Comment traiter les données sensorielles DoE avec des réponses ordinalesBonjour à tous !
Je vous contacte car je rencontre des difficultés à traiter les données d'un DoE. J'ai élaboré un plan optimal pour étudier l'influence des paramètres de formulation sur un produit alimentaire. Neuf juges ont dégusté les produits en les comparant à un produit de référence et les ont évalués selon plusieurs critères sensoriels, comme suit :
-3 = beaucoup moins que la référence, -2 = moins que la référence, -1 = un peu moins que la référence, 0 = égal à la référence 1 = un peu plus que la référence, 2 = plus que la référence, 3 = beaucoup plus que la référence.
Mes réponses sont donc basées sur des données ordinales. Dans un premier temps, j'ai essayé de les considérer comme continues et j'ai effectué une régression linéaire multiple. Pour ce faire, j'ai combiné les données des juges en utilisant des moyennes (auparavant, j'avais étudié l'effet des juges sur mes données brutes). L'ajustement était satisfaisant et j'ai pu en tirer quelques conclusions.
Comme deuxième approche, j'ai voulu essayer la régression logistique ordinale. Cependant, je ne parviens pas à combiner les données de tous les juges et à avoir une ligne par produit. D'après ce que j'ai compris, conserver les données de tous les juges ne permettrait pas un ajustement correct, car je ne saurais pas quel juge a été utilisé pour l'ajustement.
Des suggestions à ce sujet ? Merci !:)
Modélisation statistique avancéeRe : Comment traiter les données sensorielles DoE avec des réponses ordinalesBienvenue dans la communauté. Je pense que vous êtes sur la bonne voie. Puisque les multiples évaluations par traitement ne sont pas des DF, il est nécessaire de synthétiser les données. Je commencerais par examiner graphiquement la variation intra-traitement (par exemple, un tableau de variabilité), puis j'évaluerais s'il existe des biais évidents chez l'évaluateur (couleur ou marquage par colonne > évaluateur). S'il n'y a pas de différences attribuables entre les évaluateurs, utilisez la moyenne. Je vous suggère également de prendre l'écart type ainsi qu'un autre Y. Si vous souhaitez déterminer quels facteurs de votre expérience influencent la réponse moyenne, modélisez la moyenne. Si vous souhaitez évaluer quels facteurs influencent la variation entre les évaluateurs, modélisez l'écart type. Bien qu'il ne soit pas techniquement correct de considérer la réponse comme continue, je ne pense pas que vous vous exposeriez à trop de difficultés.
Re : Comment traiter les données sensorielles DoE avec des réponses ordinalesSalut @Meli1
Bienvenue dans la Communauté !
Comme l'a déjà indiqué @statman , essayer un modèle de régression sur ces notes peut toujours être une bonne idée.
J'essaierais également une option simple, en utilisant une régression logistique ordinale avec un nombre réduit de classes (3) : pire (-2/-1), neutre (0) et meilleur (1/2). Le fait d'avoir moins de classes devrait aider le modèle à distinguer les différences clés entre les échantillons et à éviter les erreurs de classification entre des classes étroitement liées (par exemple, -2 et -1). Si le modèle a encore du mal à séparer les trois classes, vous pourriez ajouter une nouvelle colonne « pondération » et spécifier des pondérations de 1 pour les anciennes classes (-1/0/1) et des pondérations plus élevées pour les classes extrêmes (-2/2) afin de faciliter la séparation des résultats extrêmes. Ajoutez cette colonne comme option « Poids » au lancement du modèle. Vous pourriez ensuite extraire les probabilités brutes pour chaque classe, ce qui permet de comprendre les similarités et les différences entre les échantillons et devrait vous aider à évaluer l'incertitude de l'évaluation.
D'autres options sont également disponibles, selon votre objectif et la méthode de collecte des données : avez-vous demandé aux évaluateurs de tester le benchmark en aveugle pour évaluer les notes ? Si oui, vous pourriez évaluer les écarts entre les échantillons et le benchmark à partir des notes, et également « redimensionner » les notes des évaluateurs en fonction de cette référence commune définie à 0.
