Nivel: Intermedio
Función del puesto: Analista / Científico / Ingeniero
Philip Ramsey, propietario y profesor de North Haven Group y la Universidad de New Hampshire
Finalista al mejor artículo contribuido
Si bien son importantes para el desarrollo o la mejora de procesos y productos, los experimentos de mezclas y procesos de mezclas con restricciones han resultado difíciles de analizar debido a las grandes correlaciones de efectos causadas por restricciones regionales y lineales. Con frecuencia, se han seleccionado pequeños modelos de subajuste con falta de ajuste o grandes modelos de sobreajuste con varianza de predicción inflada. Con los métodos avanzados de selección de modelos de la plataforma de Regresión Generalizada de JMP Pro, ahora es posible ajustar y evaluar grandes conjuntos de posibles efectos de mezcla. Las técnicas de selección de modelos, como la poda hacia adelante, LASSO o la selección de todos los modelos posibles, permiten encontrar el mejor subconjunto de efectos de un amplio grupo de candidatos, incluso cuando el número de efectos potenciales excede el número de ensayos experimentales (sobresaturación). Utilizando un experimento de mezcla de 10 componentes con restricciones regionales y lineales, demostramos cómo la Regresión Generalizada puede evaluar incluso modelos de mezcla grandes (p. ej., Scheffe cúbico completo) e identificar el subconjunto importante de efectos. Se ilustra el método de autovalidación de Gotwalt y Ramsey (2018) para evitar el sobreajuste. Utilizamos los mismos métodos para analizar un experimento complejo de factores de proceso de mezcla. La charla se centra principalmente en análisis y debates en vivo sobre JMP. También se aborda la generación de experimentos de mezclas o procesos de mezcla en Diseño Personalizado.
