Screening Designs and Design Evaluation - Montgomery PT 2

Machine Translated by Google
Conceptions de criblage et
Évaluation de la conception
Bradley Jones
Sciences de l'épreuve
avril 2017
Copyright © 2008, SAS Institute Inc. Tous droits réservés.

Faits statistiques de la vie
1. Tous les processus réels connaissent une variabilité
2. Les modèles statistiques sont des approximations

Quel est le but de concevoir des expériences ?
Modèle > Conception
Buts
1. Rendre la variance des inconnues dans un modèle aussi petite que possible
2. Éviter les biais dans les estimations des inconnues.
Visualisation du biais et de la variance

Qu'estce qui fait qu'un design est bon ?
1. Faible variance des coefficients.
2. Faible variance des réponses prédites.
3. Crénelage minimal des termes dans le modèle à partir d'effets

probables qui ne sont pas dans le modèle (0,5 ou moins).
4. Les effets probables qui ne sont pas dans le modèle ne sont

pas confondus (des corrélations plus petites sont meilleures).
Les deux premiers traitent de la variance – les deux derniers du biais.

Réduire la variance et les biais sont des objectifs fondamentaux.
Comment réduire la variance en utilisant le design
1. Répliquer ou ajouter des passages à une conception
2. Pour les facteurs continus, augmentez la plage entre les réglages haut et
bas
3. Utilisez le blocage, c'estàdire exécutez votre expérience

dans des groupes homogènes d'exécutions
4. Réduire ou éliminer la corrélation entre les facteurs

Comment réduire les biais grâce au design
1. Randomiser l'ordre d'exécution
2. Évitez de confondre
Démonstration de variance/biais JMP

Sommaire
1. La variance et le biais sont des critères fondamentaux pour

évaluer les conceptions.
2. Les expériences conçues visent à réduire la variance ou

à la fois la variance et le biais par rapport aux tests par essais
et erreurs.
Dépistage ou recherche des « quelques facteurs vitaux » importants
Expériences de dépistage
Buts
1. Définir le dépistage
2. Introduire trois types de conception de dépistage avantages et inconvénients
3. Comparez une conception de dépistage de manuel à une conception moderne.

Qu'estce qu'une expérience de dépistage ?
Une utilisation majeure des factorielles fractionnaires est dans les expériences de
dépistage des expériences dans lesquelles de nombreux facteurs sont pris en
compte et l'objectif est d'identifier les facteurs (le cas échéant) qui ont des effets importants.
Montgomery, DC (2005) Conception et analyse des expériences, Wiley, New York, page 283.
En savoir plus sur les expériences de dépistage
Les expériences de dépistage impliquent généralement de nombreux facteurs (>5)
1. Traditionnellement, chaque facteur a deux niveaux.
2. Le modèle a priori est soit des effets principaux uniquement, soit des effets
principaux plus des interactions à deux facteurs.
3. Le nombre d'essais expérimentaux est réduit pour les rendre peu

coûteux et rapides.
4. Les expériences de criblage sont les applications industrielles les plus

courantes.
Dans les expériences de dépistage des facteurs…
Nous commençons avec peu de connaissances préalables et un grand

ensemble initial de facteurs potentiels influençant la réponse
Notre objectif est d'identifier le plus petit ensemble de facteurs actifs.
Objectif principal : identifier les effets principaux actifs (EM)
Objectif secondaire : identifier quelques effets actifs de 2e ordre

Qu'estce qui rend un facteur important ?
1. Avoir un effet principal important

2. Être impliqué dans un effet d'interaction à deux facteurs
3. Avoir un effet non linéaire important
Hypothèses de dépistage typiques
Rareté des effets – moins de la moitié des facteurs seront actifs.
Hiérarchie des effets effets principaux plus importants et plus probables que l'
effet de 2ème ordre
Hérédité des effets les interactions à deux facteurs sont beaucoup plus probables
si les deux effets principaux sont actifs
Article de soutien dans Complexité (2006)

Méthode de l'article de complexité et résultats
Plans factoriels complets de trois à sept facteurs
113 ensembles de réponses réanalysées pour vérifier les hypothèses de sélection
Résultats:
1) Le pourcentage d'effets principaux était de 41 %
2) Les effets principaux sont en moyenne deux fois plus importants et trois fois plus nombreux que les 2FI
3) Le pourcentage de 2FI était de 11 % dans l'ensemble
4) Pourcentages conditionnels
1) Les deux effets principaux actifs

