Mon post précédent a démontré certains avantages de expériences conçues en utilisant des blocs aléatoires plutôt que les blocs fixes plus traditionnels. Mon point principal était que les blocs aléatoires peuvent permettre des expériences plus rentables car ils nécessitent moins d'essais pour un ensemble donné de facteurs et de spécifications de modèle.
Il y a un autre avantage des blocs aléatoires. Une analyse utilisant des blocs aléatoires vous permet de prédire la réponse pour d'autres blocs. Bien sûr, la plupart des praticiens veulent faire de telles prédictions, mais à proprement parler, une analyse en bloc fixe ne le permet pas.
Actuellement, l’outil de conception personnalisée en JMP vous permet de grouper vos courses en blocs aléatoires de taille arbitraire. Imaginez, cependant, un environnement de fabrication où le processus subit des variations aléatoires d'un jour à l'autre et varie également d'une journée à l'autre. Donc, vous avez deux facteurs de blocage, et l'un (décalage) est imbriqué dans l'autre (jour). Un nouveau jour nécessite un changement d'équipe.
L’interface permet un facteur de blocage aléatoire, mais la création d’un plan avec deux facteurs aléatoires imbriqués n’est pas évidente.
Comment peux-tu faire ça?
Supposons que tous les facteurs de l'expérience sont faciles à modifier d'une exécution à l'autre. S'il y avait des facteurs difficiles à changer, nous pourrions les maintenir constants à chaque quart de travail. Nous appelons un design avec cette fonctionnalité un conception en parcelles divisées .
Et s’il existait des facteurs très difficiles à modifier, nous pourrions vouloir les maintenir pendant une journée entière de production. Des expériences avec des facteurs qui sont très difficiles à changer et des facteurs qui sont difficiles à changer ainsi que des facteurs qui sont faciles à changer sont appelées dessins split-split-plot .
Les conceptions en parcelles divisées et les conceptions en parcelles divisées sont des conceptions bloquées et les blocs sont des blocs aléatoires. Dans la conception en parcelles divisées, les blocs sont les groupes de parcours où les facteurs difficiles à modifier restent constants.
JMP prend en charge ces deux types de conceptions et cette fonctionnalité permet de créer des conceptions avec des blocs aléatoires imbriqués.
Alors montre moi
La figure 1 présente un tableau de facteurs pour un scénario dans lequel nous souhaitons examiner six facteurs catégoriques ayant chacun deux niveaux. Notez que j'ai défini deux facteurs appelés Fake VHTC Factor et Fake HTC Factor. J'ai défini la colonne Modifications du tableau sur Très difficile pour le premier facteur et Difficile pour le second. Vous avez peut-être supposé qu'il ne s'agissait pas de facteurs réels et, dans l'affirmative, vous avez raison.
La figure 2 montre la vue Modèle. J'ai sélectionné les deux premiers facteurs. La prochaine étape consiste à supprimer ces facteurs du modèle en cliquant sur le bouton Supprimer terme.
La figure 3 montre le modèle obtenu.
Supposons maintenant que nous voulions que l'expérience se déroule sur quatre jours avec trois équipes par jour. Et peut-être que nous pouvons faire deux points par équipe. Ensuite, le nœud hiérarchique de la génération de conception de la figure 4 décrit ce scénario.
Les «parcelles entières» sont des jours. Les «sous-parcelles» sont des décalages, et il y a 4x3 = 12 d'entre eux. Il y a 12x2 = 24 passages car nous pouvons en faire deux à chaque équipe.
En cliquant sur le bouton Créer un dessin, vous obtenez le dessin du tableau 1. Notez les valeurs des ordures pour les facteurs factices. Comme elles n'apparaissent pas dans le modèle, le concepteur optimal ne modifie pas leurs valeurs par rapport à leurs paramètres aléatoires d'origine.
Maintenant, cliquez sur le bouton Make Table. Une fois que vous avez la table, vous pouvez supprimer les deux fausses colonnes de facteur et changer la colonne nommée Whole Plots en Day et la colonne nommée Subplots to Shift. Le résultat est dans le tableau 2.
Lorsque vous remplissez votre réponse et exécutez le script de modèle, JMP adapte automatiquement le modèle de régression approprié avec Day et Shift sous forme de blocs aléatoires.
La ligne du bas…
Bien que la prise en charge ne soit pas aussi explicite que pour un facteur de blocage aléatoire, une fois que vous savez comment faire, vous pouvez avoir des blocs aléatoires imbriqués. Vous pouvez utiliser des variantes de cette approche pour créer des dessins avec des blocs aléatoires croisés ou plans de parcelles divisées bloqués . S'il y a un intérêt suffisant pour l'un d'entre eux, je peux donner un exemple dans un prochain post. Alors laissez-moi savoir dans vos commentaires.
Merci pour ce post Bradley!
Pourriez-vous comparer et comparer la façon dont Custom Design gère la conception et l'analyse des éléments suivants:
1) 1 facteur "Très difficile", 1 facteur "Difficile" (par exemple, parcelle divisée)
2) 1 facteur "Très difficile", 1 facteur "Difficile", 4 "Facile", case à cocher sur "Les facteurs difficiles à modifier peuvent varier indépendamment des facteurs Très difficiles à modifier" (par exemple, tracé en bande)
3) 2 facteurs "durs"
Si je comprends bien, dans le scénario 1, deux termes d’erreur générés à analyser dans l’ANOVA sont générés: le terme d’erreur Très difficile se situe au niveau de la parcelle entière et le terme d’erreur stricte au niveau de la sous-représentation.
Que se passe-t-il au niveau ANOVA pour les deux autres scénarios?
Et existe-t-il des exemples de processus dans lesquels chacune de ces conceptions serait la plus appropriée?
Jessica Behrle a écrit:
J'ai utilisé cette même approche pour générer des DOE personnalisés dans JMP pour le développement de tests. Le premier facteur de blocage aléatoire est la plaque, car un ou plusieurs facteurs ne peuvent être appliqués qu'à une plaque entière et la plaque est imbriquée au cours de la journée, car un certain nombre de plaques peuvent être utilisées une journée. De plus, plusieurs facteurs peuvent changer dans les rangées / colonnes d'une plaque.
