Bonjour,
Je suis
Ryan
Lekivetz,
Directeur
de
le
BICHE
et
fiabilité
équipe
à
JMP.
Aujourd'hui Je suis en allant à parler à toi à propos
a classe de saturé mélanger- niveau principal effets dessins pour même nombre de court.
Que sons comme a bouchée,
mais Bien obtenir un compréhension de quoi que est par le temps étaient fini.
Si toi voir dans mon JMP journal ici,
voici a rugueux idée comme à quoi le contour est en allant à regarder comme.
Maintenant, à le début de cependant, I faire avoir à appel dehors,
donc I avoir trois collaborateurs sur ce projet.
Bradley Jones, OMS devrait être familier à beaucoup de toi à JMP,
Bien joué Majumdar et Chris Nuitsheim.
Juste quelques histoire et préliminaires .
Je vais dire généralement...
Si toi voir dans là, nous parlé à propos principal effets dessins.
Maintenant, généralement, quand nous pense de dépistage dessins,
nous souvent pense de facteurs être tous à deux niveaux.
Ton standard fractionnaire factorielle dessins que toi voir dans manuels scolaires,
mais vraiment il y a ce grand question, quoi à propos non linéaire effets?
De cours, c'est super nous vouloir à trouver dehors ceux la plupart important principal effets,
mais quoi ça arrive si là est quelques non-linéarité ?
Dans particulier, dans 2011,
Définitive Dépistage Dessins ou DSD frapper le scène.
Le grand chose avec ceux DSD,
ici nous étaient supposant tous le facteurs étaient continu.
Chaque facteur et DSD sont en allant à être à trois niveaux.
Que a donné quelques espoir de être capable à détecter quadratique effets
quand ils étaient grand.
Je vais dire que était un de le grand popularité de DSD.
Le dessins étaient en allant à parler à propos ici.
Notre principal effet, si toi pense de DSD,
pas seulement étaient ils bien à cueillette en haut principal effets,
étaient aussi regarder à équations du second degré et interactions.
Le dessins étaient regarder à ici
sont vraiment principal effets dépistage comme notre primaire but.
Par principal effets dépistage, Je suis adage nous avoir notre liste de facteurs
et nous vouloir à trouver dehors lequel de ceux sont le primaire conducteurs.
Nous vouloir à trouver dehors ceux significatif principal effets.
Si étaient vraiment chanceux, nous peut obtenir quelques quadratique interactions.
Mais encore, principal effets dépistage est le grand chose.
Quoi tu es en allant à trouver ici est étaient en allant à avoir a mélanger
de trois- niveau et deux- niveau facteurs.
Alors que le DSD avait tout à trois- niveaux,
ici nous avoir plus de ce mélanger de trois et deux- niveaux.
Un de le des choses à payer attention à
est juste comme définitive dépistage dessins.
Quand étaient parler à propos ces à trois niveaux facteurs,
étaient en allant à supposer que ils sont continu.
Dans particulier, que moyens étaient pas regarder pour équilibre.
Souvent toi voir dans que titre où nous parler à propos mixte niveaux.
Étaient parler à propos trois et à deux niveaux facteurs.
Mais Je vais dire traditionnellement quand nous pense de orthogonal rayons,
le à trois niveaux facteurs sont catégorique,
et donc nous vouloir à voir chaque niveau un égal nombre de fois.
Quoi étaient en allant à trouver ici est que ces à trois niveaux facteurs
sont j juste en allant à avoir a peu zéros.
Un de le autre grand des choses, cependant,
est que étaient en allant à avoir presque comme beaucoup facteurs comme nous faire courses.
C'est où que idée de saturé et le titre est venu depuis.
Saturé juste moyens efficacement que I avoir juste comme beaucoup facteurs comme I faire courses.
C'est où aussi que principal effets dépistage
parce que maintenant I avoir donc beaucoup facteurs,
si toi commencer considérant équations du second degré interactions,
c'est un affreux parcelle de termes.
Parce que étaient regarder à donc beaucoup facteurs,
étaient juste en espérant nous peut détecter ceux significatif principal effets.
