Livello: Intermedio
Funzione lavorativa: analista/scienziato/ingegnere
Philip Ramsey, proprietario e professore, North Haven Group e University of New Hampshire
Finalista per il miglior articolo contribuito
Sebbene importanti per lo sviluppo o il miglioramento di processi/prodotti, gli esperimenti di miscele vincolate e di processi di miscele sono stati difficili da analizzare a causa delle grandi correlazioni di effetti causate da vincoli regionali e lineari. Spesso sono stati selezionati piccoli modelli di sottoadattamento con mancanza di adattamento o grandi modelli di sovraadattamento con varianza di previsione gonfiata. Con i metodi di selezione dei modelli avanzati nella piattaforma di regressione generalizzata di JMP Pro, è ora possibile adattare e valutare grandi set di potenziali effetti di miscele. Le tecniche di selezione dei modelli come pruned forward, LASSO o tutti i modelli possibili consentono di trovare un sottoinsieme migliore di effetti da un ampio pool di candidati anche quando il numero di potenziali effetti supera il numero di prove sperimentali (sovrasaturazione). Utilizzando un esperimento di miscela a 10 componenti con vincoli sia regionali che lineari, dimostriamo come la regressione generalizzata può valutare anche grandi modelli di miscela (ad esempio, Scheffe full cubic) e identificare il sottoinsieme importante di effetti. Viene illustrato il metodo di autovalidazione di Gotwalt e Ramsey (2018) per prevenire l'overfitting. Utilizziamo gli stessi metodi per analizzare un complicato esperimento di fattore di processo di miscela. La discussione verte principalmente su analisi e discussioni JMP in tempo reale. Si discute anche di come generare esperimenti di miscele o processi di miscele in Custom Design.
