Salut,
Je mets en place une expérience avec des plaques à 24 puits profonds, avec cinq facteurs, dont deux sont la température et le temps. Ces facteurs sont difficiles à modifier, car la plaque à puits profonds doit rester au congélateur ou au chauffage pendant un certain temps, tandis que trois autres paramètres peuvent varier d'un puits profond à l'autre de la plaque.
Je me demandais simplement s'il était nécessaire de configurer un plan d'expériences utilisant des facteurs difficiles à modifier et d'obtenir un plan d'expériences pour l'ensemble de la parcelle, ce qui induit une erreur d'effet aléatoire. Alternativement, je pourrais simplement définir ces facteurs comme faciles à modifier, puis trier le tableau des plans d'expériences par température et par heure, pour obtenir une présentation similaire. Je sais que la randomisation serait violée dans ce dernier cas, mais je pense que cela ne devrait pas poser de problème ici, puisque chaque plaque sera de toute façon remplie séparément. Je suppose donc que l'ordre d'exécution n'est pas important, puisqu'il n'y a pas d'« effet mémoire ».
La raison pour laquelle il est préférable d'éviter les facteurs difficiles à modifier est que le nombre optimal d'exécutions (et donc de plaques) augmente, ce qui limite considérablement mon potentiel. De plus, les diagnostics du domaine d'expérience (matrice de corrélation, variance de prédiction) paraissent moins bons. De plus, la conception avec des facteurs difficiles à modifier n'est pas équilibrée, ce qui fait que certaines combinaisons de facteurs n'apparaissent pas, contrairement à l'utilisation de facteurs faciles à modifier.
Vos commentaires sont les bienvenus. Merci.
Salut @aatw ,
Oui, le paramétrage du DoE via une configuration Split-plot (avec des facteurs « Difficiles à modifier ») est ici nécessaire pour plusieurs raisons :
- Créer le plan directement via une configuration en parcelles divisées garantit l'équilibre des exécutions entre les blocs et à l'intérieur des blocs. Réorganiser les exécutions « manuellement » pourrait entraîner un léger déséquilibre entre les blocs ou à l'intérieur de ceux-ci (et éventuellement l'introduction de biais/bruit par cette disposition manuelle), ce qui serait moins optimal que la disposition des exécutions proposée par la structure de plan en parcelles divisées.
- Plus important encore, votre configuration expérimentale comporte deux « structures » : une structure de plaque, où la température et le temps sont appliqués à une plaque entière, et une structure de puits, où chaque puits peut recevoir une combinaison des trois facteurs « faciles à modifier ». Cela crée une différence importante dans les degrés de liberté utilisés pour l'analyse entre les facteurs « difficiles à modifier » et « faciles à modifier », qui ne sera pas prise en compte si vous organisez les analyses manuellement, car l'analyse sera effectuée de manière erronée avec le même degré de liberté pour chaque facteur. Ainsi, vos estimations, intervalles de confiance et valeurs de p pour les facteurs « difficiles à modifier » seront biaisés et faussement (optimistes).
- L'effet aléatoire permet également de capturer toute variation d'une plaque à l'autre, ce qui peut aider à mieux estimer les facteurs « faciles à modifier ». Si vous n'utilisez pas cet effet aléatoire dans un plan en parcelles divisées, la variance d'une plaque à l'autre sera regroupée avec le reste de la variance inexpliquée, ce qui peut masquer certains effets. Le plan en parcelles divisées offre une grande précision dans les estimations, à l'exception des effets principaux sur l'ensemble de la parcelle.
Dans votre analyse, les principaux effets liés aux facteurs « difficiles à modifier » sont de toute façon conservés dans le modèle. Notez que les facteurs « faciles à modifier » et les interactions entre les facteurs « faciles » et « difficiles à modifier » ont une puissance plus élevée, ce qui permet d'obtenir de meilleures estimations.
Pour votre cas d'utilisation spécifique, si vous pouvez vous permettre 5 plaques, chacune avec 24 puits de profondeur, l'évaluation de la conception semble assez positive :
J'ai joint le plan Split-plot utilisé si vous souhaitez l'évaluer.
Concernant votre préoccupation concernant l'absence de certaines combinaisons de facteurs, existe-t-il une raison pratique particulière d'en inclure certaines ? Si oui, vous pourriez préparer un ensemble de candidats avec toutes les combinaisons souhaitées dans le plan et les utiliser comme facteurs de covariables : Plan avec covariables difficiles à modifier.
Voir la conférence de Christopher Gotwalt sur l'approche des ensembles candidats : Conceptions d'ensembles candidats : adapter les contraintes DOE au problème (2021-EU-30MP-78...) - Communauté d'utilisateurs JMP
Plus d'informations sur les conceptions Split-plot :
Conceptions à parcelles divisées
Conférence_13
Publication LinkedIn sur les conceptions en intrigues divisées
Conceptions avec restrictions de randomisation
Enregistrement du DOE Club avec Jacqueline Asscher et Phil Kay - Communauté d'utilisateurs JMP
J'espère que cette réponse vous aidera,
