Merci à tous de m'avoir rejoint. Je vous présente « De nombreuses conceptions, peu de temps ». Je suis Ryan Lekivetz, directeur de l'analyse avancée et de la R&D chez JMP. Je dirige l'équipe « DOE et Fiabilité » chez JMP. J'ai pensé que ce sujet serait intéressant, car dans la dernière version de JMP, nous avons amélioré l'explorateur de conceptions. Si vous ne l'avez pas encore vu, vous le découvrirez à la fin de cette présentation.
Mais avant cela, je pensais que vous aviez déjà un aperçu des grandes lignes. Nous allons faire un petit détour pour aborder brièvement le concept des plans d'expériences. En repensant à certaines des précédentes conférences Discovery, je me suis rendu compte que nous n'en avions pas beaucoup parlé depuis l'introduction de la comparaison des plans d'expériences dans JMP 13. Je crois que c'était il y a presque dix ans. J'ai l'impression que ce ne serait pas une conférence Discovery sans cette citation, n'est-ce pas ? « Tous les modèles sont faux, mais certains sont utiles. »
Certes, lors de la conception d'une expérience, on me reproche souvent de trop simplifier ces modèles, qui n'expliquent jamais vraiment mon processus. Pourquoi les plans d'expériences ont-ils fonctionné si longtemps ? Au final, ils permettront de construire des modèles utiles pour comprendre et améliorer nos systèmes. Certes, ils ne seront pas parfaits, mais au moins, nous pourrons mieux comprendre les facteurs ou les effets qui régissent ce système.
J'aborde souvent la conception d'une expérience avec cette notion de compromis entre variance et biais. Nous le verrons dans les résultats de ces différents plans d'expérience. C'est souvent ce que j'observe lorsque je choisis un plan. C'est cette idée qui sous-tend les effets du modèle : les termes du modèle que je souhaite inclure dans JMP, par rapport à ceux que je n'ai peut-être pas inclus, mais qui pourraient être utiles. Si j'effectuais davantage d'essais, si je collectais davantage de données, il se pourrait que certains de ces effets ou termes se révèlent importants.
Prenons un exemple simple. J'ai une expérience simple avec trois facteurs X1, X2 et X3, et j'ai analysé et recueilli des réponses. Si l'on considère le compromis entre variance et biais, on peut considérer l'efficacité de l'estimation. Cela me donne simplement l'erreur type de l'estimation de l'effet, dans ce cas, X1, X2 et X3, par rapport à cette erreur type.
Si j'ai beaucoup de bruit dans ce Y, je ne pourrai peut-être pas en dire beaucoup. Mais si on regarde bien, je viens de générer des données. Exécutons-les. Comme vous le voyez, l'erreur quadratique moyenne (RMSE) était d'environ 1. Si l'on examine les estimations des paramètres, l'erreur type est directement liée à l'erreur type relative, qui est de 0,2.
Ce que cela signifie vraiment, c'est que si mes estimations d'effet sont importantes, si mes estimations d'effet principal sont importantes, idéalement, ce modèle devrait pouvoir les détecter. C'est ce que nous observons ici : cette efficacité d'estimation, cette augmentation fractionnaire, car je n'ai même pas pu faire mieux. Si c'est le modèle que j'utilise, je ne pourrais rien faire de mieux.
Mais la vraie question est maintenant : « Et si je me trompais ? » Ce design, c'est moi qui l'ai conçu. Si l'on regarde la boîte de dialogue DOE, je suppose que j'ai des effets principaux. J'avais mes X1, X2 et X3, et j'ai simplement dit que je n'avais que des effets principaux. Et si j'avais effectivement une interaction entre X1 et X2 ? C'est peut-être trop tard, j'ai déjà collecté les données, mais que se passerait-il ? Ici, avec le même design, si je regarde ce design d'évaluation, que se passerait-il si j'ajoutais simplement cette interaction particulière ? X1 et X2.
On voit ici, je pense que j'utilise une conception différente, mais on obtient une augmentation de ce qui se passe entre X2 et X3 et cette interaction. Tout cela indique que ma variante sur X2 et X3 a légèrement augmenté grâce à l'ajout de cette interaction entre X1 et X2, car je n'avais pas prévu cela dans ma conception. Je dirai que cela se retrouve souvent dans la matrice d'alias, où, si vous l'avez déjà examinée, on obtient ces tiers négatifs.