Si toi pense à propos autre dessins,
si toi pense à propos ce mélanger de trois- niveau et deux niveaux,
maintenant immédiatement quoi pourrait viens à esprit
est quelques de le classique Taguchi dessins, donc le L18 ou le L36.
Ceux de toi OMS sont familier avec JMP,
toi peut savoir que toi peut créer Définitive Dépistage Conception
mais ajouté à deux niveaux facteurs.
Le dessins ici I serait presque regarder à comme un extension à quelques de ceux.
Ici étaient en allant à avoir a parcelle plus à deux niveaux facteurs
que toi pourrait vouloir à, cependant, dans notre standard DSD.
Je vais dire ce est aussi un zone, cependant, c'est choisi en haut dans vapeur
a parcelle dans ces passé peu années.
Toi voir quelques références ici
comme à autre auteurs que sont pensée à propos ce même problème,
y compris a papier que Je vais viens dos à à le fin.
Toi voir que dernier, le Jones, Lekivetz, et Nachshteim papier.
C'est en fait en rapport à ce travail comme Bien.
Allons-y voir, avec un peu de chance étaient tous dans le même.
Si nous aller dos à que titre.
Le saturé juste moyens nous avoir a parcelle de facteurs relatif à le courir taille.
Notre niveau mixte moyens que nous avoir quelques à deux niveaux et à trois niveaux.
Juste à mention le deux- niveau pourrait être continu comme Bien,
où étaient juste pas intéressé dans regarder à ceux quadratique effets.
Principal effets conception dit c'est où
notre la plupart important chose est trouver ceux significatif principal effets
et que même Nombres de court,
il tours dehors le dessins, si toi souviens-toi que rappel le contour,
tous ces dessins étaient regarder à sont en allant à être un même nombre de courses.
Maintenant, quand nous pense à propos bâtiment ces dessins,
donc dans quelques de ces préliminaire,
I devrait vraiment parler à propos le bâtiment blocs.
Ces dessins sont en allant à être construit sur
en utilisant autre matrices ou autre dessins dans le littérature.
En fonction sur comment familier toi sont avec Définitive Dépistage Dessins,
il y a ce idée de quelque chose appelé a conférence matrice.
A conférence matrice est juste un M par M matrice
que nous utiliser à construction Définitive Dépistage Dessins.
Un de le bon des choses avec conférence matrices
est que dans général,
ils exister pour multiples de deux rangées et colonnes.
I dit dans général,
il y a a conférence matrice pour chaque multiple de deux
depuis 2 à 30, sauf pour 22.
Quelque chose à mention ici, cependant,
est que dans le cas où a conférence matrice fait pas exister,
ou allons dire si toi avoir un impair nombre de court,
toi peut utiliser quelque chose appelé a pseudo- conférence matrice.
A pseudo- conférence matrice dit,
I vouloir à faire il regarder comme fermer comme I peut à a conférence matrice,
lequel a ce spécial propriété.
Quoi propriétés a conférence matrice avoir?
Bien, si I prendre C transposer T, ou inversement, C C transposer,
c'est en allant à être M moins 1 fois le identité matrice.
Quoi que vraiment moyens est que ces colonnes,
le colonnes de le matrice C, orthogonal.
Si I prendre que croix- produit de n'importe lequel deux colonnes,
étaient en allant à obtenir a zéro.
Mais avis nous avoir que M moins 1,
parce que un de le autre caractéristiques de le conférence matrice
est que chaque rangée et colonne a exactement un zéro.
Si toi avoir JMP 17.2,
donc Je vais admettre que ce JSL d'abord spectacles en haut dans JMP 17.2,
donc nous avoir ce commande pour conférence matrice.
Ici I peut juste demander pour le même 6x6 conférence matrice.
Encore, qu'est-ce que le spécial propriété?
Bien, si nous regarder, donc si I prendre C fois C transposer ou inversement,
I obtenir 6 moins 1, lequel est 5 fois le identité matrice.
Chaque de ceux colonnes est en allant à être orthogonal.
Encore, départ a JMP 17.2, toi peut créer ton propre conférence matrice
juste par donner il le commande.
Ici I recherché a six points conférence matrice, donc I était capable à mettre que dans.
Allons-y essayer il avec huit comme tu le feras voir.
