Comment corriger une expérience défectueuse réalisée en 3 blocs ?J'ai un plan d'expériences où j'ai bloqué les exécutions par mois - je peux effectuer 4 exécutions par mois, pour un total de 12 exécutions sur 3 mois.
Existe-t-il un moyen de sauver ma conception si l'une des expériences d'un bloc échoue en raison de circonstances extérieures sans lien avec les facteurs du plan d'expériences ?
Par exemple, l'essai numéro 4 de mon premier bloc d'expériences a dû être interrompu en cours de route en raison d'un problème d'approvisionnement en matières premières ; ce bloc ne compte donc que 3 essais réalisés. Est-il possible de modifier le plan d'expériences pour que le premier bloc ne comporte que 3 essais, le deuxième 4 et le troisième 4 également, ou devrais-je simplement recommencer (cela me ferait perdre environ un mois) ?
Et si je pouvais effectuer un bloc de 3 simulations, puis un bloc de 5, puis un bloc de 4 ? Je me demande comment on procède dans ce cas, et comment exploiter les données de ces 3 simulations terminées sans tout recommencer. Devrais-je réduire le nombre de facteurs et effectuer des blocs de 3 simulations avec moins de facteurs, par exemple ?
Conception des expériencesRe: Comment corriger une expérience ratée réalisée en 3 blocs ?Je ne dirais pas que l'expérience est « ratée ». Il est encore possible d'apprendre des données restantes.
Il est extrêmement difficile de fournir des conseils précis et utiles avec le peu d'informations fournies. Pourriez-vous nous donner le tableau des données expérimentales ? Il semble que vous ayez attribué 4 traitements à chaque bloc ; quels sont les facteurs associés à chaque bloc (par exemple, le bruit de fond) ? Avez-vous effectué des prédictions ? Quel est le classement prédit des effets du modèle ? Quelle est l'ampleur prédite de l'effet de bloc ? Quelle est la résolution du plan expérimental ? etc.
Plusieurs options permettent de « remplacer » les données manquantes, mais leur utilité est limitée compte tenu de la structure du système. Voici quelques exemples :
1. Utilisez la moyenne des réponses des 11 traitements restants (ou la moyenne des 3 traitements au sein de ce bloc). Cela tend à atténuer l'impact de ce traitement.
2. Utilisez vos valeurs prédites (cela suppose que vous avez effectué des prédictions avant de réaliser l'expérience).
3. Effectuez une régression sur les 11 traitements restants en excluant 1 degré de liberté du modèle initial (généralement l'effet d'ordre le plus élevé ou l'effet prédit comme étant le plus faible). Enregistrez la formule de prédiction ; la valeur prédite pour le traitement manquant sera automatiquement ajoutée au tableau JMP. Remarque : Il est également conseillé d'évaluer rapidement l'ampleur de l'effet de bloc et d'ajuster les valeurs en conséquence avant d'appliquer la formule de prédiction.
4. Procédez comme indiqué précédemment, analysez les résultats et déterminez l'impact de ce traitement manquant. En cas de consensus, vous pourriez conclure que l'absence de ce traitement n'est pas problématique. En cas de désaccord, des données supplémentaires seront probablement nécessaires. Faut-il alors relancer l'expérience avec ce traitement manquant ? Dans le même espace expérimental (ou dans l'espace expérimental projeté) ? Si vous relancez l'expérience, un quatrième effet de bloc est introduit ; faut-il alors relancer un autre traitement pour « calibrer » cet effet ?
