Les prochaines sessions sont :
23 septembre | T3 : https://www.jmp.com/en/events/europe/users-groups/doe-club/2025/23-sep
25 novembre | T4 : https://www.jmp.com/en/events/europe/users-groups/doe-club/2025/25-nov
Question 1 : Comment gérer les situations dans lesquelles mon analyse ne montre aucun effet ou interaction significatif ?
Chandra : L'utilisation du profileur d'exploration graphique, des tracés de contour et des tracés d'interaction dans JMP peut aider à repérer les tendances qui ne sont pas statistiquement significatives mais qui peuvent justifier une étude plus approfondie.
Victor : Cela dépend de l'objectif, des connaissances préalables et du modèle/de la complexité supposés du système étudié + des contraintes budgétaires
Les plans de criblage définitifs et les plans OML ( plans de criblage à niveaux mixtes ) aident à étudier les effets de courbure (quadratiques) au début de la phase de criblage.
Simon : si j'ai déjà des données DSD existantes et que je souhaite les augmenter jusqu'à un RSM complet, comment puis-je gérer le manque de randomisation puisque j'ajoute des exécutions supplémentaires que je n'ai pas mesurées avec le premier ensemble de données ?
Victor : utilisez le blocage lors de l'augmentation de la conception
Phil : FitDSD ne fonctionnera malheureusement pas avec les exécutions manquantes
Simon : peux-tu montrer l'augmentation en utilisant le blocage dans le logiciel ?
Victor : J'ai ajouté cette vérification par défaut dans la liste de souhaits : https://community.jmp.com/t5/JMP-Wish-List/DoE-Augmentation-Option-quot-Group-new-runs-into-separate-block/idi-p/665019
Question 2 : Comment choisir entre différents types de DOE (par exemple, factoriel complet, factoriel fractionnaire, surface de réponse) ?
Question 3 : Que faire lorsque vous perdez une série de DOE
Victor : Vous pourriez également exécuter le modèle (si possible) sans cette exécution et voir s'il est capable d'approximer la réponse de la dernière exécution ajoutée. Et si vous devez élargir les plages de vos facteurs parce qu'elles sont trop étroites, vous pouvez améliorer votre conception au lieu de repartir de zéro pour bénéficier des informations déjà collectées.
David : Le défi, c'est que j'ai déjà atteint la limite de mes runs et que je ne peux pas en faire un de moins. Il me faut donc « améliorer » le design d'une manière ou d'une autre. Avez-vous des avis sur la nécessité d'utiliser le blocage ?
Kevin : Un piège courant que je constate et dans lequel je tombe moi-même est de vouloir limiter le nombre de facteurs au départ, pour rendre la situation plus gérable (c'est-à-dire réduire le nombre d'exécutions). Ensuite, on les élimine instinctivement, au lieu de les filtrer en fonction du degré d'expérience.
Bien sûr, il y a une limite, il ne s'agit pas de filtrer toutes les pensées qui viennent à l'esprit, mais il est souvent utile de réunir quelques experts lors de la réunion et de réfléchir à un ensemble de facteurs de départ.
Vainqueur : Vous avez un design avec un modèle saturé ? Vous pouvez peut-être utiliser des outils adaptés aux designs saturés, comme la plateforme Fit Two-Levels Screening ( La plate-forme de dépistage à deux niveaux Fit ), pour essayer de créer un modèle pertinent.
Et/ou comme vous l'avez mentionné, vous pourriez augmenter votre première conception incomplète et utiliser le blocage pour les nouvelles exécutions afin d'empêcher/détecter tout décalage/variation entre le premier lot d'expériences et le second.
CK : pouvez-vous également en exécuter un qui a été exécuté précédemment pour aider à rendre compte ?
Simon : Je ne sais pas si nous avons déjà abordé le sujet, mais je me sens limité dans l'analyse des données finales et l'évaluation du modèle. J'ai appris, lors du cours JMP DoE, à analyser l'ANOVA et le manque d'ajustement. Quelle autre option, peut-être meilleure, aurais-je pour évaluer mon modèle final et peut-être utiliser ses statistiques pour planifier une meilleure expérience ?
Vainqueur : Il existe de nombreuses métriques de modèles à utiliser pour la comparaison/validation de modèles en fonction de votre objectif : R²/R² ajusté, valeurs p, RMSE, critères d'information, ...
Plus de discussions : https://community.jmp.com/t5/Discussions/Model-reduction/mp/823421/highlight/true#M100286
Kevin : C’est une question difficile, David. J’ai une idée à tester, sans en savoir plus sur votre cas, mais essayez d’utiliser un outil comme les moindres carrés partiels, capable de gérer les données manquantes. Placez votre expérience prévue dans le bloc X, puis les prédicteurs Y correspondent à vos mesures, et laissez la valeur manquante dans la colonne Y (ou la matrice si vous avez plusieurs réponses).
PLS peut faire une prédiction pour vous, même si elle n'est peut-être pas la meilleure, ce sera mieux que d'abandonner complètement cette course.
De plus, quelle aurait été votre prochaine étape après cette analyse, si vous aviez le point de données manquant ?