Il y a un 8 par 8 conférence matrice.
C'est un de le bâtiment blocs que nous besoin.
Un autre un est a similaire taper de structure.
C'est appelé a Hadamard Matrice.
Le différence est a conférence matrice avait valeurs de négatif un, zéro, et un.
A Hadamard matrice juste a valeurs de plus et moins un.
A Hadamard matrice existe pour la plupart multiples de quatre.
Dans particulier, ce est où quand toi entendre Hadamard matrice,
un autre chose tu vas entendre à propos souvent fois est un orthogonal tableau.
Dans particulier pour a Hadamard matrice, il a que même propriété.
Si I prendre il par c'est transposer,
dans ce cas, I obtenir N fois le identité matrice.
Si toi rappel le conférence matrice,
il était que M moins 1,
le commande parce que nous avait un zéro dans chaque rangée et colonne.
Ici c'est en allant à être N fois le identité matrice.
Le idée ici est que si I prendre n'importe lequel paire de colonnes,
nous avoir que concept de orthogonalité pour n'importe lequel paire de colonnes.
Similaire à le conférence matrice,
nous en fait avoir a spécial commande dans JSL pour construire a Hadamard.
Allons-y prendre a regarder ici.
Si toi avis, allons juste dire Hadamard 8,
ce est en allant à donner moi un 8 points Hadamard matrice.
Si nous voir à propos prise a Hadamard,
le brin rangées, là nous obtenir huit fois le identité matrice.
Encore, donc quoi que moyens, si I prendre n'importe lequel paire de colonnes,
ils sont en allant à être orthogonal, lequel toi peut en fait déjà voir.
Juste prétendre que ce d'abord un est comme un intercepter.
Toi voir, tous de ces sont équilibré.
Je suis en allant à obtenir que idée de orthogonalité.
Étaient en fait presque là avec notre bâtiment blocs.
Le dernier morceau que nous besoin est quelque chose appelé le Kronecker produit.
Quoi tu vas voir est que tout au long de nous peut pas même vraiment besoin
à pense de il dans termes de a Produit Kronecker.
Juste souvent quand nous créer ces dessins, c'est le chemin nous comme à pense de ces.
Vous allez voir a Produit Kronecker est désigné par ce symbole.
Il apparence comme a multiplication avec a cercle autour il.
Dans JMP ou un autre définition de Produit Kronecker
est appelé le direct produit.
Il juste arrivé c'est a pratique chemin à construction dessins.
Tous de ce, Produit Kronecker ou direct produit est,
si I prendre a matrice A et le Produit Kronecker de B,
I prendre chaque élément de A
et appliquer il à le entier matrice B sur et sur encore.
Où ce vient dans pratique,
allons voir où toi peut avoir vu quelque chose comme ce avant.
Encore, nous avoir a direct produit, et JSL commande.
Allons-y dire si I juste recherché à commencer avec que 6x6 conférence matrice.
Maintenant allons dire si mon matrice UN, donc pense ici dans ce Produit Kronecker UN,
I juste prendre ces 2 par 1,
donc deux rangées plus un et a moins un,
et direct produit avec C.
Quoi faire I obtenir ici?
Bien, ce est efficacement si I ajouté a centre courir,
ce serait être a 13 points DSD et six facteurs.
Par prise ce un et moins un,
donc avec le Produit Kronecker en haut ici avec ce plus un,
I obtenir que conférence matrice C, et vers le bas ci-dessous I obtenir négatif C.
Ce Produit Kronecker est juste a pratique chemin
à pense à propos des choses comme quoi nous pourrait appel un f vieux.
Avec ceux préliminaire est fait,
maintenant nous peut en fait commencer parler à propos ces différent constructions.
Le d'abord méthode est le la plupart, Je vais dire le le plus gentil de tous de eux.
Quoi étaient en allant à dire, ce est où notre courir taille
est en allant à être a multiple de huit.
Quoi sont nous faire ici?
Bien, ici étaient en allant à commencer.
Étaient en allant à avoir a conférence matrice de commande M est égal à 4K.
Encore, souviens-toi, le conférence matrices
tendre à exister comme long comme nous avoir un même nombre.
