Limite de détection dans la conception du criblage définitifJ'exécute un DOE DSD dans JMP18 Pro avec deux facteurs catégoriels (facteur A (niveaux A1 et A2), facteur B (niveaux B1 et B2) et deux facteurs continus (facteur C et facteur D). Mon objectif est de sélectionner le meilleur niveau pour chaque facteur A et B (par exemple, A1, A2, B1 ou B2), en incluant les termes d'interaction bidirectionnelle pour tous les facteurs, et d'estimer les termes quadratiques des facteurs C et D.
J'ai choisi d'ajouter 8 courses supplémentaires avec des blocs pour ajouter plus de puissance à mon modèle et j'ai obtenu un total de 22 courses.
Après avoir réalisé l'expérience, environ un tiers de mes exécutions étaient inférieures à la limite de détection. J'ai essayé d'utiliser le « Modèle d'ajustement » --> « Régression généralisée/LogNormal » avec des données censurées pour analyser mes données.
Mes questions sont :
1/ Que dois-je inclure dans les effets du modèle de construction ? Dois-je inclure uniquement les effets principaux dans le modèle ou dois-je inclure tous les effets principaux + interaction bidirectionnelle + termes quadratiques (pour les facteurs C et D) ?
2/ En régression généralisée, quelle est la meilleure méthode d'estimation ? Par défaut, la méthode d'estimation est la sélection ascendante en deux étapes. Dois-je essayer d'autres méthodes et utiliser l'AICc ou le BIC pour déterminer quel modèle est le plus performant ? (J'ai essayé, et Ridge/Holdback m'a donné l'AICc le plus faible. Dois-je l'utiliser ?)
3/ Lorsque je travaille avec DSD, j'utilise généralement la plateforme Fit Definitive Screening, qui comporte deux étapes d'évaluation des termes dans l'analyse. Puis-je effectuer cette analyse avec des données à limite de détection ou censurées à gauche ?
Merci pour toute votre aide !
Modélisation statistique avancéePlan d'expériencesWindowsObjet : Limite de détection dans la conception du criblage définitifLes informations fournies sont insuffisantes et, sans aucune expertise, la critique est peu fondée. À mon humble avis, j'ai les commentaires généraux suivants :
1. La méthode DSD est une méthodologie de conception par criblage. Votre expérience ne comporte que quatre facteurs. Ce n'est pas l'usage prévu de la méthode DSD. Bien qu'elle puisse être utilisée avec des facteurs catégoriels, ce n'est pas là son point fort, car elle vise à fournir des informations quadratiques dans l'espace de conception.
2. Lorsque vous menez une expérience, le plan d'expérience utilisé est fonction de votre modèle hypothétique. Autrement dit, le modèle est prédit à partir de votre modèle de moyenne expérimentale et testé via l'expérience. Je commence toujours par un modèle saturé et j'en supprime les termes insignifiants ou sans intérêt (méthode soustractive de construction de modèle). Vous devez inclure tous les termes estimables dans votre modèle initial.
3. Le choix des statistiques utilisées pour évaluer votre modèle est personnel . J'en utilise plusieurs, et non une seule, pour évaluer le modèle lorsque je supprime des termes (par exemple, R², delta ajusté R², magnitude ajustée R², RMSE, courbes des résidus, valeurs de p). Toujours avec l'aide d'un expert.
4. Je veille toujours à diagnostiquer les données avant l'analyse quantitative. C'est pourquoi j'utilise TOUJOURS la séquence suivante : signification pratique, analyse graphique et enfin analyse quantitative (PGQ). Si les données n'ont aucun sens ou ne présentent aucun changement significatif, l'analyse quantitative ne peut pas les corriger.
5. Le blocage n'est pas une stratégie visant à accroître la puissance du plan (bien que cela puisse arriver, ce n'est pas la raison pour laquelle il a été inventé, voir Fisher). Il est utilisé pour augmenter l'espace d'inférence sans diminuer la précision de l'expérience.
Objet : Limite de détection dans la conception du criblage définitifSalut @D_P2025 ,
@statman a déjà donné de nombreuses informations utiles sur l'utilisation de la conception de criblage définitif et la création de modèles concernant votre sujet.
Je vais essayer de fournir des commentaires supplémentaires et de répondre à certaines des autres questions que vous aviez :
- Lors de la construction de modèles, comme mentionné par Statman, vous devez commencer par analyser tous les effets possibles de votre modèle supposé (modèle saturé) et utiliser une approche soustractive basée sur des critères spécifiques (R²/R² ajusté, RMSE, valeurs de p des termes, AICc/BIC, etc.) liés à votre objectif. Dans votre cas, pour permettre la détection des interactions et des effets quadratiques, vous devez ajouter ces termes aux effets du modèle. Notez que tous les termes ne seront pas estimables avec une DSD ; seul le plus actif/important sera donc détecté selon les principes de parcimonie, de hiérarchie et d'hérédité des effets .
