@malcolm_moore1
J'ai une question concernant un problème avec le profileur de prédictions et j'apprécierais votre aide pour le comprendre. J'ai construit un modèle à l'aide de la fonction « Ajuster le modèle », où trois réponses ont été ajustées séparément, chacune incluant plusieurs effets en mode « Criblage des effets ». Après avoir construit le modèle, j'ai identifié les effets les plus significatifs et vérifié la normalité des résidus. Une fois le diagnostic du modèle terminé, j'ai utilisé le profileur de prédictions pour identifier les valeurs de facteurs qui produiraient une réponse cible spécifique. J'ai ensuite appliqué la fonction de désirabilité, en définissant la réponse sur une valeur cible. Cela a donné une courbe de désirabilité en forme de cloche. J'ai ensuite utilisé « Maximiser la désirabilité », qui a ajusté les valeurs de facteurs afin que la réponse corresponde à la cible. Cependant, j'ai remarqué un problème inattendu : lorsque j'ajuste manuellement une ligne de facteur dans le profileur de prédictions, puis que je clique à nouveau sur « Maximiser la désirabilité », les valeurs de facteur obtenues diffèrent parfois significativement des précédentes, et la fonction de désirabilité sous le facteur change également de forme.
Pourquoi cela se produit-il ? Et à quel ensemble de valeurs factorielles dois-je me fier pour prédire les paramètres les plus adaptés à l'obtention de la réponse cible ?
Salut @Rokusan91 ,
La situation que vous décrivez est assez courante : plus vous ajoutez de réponses dans votre modélisation et votre profileur, plus vous devrez peut-être faire de « compromis » pour obtenir une solution « optimale ». Dans la plupart des cas, les réponses n'évoluent pas dans la même direction et le même modèle, il n'y a donc peut-être pas une seule solution qui puisse aboutir à un bon compromis.
Pour mieux visualiser cette situation, utilisez le simulateur pour générer des points de données à partir de votre modèle, en couvrant vos plages de facteurs avec suffisamment de points et des distributions uniformes aléatoires. La table de données résultante contiendra les réponses prédites, ainsi qu'une colonne « Obj » contenant le score de désirabilité global.
Vous pouvez ensuite tracer les points de données de ce tableau et identifier les optima. Vous constaterez probablement que plusieurs combinaisons peuvent vous aider à atteindre un optimum (ici un exemple avec deux réponses pour trois facteurs), un front de Pareto :
L'autre option consiste à exécuter l'option « Maximiser et mémoriser » sous « Optimisation et désirabilité » plusieurs fois avec différents points de départ. Cependant, cette opération est fastidieuse et peut ne pas être exhaustive, ce qui peut engendrer des erreurs.
J'espère que cette solution de front de Pareto pourra vous aider,
