Il est assez courant que des expériences conduites dans une séquence temporelle subissent une dérive linéaire de la réponse au cours de l'expérience. Si vous randomisez l'ordre des exécutions, l'effet de cette dérive n'aura pas tendance à fausser les effets de facteur estimés, mais augmentera la variance de ces effets.
Existe-t-il un meilleur choix que l'ordre d'exécution aléatoire?
Je conseillerais généralement aux enquêteurs de randomiser l’ordre de leurs analyses ou du moins d’aléatoire dans des groupes homogènes de séquences (blocs). Cependant, s'il existe des raisons de suspecter une tendance fortement linéaire dans la réponse dans le temps, indépendamment des changements de facteurs, il existe alors une meilleure façon de procéder.
Quelle est cette meilleure façon?
Dans un précédent article, je décrivais comment ajouter des facteurs de covariable à une expérience. Dans ce cas, on pourrait considérer que le temps (ou l'ordre d'exécution) est un facteur de covariable. Pour rendre une conception solide en fonction des tendances, commencez par créer une table de données comportant une colonne. Vous pouvez l'appeler "Ordre". Pour rendre cet exemple spécifique, je vais créer une expérience de 16 exécutions. Donc, ma table de données pour le facteur de covariable, Ordre, comprend 16 lignes avec les nombres de 1 à 16 en ordre. Je sauve ma table et l'appelle Order.jmp.
Ensuite, j'ouvre le concepteur personnalisé et ajoute l'ordre en tant que facteur de covariable. Pour l'exemple, j'ajoute également sept facteurs continus et les appelle de A à G. La figure 1 montre l'interface de conception personnalisée après la saisie des facteurs. Le modèle supposé contient les principaux effets de tous les facteurs.
Je veux la conception la plus efficace possible, je vais donc dans le menu triangle rouge et choisissez l'élément Nombre de démarrages. Ce choix détermine le nombre de fois où le concepteur commence une conception de départ aléatoire pour essayer de trouver la meilleure conception possible. J'ai choisi 100 000 démarrages aléatoires, ce qui a pris 33 secondes sur mon ordinateur portable.
La figure 2 montre la carte de couleurs de corrélation du dessin que j'ai créé. Les facteurs A à G sont orthogonaux les uns aux autres. L'ordre est orthogonal à A, B, E et F. Il est corrélé à C, D et G, mais la corrélation n'est que de 0,0271. Ces corrélations conduisent à une inflation de variance inférieure à 0,1% pour les principaux effets associés.
Le tableau 2 indique les paramètres d'ordre et de facteur d'exécution pour chaque exécution.
Ligne de fond
Il n’est pas toujours possible de rendre l’ordre d’exécution aussi orthogonal aux effets de facteur que dans cet exemple. Cependant, même s'il existe des corrélations plus substantielles entre la colonne Ordre d'exécution et les autres colonnes de la conception, inclure l'ordre d'exécution en tant que facteur dans l'analyse des données tient compte de tout effet de tendance linéaire et permet l'estimation précise des effets d'autres facteurs. .
