Parmi d'autres facteurs, le concepteur personnalisé en JMP a un mécanisme pour ajouter des facteurs avec des valeurs qui ne sont pas contrôlables mais qui sont connues avant l'expérimentation. J'appelle ces facteurs des facteurs covariants, bien que dans l'analyse de régression, les covariables aient une signification légèrement différente.
Pouvez-vous donner un exemple réaliste?
Imaginez que vous disposiez de plusieurs lots de matériel et que vous mesuriez certaines variables importantes sur chaque lot. Vous souhaitez utiliser les éléments de ces lots comme unités d'un test. Vous envisagez de traiter différentes unités de manière contrôlée à l'aide d'un conception expérimentale . Les variables mesurées sur chaque lot ne peuvent pas être modifiées, ce sont donc des facteurs de covariable. Vous voulez concevoir l’expérience de manière à obtenir le maximum d’informations sur les effets des facteurs que vous avez analysés. pouvez contrôle.
Peter Goos, professeur à l'Université d'Anvers, et moi avons récemment décrit une application semblable à celle ci-dessus dans notre livre, Conception optimale des expériences - Une approche d'étude de cas . Dans l’étude de cas, un fournisseur de produits automobiles utilisait la gravure plasma sur de nombreux volumes de polypropylène pour améliorer ses propriétés adhésives. Il y avait trois caractéristiques mesurées sur chaque lot. Les enquêteurs ont voulu utiliser ces facteurs de covariable avec les facteurs de contrôle de la corrosion plasmatique dans une expérience.
Comment mettre en place une expérience impliquant plusieurs facteurs de covariable dans JMP?
Dans JMP 9, ce processus était un peu fastidieux, en particulier si la table de données JMP comportait de nombreux facteurs de covariable. L'interface nécessitait que vous choisissiez chaque facteur de covariable, un à la fois.
Vous pouvez maintenant entrer tous les facteurs de covariable en même temps en utilisant le dialogue ci-dessous. La couleur de fond jaune indique que j'ai sélectionné les trois facteurs.
Le tableau de données s'appelait Polypropylene Covariates et comportait trois colonnes: EPDM, PP et Couleur. EPDM et PP sont deux mesures continues et Color a été catégorique avec deux niveaux. Le tableau comporte 40 lignes - voir tableau 1.
Que faites-vous après avoir défini les facteurs de la covariable?
Vous ajoutez les facteurs que vous pouvez contrôler. Dans ce cas, il s’agit du débit, de la puissance et du temps. Le tableau 2 montre les facteurs après cette étape.
Puisqu'il y a 40 lots de matériel, l'étape suivante consiste à décider du nombre de ces lots à utiliser dans l'expérience. Le nombre minimum dépend du nombre de termes du modèle. Bien entendu, le maximum est de 40 car c'est tout le matériel que vous avez sous la main.
Supposons que je veuille les principaux effets des facteurs et que je sois prêt à faire 12 essais. Et ensuite?
Vous tapez 12 dans la zone d'édition Nombre de cycles. Ensuite, pour générer la conception, le concepteur personnalisé doit faire deux choses. Premièrement, il doit choisir les 12 meilleurs lots sur les 40 que vous avez. Ensuite, il doit choisir les paramètres Débit, Puissance et Temps qui maximisent les informations sur les six effets de facteur. Le tableau ci-dessous montre la conception résultante.
Un tableau est nécessaire pour fournir une recette indiquant ce qu’il faut faire pour chaque exécution, mais un graphique en dit plus. J'ai utilisé Graph Builder pour comprendre comment le concepteur personnalisé a choisi les 12 lots pour les facteurs de covariable. Les points noirs de la figure 1 indiquent les 12 valeurs de lot sélectionnées pour EPDM et PP divisées par couleur.
Comment puis-je savoir qu'il s'agit d'un bon design?
Vous évaluez des conceptions à l'aide de facteurs de covariable à l'aide des mêmes diagnostics que pour toute autre conception. La figure 2 montre la carte de couleurs de corrélation de colonnes. La corrélation la plus importante est 0,12 - ce qui n’inquiète pas.
Gerd Kopp a écrit:
Brad
merci pour votre réponse rapide! JMP est relativement nouveau et je n’ai pas encore utilisé le profileur dans le menu du graphique.
Ceci est exactement ce que je cherchais. Merci beaucoup!
Gerd
Bradley Jones a écrit:
Gerd,
Il semble que je doive indiquer comment rendre un processus robuste aux facteurs de bruit - dans ce cas, les covariables. Jusque-là, voici la réponse courte. Vous êtes sur la bonne voie, y compris les effets d'interaction des facteurs de contrôle avec les covariables du modèle. Une fois que vous avez un modèle ajusté avec ces termes, enregistrez la formule de prédiction à l'aide du menu triangle rouge de la plate-forme Ajuster le modèle. Ensuite, ouvrez la plateforme Profiler dans le menu Graphique. Ajoutez vos facteurs de covariable à la liste des facteurs de bruit. Cela crée de nouvelles pseudo-réponses qui sont les dérivées de la réponse par rapport à chaque facteur de bruit. Lorsque vous optimisez avec Maximize Desirability, vous obtenez une optimisation à réponses multiples qui tente de ramener à zéro les dérivés précédemment mentionnés tout en plaçant simultanément votre réponse sur la cible. Voila - paramètres de processus robustes ...
Pour répondre à votre post-scriptum, l'ordre dans lequel vous entrez les facteurs n'a pas d'importance. Vous pouvez entrer les covariables en premier, en dernier ou dans l'ordre de votre choix.
Bonne expérimentation
Brad
Gerd Kopp a écrit:
Cher Brad, merci d’avoir facilité la procédure d’inclusion de covariables dans JMP 10!
Supposons maintenant que je ne veuille pas simplement évaluer l’effet des facteurs et des covariables sur la réponse, mais que je recherche des paramètres de facteurs robustes, dans le sens où les paramètres des covariables affectent le moins possible la réponse. J'inclus généralement les effets d'interaction des facteurs et des covariables dans le modèle et utilise les facteurs qui ont des interactions significatives avec les covariables pour tenter de minimiser les effets des covariables. Pour trouver ces paramètres, j’utilise le profileur, ce qui est très bien, mais dans les cas où plusieurs covariables peuvent interagir, ce processus manuel est difficile et on ne peut pas être sûr si l’on a trouvé le réglage optimal des facteurs dans sens de la réalisation de la robustesse. Dans JMP, existe-t-il un moyen de trouver ces paramètres autrement que graphiquement, comme peut-être utiliser l’utilisation de maximiser l’opportunité - maximiser la robustesse? Merci d'avance, Gerd
PS dans votre description, il semblait que l'ordre d'inclusion des covariables et des facteurs contrôlables importait. Est-ce le cas ou pourrais-je tout aussi bien les inclure en sens inverse?
