J'utilise la fonction de conception de choix du DOE pour créer un plan d'expérience de choix discret. Je souhaite interdire certaines combinaisons de niveaux d'attributs car elles n'ont pas de sens et afin de réduire la charge cognitive des répondants. (Par exemple, interdire la combinaison « aucun emploi perdu » et « 8 ménages sur 10 rencontrent des difficultés financières »).
Je sais que l'option de plan d'expériences personnalisé autorise les combinaisons interdites, mais je souhaite néanmoins pouvoir utiliser la matrice moyenne/variance a priori, comme le permet l'option « plan de choix ». Il me semble que l'utilisation de ces distributions a priori est impossible dans le plan d'expériences personnalisé et que les combinaisons interdites ne sont pas possibles dans l'onglet « plan de choix ». Existe-t-il un moyen d'interdire certaines combinaisons tout en conservant la possibilité d'utiliser ma matrice moyenne/variance a priori ?
Bonjour @jlynn21 , vous avez raison de souligner les fonctionnalités limitées de JMP (version 19.x). Malheureusement, seul le module « Choix » permet d'intégrer ces a priori, mais la gestion des combinaisons interdites n'est pas prise en charge actuellement (d'après mes recherches et tests). Je vous encourage vivement à soumettre une suggestion à ce sujet sur la liste de souhaits de JMP (Communauté des utilisateurs de JMP ) ! Je continue mes recherches et vous tiendrai informé(e) de toute suggestion supplémentaire. Vous pouvez également générer votre ensemble de candidats et utiliser le filtrage des tables de données (JMP 19 offre des améliorations à ce niveau) ou le script JSL pour filtrer les lignes concernées par les combinaisons interdites.
Salut @jlynn21 ,
@PatrickGiuliano vous a déjà informé de l'état actuel de la plateforme et de ses options.
Les plans de choix peuvent être considérés comme un sous-ensemble spécifique des plans factoriels fractionnaires, avec uniquement des facteurs catégoriels, un blocage/groupement des expériences (pour créer des ensembles de choix), une réponse de choix discrète et souvent certaines contraintes (par exemple le nombre de facteurs/attributs qui peuvent changer dans un sous-ensemble d'expériences/ensemble de choix).
Concernant votre situation, je pense qu'il y a encore deux options à envisager pour vous aider (qui peuvent être combinées) :
- Utilisez la plateforme de plans d'expérience personnalisés et, en fonction des informations dont vous disposez déjà concernant votre étude précédente, appliquez un critère d'optimalité A avec des pondérations de paramètres d' optimalité A afin de privilégier les effets dont vous souhaitez réduire la variance. Vous pouvez également spécifier directement dans la plateforme les combinaisons interdites (par filtrage ou script).
- Si vous disposez déjà d'un plan d'étude/de choix antérieur, utilisez-le et la plateforme Conceptions Augmentées . Ainsi, les informations de votre plan précédent seront conservées et l'augmentation permettra d'estimer plus précisément les effets (avec un critère d'optimalité D ou A, et la possibilité d'ajouter des pondérations aux paramètres d'optimalité A).
J'espère que cette solution de contournement pourra vous aider.
Pour donner un peu plus de contexte aux approches proposées ici :
1. Utilisez la plateforme de plans d'expérience personnalisés et, en fonction des informations dont vous disposez déjà concernant votre étude précédente, appliquez un critère d'optimalité A avec des pondérations de paramètres d'optimalité A afin de privilégier les effets dont vous souhaitez réduire la variance. Vous pouvez également spécifier directement dans la plateforme les combinaisons interdites (par filtrage ou script). L'ajout d'un bloc aléatoire peut faciliter la création d'ensembles de choix de la taille souhaitée.
Cela pourrait fonctionner, mais seulement si vous acceptez de ne pas utiliser vos informations antérieures et de supposer que l'utilité est identique pour tous les profils (c'est-à-dire que les paramètres bêta/d'utilité sont tous nuls). Sous cette hypothèse, la matrice d'information d'un plan à choix discret est équivalente à celle d'un plan par blocs (appelé plan à utilité neutre dans l'article joint).
Ainsi, selon l'approche 1, vous pouvez utiliser la fonction de blocage aléatoire dans la conception personnalisée pour créer des ensembles de choix de taille égale, tout en intégrant leurs contraintes.
2. Si vous disposez déjà d'une étude/d'un plan de choix antérieur, utilisez-le et la plateforme Conceptions Augmentées . Ainsi, les informations de votre plan précédent seront conservées et l'augmentation permettra d'estimer plus précisément les effets (avec un critère d'optimalité D ou A, et la possibilité d'ajouter des pondérations aux paramètres d'optimalité A).
Cela fonctionnerait également, à condition que vous acceptiez de ne pas utiliser vos connaissances préalables sur les paramètres d'utilité, et donc que vous supposiez une utilité identique pour tous les profils. D'une certaine manière, vous intégrez ces connaissances (indirectement) puisque vous exploitez votre conception existante (créée à partir de ces paramètres d'utilité), mais vous supposez une utilité identique pour tous les profils lors des simulations augmentées.
En d'autres termes, l'intégration des connaissances a priori serait indirecte, car sans fournir explicitement les informations a priori sur les paramètres d'utilité, il serait difficile de garantir l'équilibre des utilités des options au sein des ensembles de choix enrichis. Les essais enrichis seraient sélectionnés pour compléter le dispositif existant (c'est-à-dire en tentant d'obtenir une réplication égale des combinaisons de facteurs, etc.), mais l'équilibre des utilités par rapport aux paramètres d'utilité ne serait pas garanti.