Où est-ce que cela importe vraiment ? Si l'on considère ce modèle d'évaluation, il s'agit en fait du même modèle ici. Ici, j'ai simplement ajouté explicitement l'interaction X1, X2. Tout cela revient à dire que je vais prendre X1 multiplié par X2. Réfléchissons-y. C'est là que j'ai maintenant cette estimation.
Si l'on examine maintenant la carte des couleurs pour les corrélations, on constate que c'est souvent le cas. C'est là que se trouvent les plus gros éléments. Mais quelle importance cela a-t-il maintenant ? Disons que si j'avais X1 et X2, je pourrais toujours modéliser mes effets principaux. Quelle importance cela aurait-il si je modélisais quelque chose comme ça ?
Examinons nos estimations de paramètres. Vous remarquerez que les choses n'étaient pas forcément significatives, mais qu'est-ce que cela signifie vraiment ? Tout allait bien, alors où est-ce que cela entre en jeu ? Imaginons que je répète cette simulation encore et encore. Vous voyez ici, j'ai cette simulation Y. Examinons la formule qui la sous-tend. Imaginons que ce soit mon vrai modèle. J'ai ces effets principaux : X1, X2, X3 agissent tous de la même manière, ainsi que l'interaction entre X1 et X2.
Mais que se passerait-il si j'oubliais cela dans mon modèle lors de sa modélisation ? JMP permet d'exécuter une simulation pour répéter l'opération à l'infini. Si c'est le cas, voyons ce qui se passe ici. Je vais simplement reproduire cette distribution à l'infini. Je n'ajoute qu'un peu de bruit aléatoire. Si nous voyons ici X1, la moyenne était juste à 2, ce que j'aurais souhaité. X2 était à 3, ce qui était attendu. Mais vous voyez que X3 était à 1.
Pourquoi ? Cela est lié à la matrice d'alias. Il s'avère que, comme j'ai oublié X1 et X2, X3 sera biaisé d'un tiers de l'estimation du paramètre. En l'absence de ce terme dans le modèle, nous risquons de nous tromper. C'est un point auquel nous devons toujours penser lors de la conception d'une expérience : nous devons faire de notre mieux pour obtenir le modèle que nous jugeons correct. Mais souvent, lors de l'analyse de diagnostics, c'est pourquoi nous utilisons si souvent cette carte de couleurs pour la corrélation. Nous examinons les termes présents dans le modèle par rapport à ceux qui étaient peut-être dans l'ensemble des termes d'alias, mais nous nous demandons ce qui pourrait arriver si ceux-ci s'avéraient importants.
C'est ici qu'intervient la conception personnalisée. Si vous n'avez pas réalisé beaucoup d'expériences de conception dans JMP, la conception personnalisée est la première option qui s'offre à vous. Elle permet de créer une conception optimale pour vos paramètres expérimentaux spécifiques. Nous allons maintenant aborder la conception personnalisée. Nous partirons du principe que nous disposons d'un modèle utile. Encore une fois, tous les modèles ne sont pas erronés. Nous partirons du principe que nous avons une compréhension suffisante du système pour nous dire : « Si j'observe ces effets principaux ou peut-être certaines interactions, puis-je concevoir une conception selon ce modèle utile ? »
L'un des aspects de la conception personnalisée, même si vous regardez ce survol, est la notion de conception optimale. Cette notion d'efficacité dans la conception optimale est vraiment liée à ce que nous cherchons réellement à obtenir de cette expérience. En particulier, si nous lançons la conception personnalisée ici, nos différents critères d'optimalité, comme vous le voyez, sont représentés par les lettres D, I et A, et sont recommandés. À quoi cela se résume-t-il ?
Eh bien, le premier ensemble de base est juste si je veux estimer les termes du modèle. Si nous supposons que nous disposons de ce modèle utile, je souhaiterais peut-être m'assurer de pouvoir les estimer correctement.
Qu'il s'agisse de mes effets principaux ou de mes interactions, et je ne souhaite pas entrer dans les détails mathématiques. Par exemple, avec l'optimalité D, on minimise l'ellipsoïde de confiance global pour ces estimations de paramètres. On considère tous ces paramètres simultanément. Alors que A s'apparente davantage à une moyenne, on minimise simplement la variance moyenne de ces estimations de paramètres.
C'est très utile si je veux simplement dire : « Je veux vraiment être sûr d'utiliser les bons termes. » Mais ce modèle est-il utile ? Puis-je en déterminer les éléments les plus importants ?