De même, pour le Hadamard matrice,
c'est où étaient regarder pour multiples de quatre.
Ici Je suis en allant à prendre a conférence matrice
de commande M et a Hadamard matrice de le même commande
où étaient supposant ici que les deux exister.
Quoi Je suis faire ici est Je suis en allant à pli sur.
Toi peut en fait exprimer ce comme a Produit Kronecker,
mais ici I trouver il plus pratique juste à écrire il ce chemin.
Toi voir, ce d'abord partie apparence comme a Définitive Dépistage Conception.
Je suis prise a conférence matrice et pliant il sur.
Alors sur le autre côté, Je suis réplication ce Hadamard matrice.
Je suis prise a copie de que.
Quoi faire nous obtenir avec ce conception?
Bien, ces d'abord M colonnes que sont formé depuis le conférence matrice,
c'est en allant à donner nous M à trois niveaux facteurs.
Le restant M moins 1 sont tous en allant à être à deux niveaux facteurs.
Ce C partie est en allant à être pour à trois niveaux,
ce H partie pour à deux niveaux.
Quoi faire nous fin en haut avec?
Bien, quoi nous a fait, nous essentiellement doublé ces ici.
Étaient en allant à avoir deux M-runs et deux M moins 1 facteurs.
Allons-y prendre a regarder à quoi ce pourrait regarder comme.
Allons-y voir un exemple ici.
Allons-y prendre mon C.
Je suis en allant à juste créer un 8 par 8 conférence matrice.
D'abord, allons construction ces à trois niveaux colonnes.
Je suis en allant à prendre que direct produit.
Encore, dans ce cas, I vouloir que replié, I vouloir C et moins C.
Allons-y prendre a regarder à quoi C apparence comme.
Encore, ce est juste que repli structure sur que.
Un chose ici, toi remarqué I dit le restant M-1 colonne
pour le à deux niveaux facteurs.
Le raison pour que...
Allons-y prendre a regarder à le Hadamard matrice de Commande 8.
Si Je suis en allant à reproduire ce, si Je suis en allant à copie ce,
Bien, ce d'abord colonne ici est en allant à être pour le intercepter.
I ne le faites pas vouloir à mettre que comme un de mon conception facteurs
si il jamais changements,
si c'est constante tout au long de le entier chose.
Si toi avis ici, Je suis en allant à juste baisse le intercepter.
Maintenant I avoir un 8 par 7 conception.
Si toi avis, Je suis en allant à utiliser le direct produit encore ici.
Mais plutôt de avec le conférence matrice
où I était en utilisant un et moins un, I juste vouloir à faire a copie
de que Hadamard matrice H sans le intercepter.
Allons-y donner que a regarder.
Nous peut prendre a regarder ici sur ce matrice
où toi voir que le un, un, un.
Toi peut en fait voir où il obtient juste copie il encore.
C'est juste le même matrice empilé sur haut de elle-même.
Si I enchaîner tous de ceux ensemble, toi peut voir I avoir a 16 par 15.
I peut en fait juste créer que données tableau.
I avoir ce conception maintenant, a 16 points conception avec 15 facteurs.
Le d'abord huit de ceux sont trois niveau et le restant Sept sont à deux niveaux.
Allons-y juste prendre a regarder.
Allons-y aller à conception diagnostic
et allons voir quoi ce apparence comme et évaluer conception.
Toi peut voir I juste créé a principal effets.
Ce pourrait être dur à voir, donc ce apparence joli désordonné,
mais toi peut déjà voir il y a a spécial structure avec ces dessins.
Un chose I vouloir à indiquer dehors, allons obtenir débarrasser de le alias termes.
Allons-y juste regarder à le corrélations ici avec ces principal effets.
Toi peut voir dans ce cas,
en fait, tous mon principal effets sont orthogonal à chaque autre.
Un chose à indiquer dehors ici,
parce que I était en utilisant que Hadamard matrice comme a bâtiment bloc,
ceux à deux niveaux dessins, nous avoir tous que bon orthogonalité là.
Vous allez avis ce fractionnaire augmenter dans confiance intervalle longueur
est a petit peu plus haut.
Pourquoi est que?
