous utilisons les mêmes méthodes pour analyser une expérience complexe de facteurs de processus de mélange. La conférence portera principalement sur des analyses et des discussions JMP en direct. La génération d'expériences de mélanges ou de procédés de mélange dans Custom Design sera également abordée.
