Niveau: Mittelstufe
Berufsfunktion: Analyst / Wissenschaftler / Ingenieur
Philip Ramsey, Eigentümer und Professor, North Haven Group und University of New Hampshire
Finalist für den besten eingereichten Beitrag
Obwohl sie für die Prozess-/Produktentwicklung oder -verbesserung wichtig sind, waren Experimente mit eingeschränkten Mischungen und Mischungsprozessen aufgrund großer Effektkorrelationen aufgrund regionaler und linearer Beschränkungen bisher schwierig zu analysieren. Häufig wurden kleine, unterangepasste Modelle mit mangelnder Anpassung oder große, überangepasste Modelle mit überhöhter Vorhersagevarianz ausgewählt. Mit den erweiterten Modellauswahlmethoden der verallgemeinerten Regressionsplattform von JMP Pro ist es nun möglich, große Mengen potenzieller Mischungseffekte anzupassen und zu bewerten. Modellauswahltechniken wie Pruned Forward, LASSO oder alle möglichen Modelle ermöglichen es, aus einem großen Pool von Kandidaten die beste Teilmenge von Effekten zu finden, selbst wenn die Anzahl der potenziellen Effekte die Anzahl der experimentellen Versuche übersteigt (Übersättigung). Anhand eines 10-Komponenten-Mischungsexperiments mit regionalen und linearen Beschränkungen demonstrieren wir, wie die verallgemeinerte Regression selbst große Mischungsmodelle (z. B. Scheffe Full Cubic) bewerten und die wichtige Teilmenge von Effekten identifizieren kann. Die Autovalidierungsmethode von Gotwalt und Ramsey (2018) zur Vermeidung von Überanpassung wird veranschaulicht. Wir verwenden dieselben Methoden zur Analyse eines komplizierten Mischungsprozessfaktorexperiments. Der Vortrag befasst sich hauptsächlich mit Live-JMP-Analysen und -Diskussionen. Auch die Erstellung von Mischungs- oder Mischungsprozess-Experimenten im Custom Design wird besprochen.
