Rapport des résultats du DOE pour publicationSalut,
Je rédige un manuscrit qui comprend la conception d'expériences (Plackett-Burman DOE et Full Factorial DOE).
Cependant, je ne suis pas sûr de ce qu’il est important de signaler dans les publications pour être le plus transparent possible.
Jusqu'à présent, j'ai inclus les paramètres du modèle (R2, R2 ajusté, PRESS, valeur de p du modèle, valeur de p d'inadéquation), ainsi que les termes et interactions significatifs et leur valeur de p. Je pense que rapporter les estimations des paramètres pour les facteurs/interactions n'est pas pertinent lorsqu'un modèle de régression inclut des termes d'interaction significatifs (puisque ces estimations varient en fonction des interactions). Dans ce cas, il est préférable d'utiliser le profileur de prédiction. Cependant, ce dernier est très difficile à inclure pour la publication. Comment puis-je alors présenter les résultats des facteurs et de leurs interactions de manière pertinente ?
J'apprécierais tout conseil.
Merci
Sara
Plan d'expériencesObjet : Rapport des résultats du DOE pour publicationSalut @SaraA ,
Malheureusement, il peut être très difficile de savoir comment produire des publications DoE car il y a tellement de variations et de qualité dans ce qui est produit dans les publications universitaires - j'ai quelques réflexions à ce sujet à partir de mes propres expériences de publication d'ouvrages DoE et je suis sûr que d'autres ajouteront.
La règle la plus importante : supposez que vos lecteurs ne savent rien du DoE ou des statistiques !
Bien qu'il s'agisse d'un outil d'expérimentation populaire, de nombreux lecteurs ne le connaissent peut-être pas. Il est donc nécessaire d'utiliser des outils comme la visualisation pour illustrer le fonctionnement d'un domaine d'expérience et aider les lecteurs à le comprendre. C'est là que beaucoup d'auteurs échouent, et ma plus grande bête noire est qu'ils incluent la formule entière dans l'article : est-ce que cela reflète vraiment les résultats du domaine d'expérience ? De même, des éléments comme les estimations de paramètres (comme vous l'avez mentionné) n'ont pas beaucoup de sens avec d'autres outils comme les diagrammes de Pareto.
Je vais prendre quelques exemples de la façon dont j'ai montré mes résultats pour transmettre certaines des façons de montrer votre DoE (publicité éhontée, vous pouvez également trouver l'article ici)
Mise en contexte : utilisez des visualisations simples pour illustrer la structure du DoE et la manière dont les points sont explorés. Vous pouvez le faire avec Graph Builder ou la matrice de nuages de points lorsque vous avez beaucoup de facteurs. Cela permet aux lecteurs de comprendre que le DoE est une approche structurée de l'expérimentation. De même, un tableau indiquant le codage de vos facteurs (si vous utilisez -, 0, + et les axes (a, A)) sera très utile.
Démontrer ce que vous avez accompli : avant de vous lancer dans le modèle de régression et d'explorer les complexités de l'approche DoE, il est important de mettre en évidence les valeurs réelles obtenues. Un simple graphique dans Fit Y by X, utilisant un test de Tukey par exemple, est un moyen très clair de montrer « Regardez tout ce que j'ai accompli » grâce à l'approche DoE. L'un des grands atouts de DoE est sa méthode structurée d'exploration d'une région expérimentale. La modélisation qui suit est un atout supplémentaire ! Dans l'exemple ci-dessus, vous pouvez constater que mon « 00a » est bien plus productif que les autres points. En réalité, je pourrais m'arrêter là, car j'ai obtenu ce que je voulais !
Présentation du modèle : comme vous l'avez mentionné, vous présentez les informations de base nécessaires pour prouver que votre modèle est suffisant. Selon la revue ciblée, cela devrait être largement suffisant pour prouver que vous avez construit un modèle performant et vous n'aurez peut-être pas besoin d'approfondir (sauf si vous ciblez une revue très statistique). Si vous disposez d'informations telles que vos résidus studentisés et votre graphique réel/prédit, assurez-vous de les inclure, mais peut-être dans vos informations complémentaires.
Présentation du concept de modélisation : le diagramme de Pareto est un excellent moyen pour le lecteur d'analyser et de comprendre rapidement la signification de vos termes. Il permet également d'introduire des concepts plus complexes comme la courbure quadratique (X1*X1) et les interactions (X1*X2). Le lecteur peut rapidement constater que la « ligne bleue est pertinente » et comprendre où les termes ont moins d'importance. C'est un excellent point de départ pour intégrer cela à votre compréhension du système. Par exemple, l'azote est essentiel à la production, car l'organisme utilisé dans cet article en dépend pour sa croissance. Cela permet de démontrer que vous n'utilisez pas seulement une méthode d'expérimentation statistique, mais que vous l'utilisez pour mieux comprendre votre système.