- Il n'existe pas de méthode d'estimation idéale en régression généralisée, car elle dépend de votre objectif, des caractéristiques de votre plan et des données disponibles. Je vous recommande d'essayer plusieurs méthodes d'estimation et de comparer leurs performances, ainsi que les termes inclus dans les modèles estimés par chaque méthode, afin de vérifier leur concordance :
Exemple avec R²/R²ajusté :
Exemple d'accord de termes entre chaque méthode d'estimation :
(Visuels de ma présentation dans le groupe d'utilisateurs français : Découverte des plans OML (Orthogonal Main Effects Screening Designs for Mixed Level Factors) pour le criblage de facteurs et l'optimisation de formulation cosmétique
Je recommande d'essayer d'autres méthodes d'estimation, comme la sélection progressive et la sélection du meilleur sous-ensemble (uniquement pour un faible nombre de facteurs et un nombre acceptable de termes dans le modèle !), en cochant l'option « Imposer l'hérédité des effets » dans les Contrôles avancés . Une autre excellente option pour la conception du criblage est d'utiliser la plateforme de criblage à deux niveaux Fit , qui peut aider à construire des modèles pertinents si les hypothèses qui la sous-tendent sont vérifiées : Présentation de la plateforme de criblage à deux niveaux Fit .
Le ou les critères que vous utilisez pour évaluer et comparer les modèles dépendent de votre objectif.
- Ridge est une méthode de régression pénalisée permettant de minimiser les coefficients des caractéristiques corrélées (proches de 0, mais non nuls). Cette propriété permet d'utiliser la régression Ridge sur des jeux de données comportant de nombreuses caractéristiques corrélées, car l'impact négatif de ces caractéristiques est minimisé et le surapprentissage est réduit. L'introduction d'une pénalisation entraîne également des estimations de coefficients biaisées. Ridge permet de prendre en compte toutes les caractéristiques et tend à être plus efficace lorsqu'il existe un grand nombre de variables ayant des effets importants et comparables.
Je ne pense pas que la régression Ridge soit pertinente dans la plupart des contextes DoE, car vous avez tendance à avoir de faibles alias entre les facteurs et une grande différence de taille d'effet entre les termes.
- La plateforme Fit Definitive Screening ne prend pas en charge les données censurées ni les réponses avec limites de détection. Les plateformes de distribution et de régression généralisée sont capables de gérer ce type de données : limites de détection.
Si vous travaillez avec ce type de données, il peut être plus judicieux d'utiliser la plateforme de régression généralisée pour bénéficier d'une gestion optimale des données. Pour en savoir plus sur l'impact potentiel de la non-utilisation de la propriété « Limites de détection » dans la plateforme de régression généralisée, vous pouvez regarder la présentation « Limites de détection (LoD) » - Nouveautés de JMP Pro 16 .
J'espère que cette réponse supplémentaire pourra vous aider,
Objet : Limite de détection dans la conception du criblage définitifMerci beaucoup pour votre contribution. Je suis relativement nouveau dans le domaine du DOE et je n'ai pas encore beaucoup de types de conception, alors j'ai pensé que DSD serait une bonne option pour mes besoins. J'ai d'ailleurs essayé de concevoir avec Custom Design : avec les mêmes facteurs, en incluant tous les effets principaux, les interactions bidirectionnelles et les termes quadratiques, + blocage = 20 passages, ce qui est assez similaire à DSD. À ce stade, j'hésitais entre les deux, et j'ai choisi DSD avec un nombre de passages légèrement supérieur, pensant que cela me donnerait plus de puissance.
La raison pour laquelle j'ai utilisé le blocage était que nous ne pouvons pas exécuter l'expérience entière en une seule fois (maximum environ 12 exécutions à chaque fois), j'ai donc décidé de la diviser en 2 blocs (et c'est une option pratique dans DSD) lorsque j'ai conçu le modèle
Objet : Limite de détection dans la conception du criblage définitifJe suis bien sûr un fervent partisan de la conception expérimentale. J'applaudis vos efforts pour en mener une. Je vous suggère de lire des ouvrages et de suivre des cours pour mieux comprendre les différentes situations et stratégies expérimentales. Soyez particulièrement attentif à la gestion du bruit et des restrictions dans une expérience.
Objet : Limite de détection dans la conception du criblage définitifMerci beaucoup pour votre réponse.
- J'ai exécuté Compare Design, mais il n'a comparé que les principaux termes d'effet, je suppose que c'était peut-être à cause de la structure DSD ?
- J'utilise généralement la conception personnalisée avec D-Optimal pour la conception de criblage et I-Optimal pour la conception d'optimisation. Cependant, je n'ai jamais rencontré de situation où j'aurais préféré A-Optimal. Pourriez-vous m'en dire plus ?