D'où vient cela ? Eh bien, si on regarde ici, dans la conception personnalisée, c'est là que le modèle que j'ai indiqué à JMP sera basé. Par défaut, il n'y a peut-être que ces effets principaux. Ces termes d'alias sont peut-être importants, mais je ne les ai pas inclus dans le modèle. En revanche, si je dis à JMP que je veux ces interactions à deux facteurs, alors c'est sur ce modèle que le modèle que je lui ai indiqué que le modèle personnalisé va baser ces différentes efficacités. C'est cette idée de la conception personnalisée.
Maintenant, disons plutôt que je pense déjà disposer d'un modèle utile. Je suis peut-être davantage intéressé par la prédiction, par une meilleure prédiction de la réponse. C'est là que se trouve l'autre optimalité-I. C'est là que je cherche simplement à minimiser la moyenne. Si je considère l'ensemble de la zone de conception, je veux simplement m'assurer que je fais globalement du bon travail. J'utiliserais alors l'optimalité-I.
Ce qui transparaît dans certaines de ces différentes efficacités, c'est que le G-optimal dit simplement : « Minimiser le pire scénario. S'assurer que je ne sois jamais trop mauvais. » On y retrouve aussi des éléments. L'optimalité des alias, quant à elle, s'apparente davantage à un compromis. Elle dit : « Protégez-moi du biais lié à ces termes d'alias. Essayez de me protéger des termes qui n'étaient peut-être pas présents dans le modèle, mais qui pourraient être importants, tout en garantissant une conception globale raisonnable. »
Vous voyez également des termes appelés « Si possible ». Si je retourne à ce plan d'expérience, que sont les termes « Si possible » ? Voyons cela. C'est ici que je peux dire à JMP : « Ces interactions sont peut-être importantes, peut-être pas. Je peux maintenant les définir comme « Si possible ». » Cela indique simplement à JMP : « Donnez-moi ces termes nécessaires. Vous devez vous assurer de les estimer. Si vous n'avez pas la possibilité de les estimer, faites-le, mais ils ne seront pas aussi critiques que ces termes nécessaires. »
Comment tout cela entre-t-il en jeu ? Je peux dire à JMP : « Voici ce que je veux. J’ai mon modèle, mes termes d’alias et mes différents critères d’optimalité. » Or, l’un des plus gros problèmes se pose lors de l’évaluation du plan. J’ai créé mon plan et j’ai indiqué à JMP ce que je veux faire. Il s’avère que certains de ces diagnostics sont relatifs à la taille de l’échantillon, et d’autres non.
Si l'on considère des aspects comme l'analyse de puissance, la taille de l'échantillon importe peu. Bien sûr, plus l'échantillon est grand, plus les estimations d'effet sont puissantes, mais cela n'est pas lié à la taille de l'échantillon.
De même, pour des choses comme l’erreur standard d’estimation, qui n’est qu’un calcul, l’augmentation fractionnaire de l’intervalle de confiance est relative à la taille de l’échantillon.
De même, la carte de couleurs des corrélations n'est qu'un calcul, mais les différentes mesures d'efficacité obtenues au final sont relatives à la taille de l'échantillon. Voici le plan à 12 essais que j'ai créé. Je n'ai mentionné que les effets principaux. Comme je l'ai dit, certains d'entre eux, comme la puissance, sont des calculs simples. Des éléments comme les diagnostics de conception indiquent : « Eh bien, c'est 100 % efficace en D. » Cela s'explique par le fait qu'il s'agit d'un plan à 12 essais, qui atteint la meilleure efficacité possible pour un plan à 12 essais.
Mais en même temps, je pourrais faire la même chose pour un plan à 16 exécutions. Cependant, si l'on examine l'analyse de puissance, sans surprise, nous disposons d'un échantillon plus grand. Voici maintenant les diagnostics de conception. De même, les efficacités D, G et A indiquent toutes 100 %, car elles sont relatives à la taille de l'échantillon.
Cela m'indique que pour une conception à 16 pistes, je ne peux pas faire mieux. De même, pour une conception à 12 pistes, cela indique que je ne peux pas faire mieux. Cela signifie-t-il que je devrais utiliser la conception à 12 pistes plutôt qu'à 16 ? Eh bien, cela dépend. Si je pouvais me permettre 16 pistes, il y aurait peut-être d'autres aspects que je préférerais examiner pour être sûr que c'est ce que je souhaite faire.