33 % 2) Un effet principal actif 4,5 %
3) Aucun effet principal actif 0,5 %
Nombre de 2FI actifs environ 1/3 du nombre

de ME actifs
Donc, s'il y a 6 facteurs, par exemple, vous vous

attendez à 2 ou 3 effets principaux actifs et un ou deux 2FI
Conceptions de criblage traditionnelles
Résolution III Factoriel fractionnaire
Résolution IV Factoriel fractionnaire
PlackettBirman
L'expérience industrielle indique que la plupart des conceptions ne

sont pas reproduites. Les contraintes budgétaires limitent le nombre
autorisé d'exécutions.
Un graphique pour une comparaison rapide des conceptions
Le graphique des cellules de corrélation…
1. Les cellules hors de la diagonale sont blanches pour les effets orthogonaux 2. Les effets
confondus sont colorés en noir
3. Plus la corrélation est grande, plus la cellule est sombre

Graphiques cellulaires de 4 conceptions de dépistage pour 6 facteurs

Caractéristiques de conception souhaitables
orthogonalité des ME,
orthogonalité des ME et des 2FI,
orthogonalité des 2FI entre eux,
petit tirage
Problèmes avec les conceptions de criblage standard

Les plans factoriels fractionnaires de résolution III confondent les effets principaux
avec les interactions à deux facteurs et les interactions à deux facteurs entre eux.
Orthogonal
Principaux effets A = QUOI
BC = FE
Conséquences possibles
1. Une interaction active à deux facteurs peut faire paraître son effet principal confondu
insignifiant alors qu'elle est réellement active.
2. À l'inverse, une interaction active à deux facteurs peut faire paraître son effet
principal confondu significatif alors qu'il ne l'est pas.
3. Les interactions actives à deux facteurs ne sont généralement pas identifiables de

manière unique.
Problèmes avec les conceptions de criblage standard

Les plans orthogonaux non réguliers tels que les plans de PlackettBurman ont
un «crénelage complexe» des principaux effets par des interactions à deux
facteurs. Les interactions à deux facteurs sont également corrélées.
Principaux
Effets principaux
effets corrélés avec
orthogonaux Deux facteurs
Interactions
Deux facteurs
Interactions
corrélées entre
elles
Conséquences possibles
1. Une interaction active à deux facteurs peut faire paraître son effet principal
corrélé insignifiant alors qu'elle est réellement active.
2. À l'inverse, une interaction active à deux facteurs peut donner l'impression

que son effet principal corrélé est significatif alors qu'il ne l'est pas.
Problèmes avec les conceptions de criblage standard Les conceptions

factorielles fractionnaires de résolution IV confondent les interactions à deux
facteurs les unes avec les autres.
Effets principaux
Orthogonal orthogonaux à
Principaux effets Deux facteurs
Interactions
Deux facteurs
Les interactions se
confondent les unes
avec les autres.
Conséquence possible
Une interaction active à deux facteurs peut ne pas être identifiable de manière unique, de
sorte que d'autres analyses peuvent être nécessaires pour résoudre les effets actifs.
Autres problèmes avec les conceptions de criblage standard
1. L'ajout de points centraux pour détecter la courbure fonctionne

mais n'identifie pas les facteurs responsables.
2. Le blocage est restrictif – le nombre de blocages ne peut

être une puissance de deux.
Énigme du dépistage – trop d'effets potentiels
Nombre de facteurs Nombre d'interactions à deux facteurs
6 15
sept 21
8 28
9 36
dix 45
Les interactions à deux facteurs sont importantes, mais pour les

scénarios de dépistage standard, il y en a tellement qu'il est trop coûteux
de les estimer toutes.
Exemple de conception de criblage
Scénario
1. Il y a 6 facteurs.
2. Le modèle comprend tous les effets principaux.
3. Budget pour 12 essais expérimentaux.

Données d'ingénierie avec réponses
Exécuter Méthanol Éthanol Propanol Butanol pH 1 0 0 Temps Rendement