- J'ai pensé que DSD pouvait être utilisé pour évaluer l'interaction bidirectionnelle et estimer les termes quadratiques tant que les termes actifs ne sont pas trop nombreux. C'est pourquoi j'ai ajouté quelques exécutions supplémentaires à la conception pour augmenter la puissance du modèle capable de détecter la plupart des termes.
- Le lien que vous avez partagé est très utile, merci de le partager.
- Merci pour cette explication simple. Je n'ai pas de formation en science des données, donc c'est très utile.
- J'ai lu en ligne qu'il existe d'autres algorithmes pour évaluer les données censurées, comme la substitution bêta pour le traitement des données censurées à gauche. Savez-vous si JMP propose ce type d'algorithme ? Mon échantillon étant limité, je crains que la méthode ML ne soit pas la plus adaptée.
Objet : Limite de détection dans la conception du criblage définitifPour la modélisation, je recommande de commencer par le modèle de surface de réponse complet, puis d'utiliser la régression directe en deux étapes dans la régression généralisée. Vous devriez toujours pouvoir utiliser la censure des données, mais une approche simple consiste à remplacer les résultats par le seuil de rapport ou de détection.
Objet : Limite de détection dans la conception du criblage définitifSalut @D_P2025 ,
Concernant vos questions supplémentaires :
- Par défaut, lors de l'évaluation ou de la comparaison d'un plan de criblage définitif, l'effet du modèle ne comprend que les effets principaux. Vous pouvez ajouter des termes d'interaction ou d'effets quadratiques, dans la limite de vos degrés de liberté (en fonction du nombre d'exécutions indépendantes de votre plan). Un plan de criblage définitif ne permet pas d'ajuster un modèle de surface de réponse complet (avec tous les effets principaux, effets quadratiques et termes d'interaction). D'autres plans, tels que les plans composites centraux ou Box-Behnken, sont plus adaptés à ce modèle complet. Généralement utilisé lors d'une étape de criblage, le plan de criblage définitif s'appuie sur les principes de parcimonie , de hiérarchie et d'hérédité des effets pour identifier les quelques termes actifs importants parmi les nombreux négligeables. Grâce à ses bonnes propriétés de projection, il peut permettre d'ajuster un modèle de surface de réponse complet si les termes actifs ne sont pas trop nombreux.
- Le critère d'optimalité A permet de minimiser la variance moyenne des estimations des paramètres de votre modèle. Ce critère minimise les corrélations entre les termes (qui, autrement, gonfleraient la variance des estimations des paramètres), ce qui facilite également la sélection du modèle, car il est beaucoup plus facile de déterminer les effets statistiquement significatifs. De plus, vous pouvez ajuster les pondérations pour estimer plus précisément certains effets (par exemple, en mettant davantage l'accent sur les effets principaux plutôt que sur les effets d'interaction) avec les plans d'analyse A-Optimal grâce à l'option Pondérations des paramètres d'optimalité A.
Bradley Jones a donné une excellente conférence sur ce sujet : Conceptions de projection du XXIe siècle (2020-US-45MP-538)
Jonathan Stallrich a également comparé en 2022 les propriétés des plans D- et A-optimaux concernant la minimisation de la variance et du biais d'estimation, et a constaté que le critère d'A-optimalité offre moins de plans candidats présentant des propriétés similaires ou supérieures à celles du critère D-optimalité. L'article est disponible ici : https://arxiv.org/abs/2210.13943
Pour ces raisons, l'A-Optimalité est le critère d'optimalité recommandé utilisé par JMP lors de l'utilisation de plans à deux niveaux pour les effets principaux et les interactions à deux facteurs.
- Oui, l'ajout de pistes augmente la puissance et permet de détecter plus facilement les effets de second ordre. Cela facilite également la sélection des modèles .
- Désolé, je ne connais pas les méthodes impliquant des données censurées. D'autres plateformes JMP peuvent vous aider, comme la plateforme non linéaire.
Concernant l'analyse des DSD, il existe d'autres discussions portant sur des situations où différentes méthodes d'estimation et de sélection de modèles ont été utilisées :
Définition de la valeur P de l'étape 1 dans l'analyse du DSD à un niveau élevé pour détecter les effets actifs
Interprétation DSD et prochaines étapes
Importance des facteurs dans la conception du dépistage définitif
J'espère que cette réponse complémentaire vous aidera,
Objet : Limite de détection dans la conception du criblage définitifJe n'ai aucune expérience en censure, mais avec des données régulières et de bonne qualité, 22 exécutions DSD avec 4 facteurs devraient suffire à vous donner au moins une piste pour comprendre et corriger la modélisation. Je suis curieux de connaître le résultat lorsque, dans la plateforme de modèle d'ajustement DSD, vous augmentez la valeur de p seuil de 0,1 à 0,4. Avez-vous également essayé SVEM ?