Combinez les différentes manières de présenter votre surface . Personnellement, j'apprécie le profileur de prédictions, qui est un excellent moyen de présenter votre système et son fonctionnement. Cependant, comme vous l'avez mentionné, sa présentation statique peut être limitée. Si votre système est simple, vous pouvez afficher différentes vues du profileur de prédictions avec différents paramètres. Dans mon cas, j'ai affiché le profileur de prédictions à son optimum (ce qui a permis de visualiser la forme de mes facteurs) et je l'ai combiné avec les courbes de niveau pour mieux comprendre mon système. Un conseil : si vous définissez votre courbe de niveau sur les mêmes paramètres de facteurs que dans votre profileur de prédictions, la zone d'intersection de la grille haute avec la surface (sur laquelle j'ai ajouté un surlignage blanc) reflète la surface sur le profileur de prédictions !
Envisagez de partager vos résultats dans JMP Public - De plus en plus de publications donnent accès aux données qui ont formé les sections de résultats (ce qui est génial !), j'ai personnellement beaucoup aimé publier mes résultats sur JMP Public et les inclure dans mes articles - cela donne aux lecteurs une chance de jouer réellement avec les profileurs de prédiction et de télécharger les données disponibles (ici comme exemple de la façon dont j'ai partagé mes résultats ).
J'espère que cela vous aidera et bonne chance pour l'étape de révision !
Merci,
Ben
Objet : Rapport des résultats du DOE pour publicationSalut @SaraA ,
Il est difficile de vous aider sans connaître la revue ou le public auquel votre publication est destinée. Quel est également votre objectif avec cette publication ? Dans quelle mesure peut-elle être confidentielle et open source ?
En fonction des réponses, la meilleure solution consiste à fournir aux lecteurs (en annexe) l'ensemble des données, avec toutes les entrées et réponses, ainsi que les réponses prédites, et tout traitement ou décision que vous avez pu prendre sur vos données (transformations, traitement ou exclusion des valeurs aberrantes, etc.). De cette façon, vous fournissez toutes les informations nécessaires pour que vos résultats et votre travail soient reproductibles.
À propos de votre commentaire :
@SaraA a écrit :
Je pense que le fait de rapporter les estimations des paramètres pour les facteurs/interactions n’a pas de sens lorsque vous avez un modèle de régression qui inclut des termes d’interaction significatifs (puisque ces estimations de paramètres changent en raison des interactions).
Je suis totalement en désaccord. Les estimations de paramètres permettent de déterminer l'importance pratique (taille de l'effet) des facteurs sur votre/vos réponse(s). La signification statistique ne suffit pas à déterminer si un modèle est adéquat, fiable et utile en pratique. Il est nécessaire d'interpréter le modèle et les résultats.
Voir la discussion « Quel effet définir : estimations Logworth ou estimations échelonnées ? » pour plus d'explications sur la différence entre les significations pratiques et statistiques.
Par ailleurs, il est également recommandé de garantir la reproductibilité de vos résultats de modélisation.
Concernant le profileur de prédiction, vous pouvez peut-être fournir un fichier HTML interactif ou intégrer le profileur sur une page Web (site Web ou JMP Live) si vous souhaitez le partager.
J'envisagerais toujours de fournir des visualisations « statiques » utiles de vos modèles, comme un graphique de la taille de l'effet (dans un graphique à barres), une carte thermique (si vous souhaitez voir l'influence de vos facteurs sur plusieurs réponses), des cartes de corrélation (pour vos réponses), un graphique de surface, des nuages de points... Il existe de nombreuses choses que vous pouvez faire avec JMP pour visualiser les résultats de votre modèle.
J'espère que cette réponse pourra vous aider,
Objet : Rapport des résultats du DOE pour publication@Victor_G
Supposons que vous ayez une interaction entre les termes X1 et X2 dans votre modèle et que vous rapportiez les estimations des paramètres pour X1 et X2, mais qu'en raison de l'interaction, ces estimations (c'est-à-dire les coefficients de pente) peuvent changer, par exemple d'une pente positive à une pente négative, en fonction des niveaux de l'autre facteur avec lequel il interagit, alors pourquoi rapporteriez-vous les estimations des paramètres ?
Objet : Rapport des résultats du DOE pour publicationJe ne comprends pas ton point de vue.
L'effet d'interaction a toujours la même valeur de coefficient quels que soient les niveaux de X1 et X2 (si ces deux facteurs sont continus).
Si un (ou plusieurs) de vos facteurs est catégoriel/ordinal, vous pouvez fournir la valeur de l'effet d'interaction pour chaque niveau catégoriel en affichant les estimations étendues de votre modèle :
J'espère que cela clarifie mon point de vue,
Objet : Rapport des résultats du DOE pour publication@Victor_G
Bien sûr, le terme d'interaction a la même valeur de coefficient quels que soient les niveaux de X1 et X2, mais les valeurs de coefficient des termes principaux (X1 et X2) auront des valeurs différentes, en fonction des niveaux de l'autre facteur, n'est-ce pas ?