J'espère que cette réponse complémentaire pourra vous aider,
Re : Comment traiter les données sensorielles DoE avec des réponses ordinalesIntéressant, j'adopterais une approche différente pour les données ordinales. Je ne recommanderais pas de réduire le nombre de « classes ». L'un des problèmes des données ordinales est leur manque de discrimination (résolution effective). Si vous lisez Wheeler et Lyday, « Évaluation du processus de mesure », vous pouvez compter le nombre d'unités de mesure (sur une échelle ordinale, l'UM = 1) à l'intérieur de la limite de contrôle supérieure du graphique de plage. Avec les données ordinales, ce nombre est presque toujours inférieur au minimum recommandé (le ROT est de 5 au minimum). Il est intéressant de noter que la moyenne des données d'une échelle ordinale augmente la résolution, car il y a désormais des décimales et non plus seulement des nombres entiers. Plus les données sont continues, plus elles sont efficaces et plus l'analyse qui en résulte est efficace. Les questions de Victor sur la manière dont les évaluations ont été réalisées sont pertinentes. Rétrospectivement, vous pourriez évaluer la variation intra-évaluateur en demandant au même évaluateur d'évaluer deux fois le même traitement.
Re : Comment traiter les données sensorielles DoE avec des réponses ordinalesLe processus de notation utilisé ici est très similaire à une échelle de Likert et en effet, 5 niveaux est un minimum recommandé, 7 ou 9 étant optimal (bon compromis entre différenciation et niveau de détails sans confusion) :
Duane F. Alwin et Jon A. Krosnick, « La fiabilité des mesures d'attitude par sondage : l'influence des questions et des attributs des répondants », Sociological Methods Research, vol. 20, n° 1, 1991, p. 139-181
Ce nombre optimal de niveaux a été récemment testé par simulation numérique dans cette étude :
Alberto Maydeu-Olivares, Amanda J. Fairchild et Alexander G. Hall, « Ajustement de l'analyse factorielle : effet du nombre de réponses possibles », Structural Equation Modeling: A Multidisciplinary Journal, vol. 24, n° 4, 2017, p. 495-505
Dans l'étude de cas présentée ici avec peu d'informations ou de résultats, nous ne savons pas si les résultats sont conformes entre les évaluateurs.
En fonction du nombre d’évaluateurs, de leur expertise et de leur formation, ainsi que des différences « réelles » entre les échantillons, l’accord entre les opérateurs sur les échantillons peut être très différent.
- Tester d'abord la concordance entre les juges pourrait constituer une première étape dans l' analyse de contingence de la plateforme. Les comparaisons multiples 2x2 pourraient aider à repérer un juge dont les notes diffèrent fortement de celles des autres. Les notes de ce juge pourraient ensuite être écartées si elles sont trop différentes. La statistique Kappa pourrait aider à évaluer le niveau de concordance entre les juges. Il pourrait être difficile de le faire facilement dans ce cas d'utilisation, car avec 9 juges, cela représenterait 36 comparaisons à effectuer pour chaque paire de juges.
- Ensuite, selon le niveau de concordance, on pouvait choisir de résumer les données/notes (uniquement les classes négatives, neutres et positives) ou d'utiliser toutes les classes. J'ai obtenu de bons résultats en résumant les données sur les cas d'utilisation où la concordance était faible, car cela permettait d'identifier rapidement les facteurs positifs et négatifs.
Une autre option à considérer est de diviser l'évaluation globale en plusieurs évaluations plus petites ; si les juges évaluent le goût, vous pourriez peut-être orienter l'évaluation en les interrogeant autour de plusieurs directions :
Par rapport à la référence, les échantillons sont-ils plus sucrés ? Plus salés ? Plus acides ? Amers ? ... Avec des réponses Oui/Non/Neutre.
Au lieu d’avoir une échelle à 5 niveaux pour évaluer le goût, les juges notent 4 aspects différents sur une échelle simple à 3 niveaux, ce qui peut aider à identifier plus précisément les compromis et les différences entre les formulations.