C'est là que cela peut parfois devenir problématique : si je souhaite comparer les éléments à comparer, c'est là que l'on entre dans la question des plans de comparaison. Avant de m'y attarder, je souhaite aborder les plans de criblage définitifs. Si vous avez assisté à des conférences JMP Discovery, vous entendrez souvent parler de ces plans. D'ailleurs, nous les avons mis en tête de notre menu pour les plans de criblage définitifs.
Encore une fois, je ne souhaite pas trop entrer dans les détails mathématiques. Les plans de criblage définitifs sont particuliers en raison de l'idée de repliement d'une matrice de conférence. J'aime beaucoup les considérer comme des plans de compromis. Ils ont en fait été découverts comme un plan optimal d'alias, si l'on se souvient de ces différents critères d'optimalité. Mais c'étaient des plans très efficaces où l'on conservait des zéros sur la diagonale et ajoutait un point central. L'une des raisons pour lesquelles les plans de criblage définitifs sont devenus si populaires est que, lorsqu'on considère le compromis entre variance et biais, on constate que ces plans sont orthogonaux.
Ces effets principaux, pour revenir à cette estimation, sont très bien estimés. Mais s'il s'avère que nous avons des interactions ou des effets quadratiques, ces effets principaux en seront protégés. Nous bénéficions d'une protection contre les biais : si le modèle utile présente des effets quadratiques ou des interactions, en construisant le plan de cette manière, nous obtiendrons cette protection intégrée. Cette protection contre les biais des effets principaux.
Maintenant, si vous pensez à mes deux autres designs, pourquoi utiliser celui-ci ? Je dirais qu'un des avantages majeurs de ces zéros est qu'ils nous permettent de nous assurer qu'en cas d'effet non linéaire, si quelque chose se produit au milieu de notre espace de conception, l'utilisation traditionnelle de plus et moins un nous évitera ce problème. J'aime me dire que si je fais un gâteau, je suis censé utiliser 350 degrés. Eh bien, si j'utilise 325 ou 375 degrés, ce n'est peut-être pas tout à fait correct.
Si je disais à JMP que je veux que ma plage soit comprise entre 325 et 375, je n'ai jamais rien vu à 350, alors que je veux peut-être m'assurer que je le fais.
L'autre chose que je voulais mentionner, et que vous n'avez peut-être pas remarquée, c'est que si vous avez suivi un cours sur les plans d'expériences, on parle souvent des plans factoriels fractionnaires classiques, présents dans notre plateforme de criblage. On y trouve également, cachés, des plans quasi-orthogonaux et des plans orthogonaux à niveaux mixtes, qui constituent en réalité un cas particulier de criblage définitif. Ils sont en réalité cachés sous ce plan classique. Vous constaterez notamment que la nouvelle version de JMP les a rendus beaucoup plus faciles à trouver.
L'autre problème avec cette conception de filtrage définitive, c'est qu'il s'avère impossible d'obtenir ce résultat avec une conception personnalisée. J'ai dit que c'était un compromis avec l'alias optimal, mais il s'avère que cela force ces zéros de manière optimale. Si vous avez déjà essayé de créer une conception de filtrage définitive et une conception personnalisée, c'est possible, mais cela demande beaucoup de travail. Alors que moi, il me suffit d'utiliser cette plateforme et c'est automatique. C'est construit pour moi sans problème.
Imaginons que je discute avec des collègues et que nous hésitions entre trois modèles différents. Quelqu'un a déjà essayé. J'ai un modèle à 12 passages, issu d'une conception personnalisée pour cinq facteurs. J'ai un modèle de criblage définitif à cinq facteurs, ainsi qu'un modèle à 16 passages. Or, ce modèle à 16 passages va coûter plus cher. Mais que faire ? C'est là qu'intervient la comparaison des modèles.
Je vais maintenant pouvoir comparer plusieurs conceptions sur cette même plateforme. Je n'ai plus besoin de me préoccuper de lancer chaque conception d'évaluation et de déterminer celles qui sont pertinentes à comparer. Comme je viens de le mentionner, on peut associer les noms de colonnes ou laisser JMP s'en charger, ce qui nous permet d'envisager plusieurs modèles.
Vous trouverez la comparaison des plans. Sous le DOE, Diagnostics de conception, nous avons la comparaison des plans. Vous pouvez voir que ma table de données active est celle des 16 exécutions. Comparons-la aux 12 exécutions et aux 13 exécutions. En bas, je peux indiquer à JMP comment je souhaite apparier les colonnes, mais essayons simplement la correspondance automatique.