Bien, c'est parce que nous avoir ces à trois niveaux facteurs.
Ceux d'abord facteurs sont à trois niveaux.
Quoi que moyens est que si là est a quadratique effet,
maintenant ce est donner moi quelques espoir de détection que.
Encore, ne le faites pas oublier, étaient déjà à 16 courses et 15 principal effets.
Si nous commencer pensée à propos quadratique effets et interactions,
nous vraiment avoir à espoir pour ceux grand effets
quand il vient à faire n'importe lequel modèle sélection.
Si toi pense de a traditionnel conception où nous seulement avait deux niveaux,
dans que cas, nous serait avoir Non espoir
de être capable à détecter n'importe lequel quadratique effet.
C'est que d'abord construction.
Dans quelques sens, c'est où tout travaux dehors bien.
I avoir a conférence matrice et I avait a courir matrice disponible à moi.
Que donne moi a courir taille c'est a multiple de huit.
Maintenant quoi ça arrive si I ne le faites pas avoir un de ceux?
Allons-y dire mon conception est en allant à être a multiple de quatre.
Le courir taille est en allant à être a multiple de quatre.
Allons-y supposer maintenant que I avoir a conférence matrice disponible à moi,
mais peut être I ne le faites pas avoir a Hadamard matrice.
Si toi rappel avant,
où pour mon Hadamard, I besoin il à être a multiple de quatre,
le original courir taille, donc que quand I doublé il, il était a multiple de huit.
Plutôt, peut être si I ne le faites pas avoir a Hadamard matrice,
I pourrait utiliser quelque chose comme a D-optimal principal effets plan.
Ce serait juste être si I est allé dans coutume conception.
Allons-y dire si I recherché pour six court, I serait aller dans coutume conception
et dire I avoir cinq principal effets, cinq facteurs,
et I vouloir six courses pour a principal effets.
Ce construction en fait apparence a parcelle comme il a fait dans méthode 1.
Le seulement réel différence est plutôt de que Hadamard matrice,
maintenant Je suis en allant à être en utilisant ce D-optimal principal effets plan.
Mais il tours dehors à être le même chose ici.
Je suis en allant à avoir ceux d'abord M colonnes pour le à trois niveaux facteurs,
le restant M moins 1 pour le à deux niveaux.
Je suis vraiment à que idée de saturation
parce que par le temps I facteur dans le intercepter,
Je suis à deux M-runs et 2 M moins 1 facteurs.
Allons-y prendre a regarder à comment ce un pourrait regarder.
Dans ce cas,
Je suis en allant à aller avec a 10 courses conférence matrice,
lequel encore, parce que c'est a multiple de deux,
I peut créer a conférence matrice.
Le un chose à payer attention à ici, cependant,
parce que étaient à 10- court,
il y a pas en allant à être a Hadamard matrice de commande 10 disponible à nous.
Allons-y construction cependant d'abord cependant, allons juste pli sur que CC.
Encore, c'est juste que semblable à DSD structure.
Maintenant dans ce cas, parce que I ne le faites pas avoir que commande,
et donc ce est où toi pourrait décider comment à faire ce.
Toi peut en fait même avoir ton propre conception que toi vouloir à utiliser dans ce cas.
Je vais dire dans ce cas, Je suis montrant a D-optimal principal effets.
Toi peut vouloir à utiliser quelque chose Je peux a bayésien D-optimal
où à deux facteurs interactions sont si possible.
Mais donc dans ce cas, tous que J'ai fait
est J'ai pris le D-optimal, 10 courses conception pour neuf facteurs,
et J'ai juste arrivé à inclure le intercepter ici.
Si toi aller dans Coutume Conception, ce est quoi toi obtenir depuis le modèle matrice.
Le modèle matrice en fait comprend le intercepter par défaut.
C'est dans fait où I avait ce depuis ici.
Encore, Je suis en allant à baisse.
Allons-y baisse que intercepter colonne.
Encore, ici Je suis juste réplication le exact même chose encore.
J'ai juste plié sur, pas plié sur.
J'ai juste répliqué le exact même chose deux fois.
Ce serait être dur à voir comme à où il était répliqué ici.
Mais encore, tous que nous avons fait est juste fait a copie.