Phil : Je répéterais simplement la course manquante, comme le dit Kim. Ce n'est pas idéal, car les facteurs de « bruit » auraient pu changer, mais je ne pense pas qu'il y ait de meilleure option. La placer dans un bloc séparé n'a aucun sens. Un bloc avec une seule course n'est pas utile.
CK : les points centraux sont bons, mais pourriez-vous répéter une série de succès précédente ?
Kevin : Pourriez-vous essayer de simuler votre problème ? Observez l'effet de l'abandon d'une exécution et de sa reprise dans un bloc ultérieur, simulé avec ou sans effet de blocage. Créez un système factice, où vous connaissez la vérité, et simulez des données expérimentales reproduisant votre scénario.
David : Et ensuite ? Comment procéderiez-vous ?
Kévin : Ensuite, faites l'analyse sur les données simulées et voyez à quel point cette course manquée est importante pour les informations que vous auriez (ou n'auriez pas) obtenues.
Puisque vous connaissez la vérité dans le système simulé, vous devriez la retrouver dans votre analyse des données simulées.
David : par « la vérité » dans le système, voulez-vous dire quels effets sont présents ?
Kevin : Oui, si c'est l'intention de vos expériences, c'est de découvrir quels effets sont en jeu dans la gamme dans laquelle vous opérez.
David : J'aurais ajusté les données pour obtenir le modèle avec l'AICc le plus bas pour décrire le système
Kevin : Donc, il semble que vous soyez dans une phase précoce : vous examinez les facteurs et vous apprenez à connaître le système.
David : Exactement ! C’est pour ça que je pense que chaque course compte.
Kevin : Dans ce cas, la question à vérifier dans la simulation est la suivante : le dépistage potentiel ou les connaissances acquises (par exemple, le facteur A diminue la réponse 1) auraient-ils été erronés sans cette seule exécution manquante, ou auriez-vous obtenu les mêmes informations ? En d’autres termes, l’absence de cette exécution ne pose pas de problème.
Question 4 : Utilisation de l'option de transformation Box Cox dans une analyse DOE
Victor : pour savoir si une transformation est nécessaire, vous pouvez d'abord vérifier les résidus de votre modèle
Diana : Transformation de Box Cox : je recommande d'arrondir au nombre supérieur le plus proche (toujours dans l'intervalle de confiance des bonnes transformations), car ce sera beaucoup plus facile à expliquer ultérieurement. Il est bien plus facile de dire « c'est une transformation logarithmique » que « c'est à la puissance -0,132342356 ».
Phil : Concernant la transformation Box-Cox : JMP suggère un nombre lambda qui correspond à la puissance à laquelle la réponse est élevée comme transformation. 0 équivaut à une transformation logarithmique. 2 correspond à la mise au carré de la réponse. -1 correspond à l'inverse de la réponse. Une transformation logarithmique est pertinente dans certains cas, par exemple lorsque la réponse est un comptage de la croissance cellulaire et varie donc selon les ordres de grandeur. Je pense qu'il est difficile de justifier d'autres transformations, je les éviterais donc. Les seules exceptions sont les transformations qui aident lorsque la réponse est exprimée en pourcentage ou de 0 à 1. Les transformations logit et logit pct peuvent être utiles.
Question 5 : Quel est le but des points centraux et comment déterminer les plages de facteurs appropriées ?
Bill : Les DOE sont notoirement rares et des méthodes comme les méthodes arborescentes ou SVEM sont de bonnes options pour analyser vos données DOE.
Victor : Le sujet des points centraux a également été mentionné dans le précédent DoE Club : https://community.jmp.com/t5/Design-of-Experiments-Club/Recordings-DOE-Club-Q1-2025/mp/842727
Question 6 : Données qui ne suivent aucun principe du DOE.
Victor : Vous pouvez utiliser la plateforme de conception Augment.Cela permet d'établir un climat de confiance avec les personnes ayant déjà fait des expériences avec OFAT.
Chandra : Pour capturer les interactions et la courbure après une étude OFAT, utilisez la fonctionnalité « Augmenter la conception » de JMP en spécifiant les mêmes facteurs et un modèle plus complet (effets principaux, interactions, équations du second degré). Cela génère des exécutions supplémentaires qui, combinées à vos données OFAT, complètent la conception. Un facteur de blocage permet également d'ajouter un facteur de blocage pour séparer les exécutions initiales et nouvelles afin d'améliorer la modélisation.
Commentaire de Caleb King :
Je voulais partager un point en lien avec certains points évoqués (Kim a évoqué l'arrondi des facteurs de correction et, bien sûr, la discussion sur l'utilisation des points centraux pour estimer l'erreur pure). J'ai un collègue à la NASA qui a rencontré des situations où les testeurs avaient du mal à atteindre les paramètres de conception spécifiés, mais pouvaient enregistrer les paramètres réels avec une grande précision. Il existe des méthodes permettant d'exploiter cette situation pour estimer l'erreur pure sans utiliser de points centraux. Je joins une présentation que j'ai donnée il y a trois ans sur ce sujet (nous avions essayé d'en créer une nous-mêmes ; il s'avère que nous étions arrivés quelques décennies trop tard), qui contient un résumé et des références de recherche dans ce domaine. Cela pourrait vous être utile à tous.
(see attachement)