JMP va essayer de trouver comment y parvenir. On voit ici qu'il a effectivement trouvé le bon. Même si les noms des facteurs sont différents, JMP va essayer de faire la correspondance pour vous. Quel est l'intérêt de comparer des plans ? Je peux maintenant commencer à examiner des aspects comme l'analyse de puissance. Je peux ensuite discuter avec mes collègues et décider lequel de ces trois plans choisir. Bien sûr, les 16 essais me coûteront plus cher, mais j'obtiendrai une puissance plus élevée.
Je peux observer les choses. Cette fraction de l'espace de conception est liée à la variance de prédiction. Sur l'ensemble de la plage, comment se comporte-t-elle ? L'avantage, c'est que, comme nous comparons des plans, nous pouvons utiliser cette notion d'efficacité relative. Je n'ai pas à me soucier de comparer une taille d'exécution spécifique ; je peux effectuer ces comparaisons directement.
On pourrait alors se dire : « D'après cela, je ne voudrais peut-être utiliser que les 16 ou les 12. Pourquoi utiliserais-je le DSD ? » On en revient là. Ce sont ces différentes corrélations, ces termes de modèle et d'alias. Si j'observe une interaction à deux facteurs, c'est l'avantage de comparer les plans. Je peux me permettre de faire des simulations. On constate que, dans ce cas précis, l'un de ces plans ne correspondait même pas à cette interaction en raison de sa configuration.
Je pourrais dire : « Eh bien, c'est problématique. J'essaie d'ajouter autre chose. » Vous voyez, cette conception ne me convient pas vraiment. Imaginez : si j'essaie d'ajouter des interactions, il semble que la conception à 16 exécutions ait rencontré des difficultés. J'essaie de toutes les ajouter. On voit ici que JMP me dit : « Cette conception a du mal à intégrer les interactions. Au fait, je l'ai construite parce que je n'avais pas pris cela en compte dans la conception, et maintenant, je n'arrive même pas à bien faire mon travail si j'essaie d'ajouter ça. »
Cela revient à cette idée : si je m'inquiète des termes d'alias, et donc des interactions à deux facteurs, je préférerais peut-être opter pour un modèle de filtrage définitif. C'est là que les modèles de comparaison pourront m'aider à comprendre.
D'accord, je dirais que la comparaison de plans est un outil fantastique. Depuis son intégration, même dans JMP, nous l'utilisons régulièrement. Le problème avec la comparaison de plans, cependant, c'est que, comme vous l'avez remarqué, je devais créer chaque table de données individuellement et avoir une idée précise des plans à comparer.
Mais plus tôt, j'ai préféré réfléchir à d'autres designs avant de me lancer dans une comparaison approfondie. C'est là qu'intervient l'Explorateur de Designs. Si vous ne l'avez jamais vu, je vais relancer l'Explorateur de Designs et faire la même chose. On va simplement ajouter cinq facteurs différents. Je clique sur « Continuer ».
Imaginons que nous essayions ce modèle d'effets principaux. Vous remarquerez juste en dessous de ce modèle. Lorsqu'il sera disponible, vous verrez l'explorateur de modèles. « À l'aide des facteurs et du modèle actuels, explorez différentes options de conception pour vous aider à choisir. » Cliquons sur l'explorateur de modèles et voyons ce que nous obtenons. Ici, il m'indique que j'ai ce modèle d'effets principaux.
Ce que nous voyons, c'est sélectionner des options pour une conception unique ou une combinaison d'options spécifiées. Je souhaite peut-être maintenant discuter avec quelqu'un et lui proposer : « Essayons une conception optimale D et une A, et passons peut-être de 12 à 20 exécutions. » Si je laisse Design Explorer faire cela, vous voyez qu'il crée désormais des conceptions optimales D à 12, 16 et 20 exécutions, et des conceptions optimales A à 12, 16 et 20 exécutions.
Dans les versions précédentes de Design Explorer, je ne pouvais générer que des éléments de conception personnalisée. Avec la nouvelle version de JMP, je peux désormais intégrer une conception de criblage définitive. Peut-être que je souhaiterais comparer ce qui se passerait si je créais une conception de criblage définitive.
Je peux maintenant comparer ces différentes efficacités et observer les résultats. Vous remarquerez ici que les effets principaux sont orthogonaux aux effets quadratiques et aux interactions à deux facteurs. Cela me laisse entrevoir un avantage supplémentaire grâce à la possibilité de sélectionner cette option. Je peux maintenant comparer les performances de ces différentes conceptions par rapport à d'autres options.