I fait a copie de que doptN10m9 deux fois, enchaîner ceux ensemble.
Allons-y créer le données tableau encore.
Encore, 20- courses et 19 facteurs.
Encore, garder dans esprit que mon d'abord 10 facteurs
sont tous à trois niveaux, le restant à deux.
Allons-y prendre a regarder à évaluer conception encore ici.
Je suis en allant à mettre tous de ces facteurs dans.
Dans ce cas, avant,
allons aller directement à retirer ceux alias termes.
Allons-y prendre a regarder à le couleur carte.
Ce toujours apparence comme a joli bien couleur carte à moi.
Quoi faire nous avis ici contre le dernier un?
Un de le le plus grand différences est,
Bien, ici notre trois niveaux sont toujours en allant à être orthogonal,
et c'est parce que nous étaient en utilisant a conférence matrice.
Le trois- niveaux et le deux- niveaux sont orthogonal.
Dans particulier, mon à trois niveaux facteurs sont orthogonal à le à deux niveaux facteurs.
Mais parce que I était en utilisant que 10 courses conception,
il tours dehors nous ne peut pas obtenir parfait orthogonalité
pour le 10 courses conception avec neuf facteurs.
Si nous regarder parmi ceux à deux niveaux facteurs, nous avoir quelques petit corrélations là.
Un chose à indiquer dehors,
là fait exister a Hadamard matrice de commande 20.
Dans quelques sens, nous sont prise a petit peu de a frapper sur ceux à deux niveaux facteurs.
Mais si toi prendre a regarder, le coût de en utilisant ce taper de conception
contre, allons dire, tout à deux niveaux,
nous avoir à propos a 5% augmenter dans le confiance intervalle longueur.
Mais le bon chose ici maintenant est que maintenant nous avoir ceux facteurs à trois niveaux.
Si nous vraiment sont inquiet à propos quadratique effets
apparaissant dans ces d'abord ceux, maintenant nous avoir a chance de détection ceux
à a petit prix à que estimation efficacité pour ceux principal effets.
Que était super dans le cas
que nous toujours avait a conférence matrice que existait, mais Non Hadamard.
Ce dernier méthode,
ce est où nous ne le faites pas vraiment ajuster dans soit de ceux cas.
Dans ce cas maintenant,
étaient parler à propos a courir taille est en allant à être a multiple de deux.
Dans ce cas, quoi nous avoir est nous ne le faites pas avoir a conférence matrice disponible à nous.
Ce est où étaient en allant à utiliser que pseudo- conférence matrice.
Je vais dire si tu es vraiment intéressé dans que,
Je vais aller dos à ces préliminaire.
Dans le...
Allons-y voir.
En fait, il était le original DSD conception.
Désolé, ce 2011 Définitive Dépistage Conception.
Si toi aussi regarder, I avoir il dans le liste de références à le fin.
Allons-y voir, ceux OMS sont particulièrement intéressé.
Ce original classe de à trois niveaux conception pour Définitive Dépistage
dans le présence de deuxième- commande effets.
Ce papier était écrit avant ils étaient conscient de le existence
de ce idée de conférence matrices.
Dans que papier, ils parler à propos a général but algorithme
pour création quelque chose que apparence comme a conférence matrice.
Toi ensemble zéros le long de le diagonale,
et alors le repos de le valeurs sont en allant à être plus et moins un,
où tu es en essayant à faire a principal effets D-optimal conception.
Ces pseudo- conférence matrices, comme ils étaient,
ils regarder comme a conférence matrice.
Toi peut utiliser que algorithme quand le conférence matrice n'a pas exister.
Vraiment, quoi c'est en essayant à faire est à conduire il à regarder comme fermer comme il peut.
Si toi souviens-toi a conférence matrice,
si toi prendre C transposer, toi obtenir zéros et le désactivé diagonale
pour parfait orthogonalité,
c'est en allant à être en essayant à conduire il à regarder comme que
où I ne peut pas faire il parfaitement.
Similaire à le cas nous avait pour méthode 2,
notre T est en allant à être a D-optimal principal effets plan.
Quoi faire nous fin en haut avec ici?
