A : Les différents critères d'optimalité couvrent l'espace de conception différemment. Vous pouvez voir une comparaison entre la couverture de l'espace de conception optimal D et I dans le
A : Dans une conception avec des termes de modèle spécifiés, vous pouvez estimer les effets de mélange non linéaires avec interactions et
termes cubiques de Scheffé. Q : Comment prend-on en compte les sous-composants d'un ingrédient (matière première) dans la formulation d'un mélange ? Par exemple, un ingrédient composé de deux sous-composants ?
A : Il existe plusieurs façons d'intégrer cela dans un modèle. Si vous avez un mélange de composants A, composé des composants a1 et a2, vous pouvez inclure un facteur continu décrivant le rapport a1/a2.
Q : Dans cet exemple, avez-vous également besoin de l'effet principal du temps de vérification ?
A : Lorsque vous incluez une interaction facteur de processus/facteur de mélange, l'effet principal du facteur de processus est supprimé du modèle.
Q : Pourriez-vous commenter les modèles d’analyse utilisés pour le remplissage d’espace et les cubiques de Scheffé ? J’avais cru comprendre que les modèles linéaires classiques ne convenaient pas et qu’il fallait utiliser des modèles gaussiens ou autres.
A : Lorsque vous spécifiez les termes du modèle (y compris les interactions à deux facteurs ou la fonction cubique de Scheffé) dans votre plan d'expérience, vous pouvez utiliser les méthodes de modélisation linéaire par moindres carrés classiques. Si vous générez un plan d'expérience à remplissage d'espace, vous devrez peut-être utiliser d'autres modèles, comme un modèle gaussien ou un réseau de neurones, ou encore une modélisation spécialisée en régression généralisée.
Q : Existe-t-il un moyen simple de voir comment l'augmentation de mon budget d'exécution améliorerait la rigueur statistique ou la puissance du modèle ?
A : La puissance des plans d'expériences de mélange est difficile à estimer en raison des facteurs corrélés. La couverture de l'espace de conception permet de visualiser ce phénomène. Elle consiste à déterminer si les points de votre plan sont répartis dans les régions où vous souhaitez placer l'information.
Q : Est-ce que JMP utilise du pseudo-codage en interne, ou faut-il le spécifier quelque part ?
R : JMP le permet. Dans les informations de colonne, vous pouvez spécifier le type de pseudo-codage. Si vous analysez une expérience qui n'a pas été réalisée dans JMP, vous devrez vous assurer que les propriétés de la colonne sont correctement configurées.
Pseudo-codage géré par JMP.JPG
Q : Comment avez-vous demandé au logiciel de sélectionner les facteurs permettant d'obtenir le pain le plus haut ?
A : Sous le triangle rouge du profileur de prédiction, je définis les désirabilités, puis à partir du triangle rouge, je maximise la désirabilité.
Q : Pourquoi conservez-vous les interactions dans le résumé des effets avec une valeur p de 0,7 ?
A : Nous utilisons le modèle tel quel, sans le modifier. Vous pouvez bien sûr ajouter ou retirer des termes pour observer l'impact sur votre analyse.
Cependant, étant donné la forte corrélation entre les termes du modèle, vous pourriez choisir de conserver ceux qui ne semblent pas significatifs et de les valider par des expériences de confirmation.
Q : Comment visualiser les espaces de conception de mélanges comportant plus de trois composants ?
A : Ces résultats sont généralement visualisés à l'aide de diagrammes ternaires, dont deux des trois sommets représentent les composants individuels et le troisième sommet la somme de tous les autres composants. Voici un exemple tiré de l'expérience de formulation de lubrifiant présentée dans « Strategies for Formulations Development, A Step-by-Step Guide Using JMP » (Snee et Hoerl, 2016). Observez le premier diagramme ternaire en haut : Autres = % Acide B + % Acide C.
Ternary Plot Example Snee and Hoerl Exemple de diagramme ternaire Snee et Hoerl
Voici une courte vidéo qui explique comment visualiser les espaces de conception pour les mélanges comportant plus de trois composants.
Ressources
Conception des expériences