De même, il s'agit d'une conception que vous n'avez peut-être jamais vue auparavant, si proche des tableaux orthogonaux, qui vise simplement à équilibrer. Ce filtrage à effet principal vise simplement à équilibrer chaque paire de colonnes. De même, des éléments comme ce filtrage orthogonal à niveaux mixtes, un autre type de conception auparavant dissimulé sous cette plateforme de filtrage, sont également possibles.
Je peux maintenant générer rapidement tous ces différents modèles et commencer à réfléchir à celui que je souhaite utiliser. En même temps, je commence peut-être à me sentir dépassé. Je me dis : « Bon, je ne sais même pas par où commencer. Pourquoi ne pas envoyer ceci à un collègue ? » Vous voyez, nous avons ce tableau de données amélioré. J'ai un diagramme de dispersion des efficacités par rapport aux exécutions. Mais l'autre avantage, c'est que je peux maintenant envoyer ceci à un collègue. J'ai des scripts prêts à être exécutés et à créer ces modèles.
De même, si je fais cela moi-même, je peux dire : « OK, ce DSD de 17 travaux semble bon. Je vais l'évaluer et voir ce que ça donne. » Je peux toujours lancer l'évaluation de la conception directement ici. Une fois prêt, je créerai peut-être cette sélection. Voilà, ma conception de criblage définitive de 17 travaux est prête.
C'est l'explorateur de design. Je serai là si vous êtes à Discovery, je serai ravi d'en parler. Sinon, vous pouvez laisser des commentaires ci-dessous. Celui-ci est en ligne.
Quelques réflexions finales. Même avec cet explorateur de designs, on peut avoir l'impression d'avoir trop de designs. J'aime bien cette citation : « Les découvertes fortuites sont souvent célébrées, mais celles qui découlent d'une conception sont plus fiables. »
Bon, sur ce, tous les modèles sont faux. L'autre citation que j'aime bien, c'est : « Le meilleur moment pour planifier une expérience, c'est après l'avoir réalisée. » Je pense que pour chaque expérience que j'ai menée, on se dit toujours : « J'aurais aimé faire ça. » Ou après coup, on se dit : « C'était évident si j'y avais pensé à l'avance. » Mais en réalité, si on envisage de réaliser une expérience de conception, on a déjà une longueur d'avance.
Même ces expériences ratées, ou ce que j'appellerais une expérience ratée, vous apprennent toujours quelque chose sur ce que vous feriez la prochaine fois. Il faut vraiment considérer la conception d'expériences comme un processus séquentiel. En réalité, cela vous aide à déterminer ce que vous devez faire pour la prochaine expérience.
L'autre point que je tiens à souligner, c'est que la manière de modéliser est importante. En général, lorsqu'il s'agit de concevoir une expérience, chez JMP, nous réfléchissons à la meilleure façon de placer l'utilisateur dans les meilleures conditions pour la mener, afin de le protéger, par exemple grâce à des plans de criblage définitifs, contre les biais, etc.
Mais au final, la manière de modéliser est importante. Si l'on pense à des éléments comme les plans de criblage définitifs et les termes « si possible » de toutes ces interactions, lorsque je conçois une expérience, j'essaie souvent différentes techniques de modélisation pour m'assurer de ne pas avoir oublié certains termes que j'aurais peut-être omis dans le modèle initial, ou pour m'assurer que le modèle que je juge utile est le plus pertinent que j'aie pu trouver.
Je dirais que c'est également vrai lorsqu'on examine des éléments comme l'analyse de puissance. Si j'y réfléchis, si j'utilise ces quatre facteurs avec leurs interactions, si j'examine l'analyse de puissance pour ces effets principaux et les interactions à deux facteurs, il est très rare que je m'attende à ce que chacun de ces termes soit présent dans mon modèle final.
Souvent, quand je pense à des choses comme l'analyse de puissance, je réalise des simulations pour me lancer dans un jeu hypothétique. Et si deux de ces éléments étaient significatifs ? Ou si trois d'entre eux l'étaient ? Car il est très rare que mon modèle final les inclue tous. C'est un autre point à garder à l'esprit, je pense, lors de la conception de ces expériences : jusqu'où vais-je aller dans la sélection du modèle et dans ce jeu hypothétique ?
Sur ce, merci beaucoup pour votre temps. J'espère que cette présentation vous a été utile. N'hésitez pas à laisser vos commentaires ou questions ci-dessous. Merci.