Encore, notre d'abord M colonnes sont toujours en allant à être à trois niveaux facteurs,
le restant M moins 1 pour le deux- niveau.
Encore, étaient toujours à que cas de saturation
par le temps nous facteur dans le intercepter.
Le coût ici est que étaient pas en allant à obtenir le bon orthogonalité
que nous peut avoir avait dans méthode 1 et 2.
Allons-y prendre a regarder à comment ce un travaux ici.
Mon C dans ce cas,
et Je vais faire que CC.
Quoi I commencé avec ici
était a pseudo- conférence matrice de commande neuf.
Neuf est pas a multiple de deux.
I avoir à faire quelque chose que regardé comme a pseudo- conférence matrice.
Allons-y juste prendre a regarder ici.
Allons-y en fait prendre a regarder et voir quoi que C transport C apparence comme.
Toi avis I ne peut pas obtenir que parfait orthogonalité,
mais plutôt I avoir huit le long de le diagonale
et alors ces plus et moins ceux sur le désactivé diagonales.
Étaient fermer.
I avoir que CC que était juste faire le même chose, pliant que matrice sur.
De même, donc T, c'est en allant à être de le même commande.
I a pris le neuf points, huit facteurs, D-optimal conception.
Dans ce cas, J'ai en fait déjà supprimé le intercepter.
Étaient juste en allant à reproduire que conception encore.
I avoir ce 18 par 8.
Je suis en allant à combiner ceux deux pièces ensemble.
Allons-y prendre a regarder à le tableau.
Ce est a particulièrement difficile conception à générer dans général.
Dans ce cas, I ne le faites pas avoir a bon nombre.
Mon courir taille est 18.
Maintenant I avoir ces d'abord neuf facteurs à trois niveaux
et le restant huit à deux niveaux.
Pas étonnamment, là est a coût de ce.
Encore, allons juste retirer ceux alias termes encore
et prendre a regarder à notre couleur carte.
Toi voir maintenant, mon deux et trois niveaux sont en fait orthogonal à chaque autre,
mais le trois niveaux avoir a petit corrélation parmi eux.
Que était où, souviens-toi, si toi rappel,
nous scie que plus et moins un et que désactivé diagonale.
De même pour le deux niveaux.
Nous en fait avoir un assez haut corrélation ici,
mais dans général, donc à propos 0,1.
Dans ce cas, nous ne le faites pas même avoir un orthogonal conception à comparer il à.
Nous en fait avoir a couple de facteurs que nous peut être inquiet à propos a peu,
avoir a petit peu de a plus grand fractionnaire augmenter.
Ceux trois niveaux volonté dire, Bien, nous ne peut pas obtenir ceux à être parfait comme il est.
Ce fractionnaire augmenter est comparé à le hypothétique orthogonal conception,
le orthogonal tableau, lequel n'a pas même exister.
Étaient payant a petit prix, mais nous toujours avoir quelques en général bon propriétés.
Le trois niveaux sont orthogonal à le deux niveaux,
et nous avons minimisé que corrélation dans général.
Dans quelques sens, ceux sont ceux trois méthodes.
Le bon chose est selon sur le courir taille que toi avoir
et selon sur le nombre de facteurs, ce méthodologie ou ce classe de dessins
vraiment donne toi quelques flexibilité dans le nombre de courses.
De cours, si toi peut permettre a multiple de huit ou a multiple de quatre,
le propriétés sont en allant à regarder a parcelle plus agréable.
Mais I signifier, quand courses sont vraiment cher,
nous toujours avoir ce méthode 3,
lequel est en allant à donner toi a raisonnable conception.
Avec que, I juste vouloir à donner quelques final pensées ici.
I avoir a lien.
Si toi prendre a regarder à ce journal après,
I avoir a lien à a présentation depuis JMP Découverte Europe
depuis Bradley Jones que était sur orthogonal mélanger niveau dessins.
Le dessins dans ce présentation, le orthogonal mélanger niveau dessins,
volonté presque regarder très similaire à quoi était présenté ici.
Le dessins présenté dans ce présentation sont pour quand tu es plus proche à saturation.
I serait dire ces orthogonal niveau de mixage dessins
depuis le précédent découverte, et nous en fait avoir a papier sur que.
