Sélection correcte du modèle pour les facteurs de mélange + facteur de procédéChers tous
J'ai conçu un plan d'expériences personnalisé avec JMP18 pour la pyrolyse de la biomasse et réalisé 30 expériences. Ce plan d'expériences comprend les facteurs suivants (capture d'écran ci-jointe) :
Facteurs de mélange :
(1) Teneur en cellulose
(2) Teneur en hémicellulose
(3) Teneur en lignine
(4) Teneur en cendres
(5) Autres (par exemple, protéines)
Facteurs liés au processus :
(6) Température de pyrolyse
La somme des facteurs de mélange (1)-(5) est égale à 100 %. J'ai également pris en compte les interactions entre tous les facteurs, y compris les interactions du second ordre.
Il existe une forte multicolinéarité entre les facteurs (1) à (5). J'ai appris que, dans ce cas, la méthode des moindres carrés standard ne serait pas adaptée pour identifier les facteurs pertinents de mon modèle, car elle n'est pas robuste en présence de multicolinéarité. Quelle approche de modélisation choisiriez-vous ?
D'après une documentation technique (ci-jointe) rédigée par Bernd Heinen de SAS, je conclus que le modèle Elastic Net pourrait convenir, car il est robuste face à la multicolinéarité des facteurs. Qu'en pensez-vous ?
Merci beaucoup pour votre aide !
Best regards Jannis
Modélisation statistique avancéeModélisation prédictive et apprentissage automatiqueRe: Sélection correcte du modèle pour les facteurs de mélange + facteur de procédéSalut @jgrafmu2 ,
Les plans d'expériences de mélange sont des plans d'optimisation ; autrement dit, ils sont construits à partir d'un modèle hypothétique que vous pouvez ajuster aux résultats expérimentaux obtenus. L'objectif est d'obtenir un modèle utile et prédictif permettant d'optimiser les facteurs de formulation et les paramètres de procédé, et non de filtrer ou de sélectionner des facteurs ou des effets dans le modèle en fonction de valeurs p ou d'autres critères statistiques (comme le font les méthodes LASSO ou de régression pénalisée).
Il est tout à fait normal d'observer une multicolinéarité entre les facteurs de votre mélange. Ces facteurs sont liés par construction : X1 + X2 + X3 + X4 + X5 = 100 % (ou toute autre valeur constante), du fait de la nature du mélange. Puisque ces facteurs ne sont pas indépendants mais liés par cette contrainte de mélange, une multicolinéarité persistera entre eux, quelle que soit l'analyse choisie.
Le modèle des moindres carrés convient aux plans d'expériences de type mélange si vous ajustez un modèle sans constante : Éléments de la fenêtre de lancement de l'ajustement du modèle . Si vous utilisez le script « Ajuster le modèle » déjà présent dans votre table de données après avoir généré le plan, l'option « Sans constante » devrait déjà être cochée par défaut.
Vous devriez commencer par le modèle supposé, puis, en fonction de votre objectif et de vos critères de décision (performance prédictive avec l'erreur quadratique moyenne [RMSE], complexité du modèle avec des critères d'information comme l'AICc et le BIC, performance explicative avec le R² et le R² ajusté, etc.), vous pourrez l'affiner. Vous pouvez consulter cet exemple dans la documentation d'aide de JMP ; il pourrait vous aider à déterminer comment procéder à l'analyse : Exemple de plan d'expériences avec analyse
Les discussions suivantes pourraient vous intéresser :
Comment utiliser efficacement le résumé des effets pour un plan d'expériences de mélange ?
Conception personnalisée : mélange de variables de procédé. Comment évaluer la conception ?
Plan d'expériences de mélange ou plan d'expériences de surface de réponse
En lien avec les différences dans les plages de variations de vos facteurs et la présence d'un facteur de mélange « Autres », vous pourriez également être intéressé par cette présentation : Quand ne pas réaliser une expérience de mélange.
Vous trouverez ci-joint le tableau de données recréé à partir de votre capture (veuillez ajouter le tableau JMP la prochaine fois, cela facilitera la compréhension de votre sujet et la réponse à vos questions).
