Bonne part d'espace, mais faible puissance du Département de l'ÉnergieBonjour à la communauté JMP,
Je crée un plan d'expériences (DoE) avec deux variables continues, une variable catégorielle (à six niveaux) et une variable catégorielle (à deux niveaux). Lorsque je crée un plan D-optimal pour cette étude, je constate que la puissance statistique pour détecter les interactions qui m'intéressent est assez faible (coefficient anticipé = 5, puissance = 0,61). Cependant, la répartition spatiale du plan d'expérience est satisfaisante : 95 % de l'espace se situe en dessous de la variance de prédiction de 1,0.
Pourriez-vous expliquer pourquoi la fraction du graphique de conception est bonne alors que la puissance du modèle est assez faible ?
Analyse et modélisation de données de baseConception des expériencesRe : Bonne fraction d’espace, mais faible puissance du DoELes facteurs importants influençant la puissance statistique sont le nombre d'essais et le plan d'expérience. Vous n'avez précisé ni l'un ni l'autre ; j'ai donc créé un plan d'expérience avec les mêmes facteurs et le même modèle, en utilisant le nombre d'essais par défaut (25). La puissance statistique obtenue est supérieure à celle que vous avez présentée, pour des coefficients prévus identiques.
Je ne suis pas certain de ce à quoi vous vous attendiez concernant la variance de prédiction relatif dans ce cas.
Re : Bonne fraction d’espace, mais faible puissance du DoESalut,
Je crois que vous mélangez les choses.
Les graphiques FDS et l'analyse de puissance vous renseignent tous deux sur la qualité de votre plan d'expériences, mais ils mesurent des qualités complètement différentes :
- Graphique FDS → Avec quelle précision votre modèle peut-il effectuer des prédictions dans l'espace de conception ? Ou encore, quelle est la fiabilité des prédictions sur la majeure partie de la région ?
- Analyse de puissance → Quelle est la probabilité que votre expérience détecte des effets réels compte tenu du bruit et de la taille de l'échantillon ? Ou pouvons-nous détecter de manière fiable des différences significatives ?
Ils sont liés car tous deux vous aident à déterminer si votre conception est adéquate, mais ils opèrent à différents niveaux du DOE.
- Une puissance de 0,65 signifie une chance de 65 % de détecter un effet de la taille choisie.
- Si votre courbe FDS est élevée (par exemple, 80 % de l'espace < seuil de variance), votre conception fournit des prédictions fiables sur la majeure partie de la région
L'analyse de puissance se concentre sur la vérification des hypothèses, et non sur la précision des prédictions.
Voici quelques exemples pour mieux comprendre :
Similitudes : Les deux dépendent de la structure de variance du plan d’expérience. F DS → Variance de prédiction, tandis que Power → Variance d’effet. Toutes deux sont déterminées par le même élément central : la matrice de plan d’expérience et le niveau de bruit .
Améliorer l'un améliore souvent l'autre
Par exemple:
- L'ajout de réplicats réduit la variance d'erreur
- augmente la puissance
- réduit la variance de prédiction → améliore le FDS
- Passer à une conception plus optimale (par exemple, I-optimale)
- améliore la précision des prédictions
- Augmente souvent la détectabilité de l'effet (puissance)
Mais ils optimisent des objectifs différents
Parfois, l'un s'améliore tandis que l'autre non :
- La conception AD-optimale pourrait maximiser la précision des paramètres, mais produire une variance de prédiction moyenne plus faible (FDS plus faible).
- Une conception qui répartit les points (bénéfique pour la puissance) peut laisser des lacunes de prédiction dans l'espace de conception (FDS moins performant).
J'espère que cela aide à expliquer pourquoi cela pourrait se produire.