C'est ce Jones Lekivetz, et Nachtsheim
que était dans JQT, Journal de Qualité Technologie.
Ceux dessins travail très Bien
quand toi avoir à propos moitié le nombre de facteurs relatif à le courir taille,
lequel sons a parcelle comme DSD,
mais c'est quand toi avoir plus à deux niveaux facteurs.
Dans le conception présenté dans que présentation,
toi peut aller en haut à à propos trois quarts de le courir taille.
Le dessins présenté ici
sont vraiment quand tu es plus proche à que saturation,
où toi dire, Bien, Non, I vraiment avoir a parcelle de facteurs
que Je suis intéressé dans, et le courses sont vraiment cher.
Le dessins ici à remplir que dernier écart quand toi vouloir à obtenir fermer à saturation.
I a montré toi ces dessins regarder bon,
mais peut ils en fait faire rien quand il vient à modèle sélection?
Je vais dire ici.
Encore, nous avoir courir a parcelle de simulations sur ces.
Ce n'est pas faire il correctement, ce est juste pour a célibataire réalisation.
Allons-y dire ici
mon facteurs, donc appel un, appel cinq, appel 13 et 14,
J'ai choisi il comme être significatif.
Dans base JMP, toi pourrait vouloir à utiliser quelque chose comme étape par étape.
Allons-y prendre a regarder.
Ici J'ai fait a raisonnable emploi.
I peut avoir terminé en haut avec un supplémentaire facteur,
mais dans quelques sens, Identifiant toujours être
assez heureux que J'ai a été capable à prendre en haut ceux effets là.
Allons-y essayer ce même chose avec généralisé régression.
Si nous prendre a regarder, le même chose.
Allons-y voir, 1, 5, 13, et 14.
Si nous aller dos, 1, 5, 13, et 14.
Dans ce cas,
les deux de toi avoir JMP Pro avec généralisé régression ou Ajuster pas à pas,
les deux étaient capable à prendre en haut ceux principal effets que nous avait dans là.
Juste à montrer toi maintenant, si toi avoir a grand quadratique effet,
Je vais dire parce que comparé à DSD où nous avait que centre indiquer courir,
ce nous seulement avoir deux zéros.
Nous ne le faites pas même avoir a troisième pour a centre indiquer
et nous avoir a parcelle plus facteurs.
Détection quadratique effets est toujours en allant à être difficile.
Mais allons juste prétendre nous avoir a grand un.
Ici I avoir encore, le 1, 5, 13, et 14.
Mais maintenant J'ai aussi ajouté a assez grand quadratique effet pour le colonne un.
Allons-y juste prendre a regarder ici.
Allons-y essayer à ajuster étape par étape encore.
Maintenant J'ai en fait juste ajouté ceux équations du second degré dans le modèle.
Encore, I avoir un supplémentaire terme,
mais si toi voir, même dans ce cas, il a fait en fait prendre en haut que quadratique effet.
Pas seulement a fait il prendre en haut le correct principal effets,
il a fait détecter le quadratique effet que I avait.
Allons-y essayer le même chose.
Allons-y voir le modèle lancement.
Il apparence comme I déjà avoir il montré ici.
Le même chose.
Toi voir le 1, 5, 13, 14,
et généralisé régression était aussi capable à prendre en haut que quadratique effet.
Je vais dire I serait pas attendre à anticiper
que toi peut détecter que beaucoup quadratique effets.
Mais même si toi regarder à ton résiduel parcelles ou ton principal effets parcelles,
même ceux deux zéros donner toi quelques indication
que peut être I faire vouloir à suivre en haut
et prendre a regarder à ceux facteurs a petit peu Plus profond pour quadratique effets.
Où encore, dans ton traditionnel dépistage,
si tu es seulement faire des choses à deux- niveau, toi ne serait pas avoir le chance à faire que.
Avec que, encore, I volonté poste ce journal où ce vidéo est situé,
mais Je vais aussi éclair en haut ces références à ce temps.
Avec que, remercier toi pour prise le temps à montre ce vidéo,
et s'il te plaît partager n'importe lequel messages toi avoir dans le communauté ci-dessous.