Objet : Rapport des résultats du DOE pour publicationNon, je pense qu'il y a un malentendu entre la pente à un endroit précis, dépendant des niveaux d'un facteur, et l'effet principal de ce facteur. La pente peut varier selon l'endroit où l'on se situe sur la surface de réponse, mais l'estimation de l'effet principal reste inchangée.
Objet : Rapport des résultats du DOE pour publication@SaraA, vous pouvez toujours inclure les estimations de paramètres dans les informations complémentaires pour ceux que cela pourrait intéresser. Si vous publiez dans une revue spécialisée dans le développement des biotechnologies (comme je l'ai fait), le public cible n'aurait pas grand intérêt à les inclure dans le texte principal (à mon avis). En termes de leur nature, les coefficients représentent la variation de la réponse pour chaque variation d'une unité du prédicteur (si les autres restent constants). Vous retrouverez exactement les mêmes valeurs dans la formule de prédiction.
Merci,
Ben
Objet : Rapport des résultats du DOE pour publicationL'autre point à garder à l'esprit concernant les interactions en général est la présence d'effets de confusion liés à la conception elle-même (autrement dit, un fractionnement dans la conception) : les effets d'interaction sont-ils réellement estimables ? Un autre mode d'échec est, par exemple, la perte de certaines combinaisons de traitements, dont certains effets peuvent être inestimables. Mais si l'expérience a été menée à bien et que tout s'est déroulé comme prévu, une autre façon de montrer les effets d'interaction est d'inclure le rapport d'ajustement du modèle et le rapport de tracé d'interaction. Décrit ici : Tracés d'interaction . Moins impressionnant que le profileur de prédiction, mais efficace.
Objet : Rapport des résultats du DOE pour publication@Ben_BarrIngh
En termes de ce qu'ils sont, les coefficients sont la quantité de changement dans la réponse pour chaque changement d'une unité dans le prédicteur (si les autres sont maintenus constants)
C'est exactement ce que je voulais dire : en cas d'interaction, on ne peut pas modifier un terme d'une unité tout en conservant les autres termes constants en raison de l'interaction. Si l'on modifie le terme X d'une unité, le terme Y changera également (en cas d'interaction entre X et Y). C'est pourquoi on m'a appris qu'il n'est pas utile de rapporter les estimations des paramètres des effets principaux lorsque les termes d'interaction sont significatifs.
Objet : Rapport des résultats du DOE pour publicationLe problème n'est pas de présenter les coefficients, mais d'interpréter les résultats. Si une interaction est significative, il faut interpréter avec prudence les principaux effets impliqués.
Objet : Rapport des résultats du DOE pour publication@Ben_BarrIngh
Où puis-je trouver plus d'informations sur la façon de réaliser les 2 premiers graphiques que vous montrez ici ?
Objet : Rapport des résultats du DOE pour publicationSalut @SaraA ,
Pour le premier, j'ai utilisé un générateur de graphiques pour tracer les points, puis j'ai utilisé PowerPoint pour dessiner la forme des carrés et des cercles dans la même couleur.
Pour le deuxième, vous pouvez utiliser Fit Y by X où X est votre « modèle » et Y est votre réponse - puis j'ai fait une comparaison de moyennes avec un test de Tukeys pour afficher les cercles de comparaison.
J'espère que cela aide !
BenObjet : Rapport des résultats du DOE pour publicationSalut Ben,
Merci beaucoup. Une dernière question : comment puis-je générer un graphique d'estimations à l'échelle après une analyse REML ? JMP ne génère pas ce graphique pour l'analyse de modèles mixtes (bien qu'il fournisse les estimations des paramètres, mais je pense que les estimations à l'échelle ou le diagramme de Pareto sont plus intuitifs).
Merci
Sara
Objet : Rapport des résultats du DOE pour publicationSalut @SaraA ,
Oui, l' ampleur du changement que X1 peut induire sur votre réponse peut être modifiée par la présence de termes d'interaction avec X2 (par exemple, maintenir X2 à une valeur élevée peut réduire complètement X1), mais les estimations des paramètres peuvent servir à illustrer des relations générales. Si votre analyse décrit suffisamment votre système et le fonctionnement de ces interactions, les estimations des paramètres pourraient apporter plus de détails.
Merci,
Ben
Objet : Rapport des résultats du DOE pour publicationSalut @SaraA ,
En raison de la nature de la méthode, REML se concentre sur les composantes de la variance et (contrairement à des méthodes comme les moindres carrés) n'effectue pas de normalisation (qui est une étape de prétraitement dans le flux de travail de modélisation) - il y a beaucoup de complexité supplémentaire avec les modèles mixtes et en essayant de les normaliser (normalisez-vous globalement ou au sein des groupes ? comment normalisez-vous une variable qui est différente entre deux groupes ?).
Merci,
Ben