J'espère que cette réponse pourra vous aider,
Re : Comment traiter les données sensorielles DoE avec des réponses ordinalesMerci statman pour ta réponse !
Il n'y avait pas de biais évident de l'évaluateur. Je vais donc essayer d'utiliser les moyennes. Mais si je veux utiliser les moyennes pour ma régression logistique, je devrais les arrondir pour revenir aux niveaux initiaux, n'est-ce pas ? Sinon, il y aura trop de modalités de réponse ?
Merci encore !
Re : Comment traiter les données sensorielles DoE avec des réponses ordinalesBonjour Victor, merci beaucoup pour votre réponse !
Cela signifie-t-il que si j'utilisais moins de niveaux, je n'aurais pas besoin de résumer les données de tous les juges ?
Oui également, et j'ai obligé les juges à évaluer le benchmark à l'aveugle. Cependant, je ne sais pas comment « redimensionner » les notes des évaluateurs en fonction de cette référence définie à 0. De plus, presque tous les juges ont reconnu cette référence et lui ont attribué la plupart du temps la note zéro.
Merci encore !
Re : Comment traiter les données sensorielles DoE avec des réponses ordinalesPourquoi utiliser la régression logistique ? Mon argument est qu'elle n'est pas aussi efficace que la régression des moindres carrés. Bien sûr, j'essaie de comprendre la structure causale, et non les probabilités. Je ne connais pas vraiment vos objectifs ultimes. À mon avis, non, vous ne souhaitez pas vraiment utiliser la régression logistique. Puisque vous faites la moyenne des réponses, la réponse résultante est plus continue, ce qui vous permet d'utiliser la méthode des moindres carrés ordinaires.
Re : Comment traiter les données sensorielles DoE avec des réponses ordinalesEn réalité mon objectif est de comparer deux approches pour traiter les données :
-considérant que les données peuvent être traitées comme continues en utilisant une régression linéaire multiple
-considérant que les données ne peuvent être traitées que comme ordinales (telles qu'elles sont) en utilisant la régression logistique ordinale
Pour la régression linéaire multiple, j'ai appliqué mon modèle aux moyennes. Cependant, je ne suis pas certain que ce soit la bonne solution. Par exemple, que se passerait-il si j'ajoutais un effet de juge à mon modèle ? Cela permettrait-il de ne pas considérer les répétitions de chaque juge comme des DF ?
Pour la régression logistique ordinale, l'idée étant d'aborder les données de manière ordinale, je pense qu'il ne faut pas utiliser de moyennes. Je pourrais peut-être également inclure un facteur de jugement dans mon modèle afin que les répétitions dues à chaque juge ne soient pas comptabilisées comme des DF.
Et si mon facteur juge avait un effet significatif ?
Re : Comment traiter les données sensorielles DoE avec des réponses ordinalesLes juges ne sont pas indépendants des traitements (ils sont intra-traitement). Par conséquent, pour ce qui est de l'ajout d'un terme de juge au modèle, vous ne disposez pas de DF pour cela. C'est pourquoi vous devez d'abord évaluer la variation intra-traitement (entre juges et intra-juges) avant de synthétiser les données. Sachez qu'il n'y a pas de « bonne » réponse. Je pense que votre approche consistant à tester différentes techniques d'analyse est pertinente. Cependant, je le répète, l'échelle ordinale est moins efficace qu'une mesure continue. Et même si d'autres peuvent le contester, la régression logistique est également efficace et performante. Mais à chacun sa façon de faire.
Je dirais que votre échelle ne semble pas répondre aux critères suggérés par Deming. Veuillez lire le chapitre sur les définitions opérationnelles dans « Out of the Crisis ». Beaucoup moins , un peu moins ne sont pas définis opérationnellement (tout le monde n'a pas la même interprétation). À mon avis, vous devriez consacrer suffisamment de temps à comprendre le processus de mesure avant l'expérience. Les tests de goût sont particulièrement difficiles. Vous pourriez lire Cox, « The Optimal Number of Response Alternatives for a Scale: A Review » . Vous trouverez également un très ancien article que j'ai joint (j'espère qu'il est conforme aux règles).