0 dix 1
(mg) 6 10,94
2 0 10 0 9 1 15,79
3 0 10 0 0 10 9 2 25,96
4 dix dix dix 0 6 1 35,92
5 0 0 dix 0 6 2 22,92
6 0 dix dix dix 6 1 23.54
7 10 10 0 0 6 47,44
8 10 0 0 0 9 21 19,80
9 dix 0 dix dix 9 1 29.48
dix 0 0 dix 0 9 2 17.13
11 dix dix dix dix 9 2 43,75
12 dix 0 0 dix 6 2 40,86
Bie, Xiaomi, et. Al. "Le dépistage des principaux facteurs affectant l'extraction de la substance antimicrobienne
"
de Bacillus sp. fmbJ utilisant la méthode Plackett–Burman Microbiology & Biotechnology (2005) Revue21mondiale de
: 925–928
Springer 2005
Principal – Modèles d'effets
Tous les effets principaux Modèle en papier publié
Les chercheurs ont supprimé deux effets principaux qui n'étaient

pas statistiquement significatifs.
Copyright © 2008, SAS Institute Inc. Tous droits réservés.
Démonstration de conception de criblage JMP
Tous les modèles d'effets principaux

Tutoriel de conception de criblage définitif
1. Qu'estce qu'un plan de dépistage définitif (DSD) ?
2. DSD basés sur la matrice de conférence
3. Analyser les DSD
4. Ajout de facteurs catégoriels à deux niveaux
5. Schémas de blocage pour les DSD

Un exemple de dépistage à six facteurs
L'expérimentateur a six facteurs à étudier et s'inquiète des interactions à

deux facteurs
Ne peut se permettre que 12 courses
Conseils standard : plan PlackettBurman à 12 passages.
Mais la conception PB a un crénelage entre les effets principaux et les 2FI
Il est possible de créer une conception optimale d'alias où les

effets principaux sont complètement indépendants des 2FI
36
Conception optimale Alias, gardant l'efficacité D> 91%
Efficacité D : 92 % par rapport à la conception orthogonale
Coût : 10 % d'intervalles de confiance plus longs pour les ME
37
Matrice d'alias :
pouvonsnous nous débarrasser des types non nuls de la ligne 1 ?
38
Réponse : Oui, abaissez la contrainte d'efficacité D à 85 %

Nouvelle Conception 1 Nouvelle Conception 2
Efficacité D : 92 % Efficacité D : 85 %
(Non orthogonal) (Orthogonal)
"Taille" de la matrice d'alias = 6/9 "Taille" de la matrice d'alias = 0
39
Quelques faits intéressants sur le design 2
Chaque paire de lignes se reflète

(paires repliées).
Exactement un point central dans chaque

Cours.
L'efficacité D est de 85 %.
La taille de A est zéro, donc la matrice d'alias est
entièrement composée de zéros !
Hé, structure assez cool!
40
OK, bon résultat pour six facteurs

Cela fonctionnetil pour un certain nombre de facteurs ?
La structure repliée garantit A = 0 (je le montrerai plus tard)
Ainsi, tous les effets principaux ne seront pas biaisés par des interactions actives
Les points centraux de chaque ligne garantissent votre capacité à estimer les effets
quadratiques pour tous les facteurs
Si nous imposons cette structure, nous avons la garantie d'un beau design si nous
choisissons soigneusement les entrées plus ou moins une
Peut ne pas être orthogonal, cependant
41
Structure de conception pour les conceptions de criblage définitives
42
JOURNAL DE LA TECHNOLOGIE DE QUALITÉ , VOL. 43, NON. 1, QICID : 33051, janvier 2011, p. 115
43
Propriétés de conception
1. Le nombre d'essais requis n'est que de un plus du double du

nombre de facteurs.
44
1. Le nombre d'exécutions requises n'est que d'un plus du double du

nombre de facteurs.
2. Contrairement aux plans de résolution III, les effets principaux sont

totalement indépendants des interactions à deux facteurs.
45
1. Le nombre d'essais requis n'est que de un plus du double du nombre de facteurs.
2. Contrairement aux plans de résolution III, les effets principaux sont

totalement indépendants des interactions à deux facteurs.
3. Contrairement aux plans de résolution IV, les interactions à deux facteurs ne

sont pas complètement confondues avec d'autres interactions à deux
facteurs, bien qu'elles puissent être corrélées
46
1. Le nombre d'essais requis n'est que de un plus du double du nombre de facteurs.
2. Contrairement aux plans de résolution III, les effets principaux sont totalement
indépendants des interactions à deux facteurs.
3. Contrairement aux plans de résolution IV, les interactions à deux facteurs ne sont
pas complètement confondues avec d'autres interactions à deux facteurs, bien
qu'elles puissent être corrélées
4. Contrairement aux plans de résolution III, IV et V avec points centraux ajoutés,

tous les effets quadratiques peuvent être estimés dans des modèles
composés d'un nombre quelconque de termes d'effets principaux linéaires
et quadratiques.
47
Propriétés de conception (suite)

5. Les effets quadratiques sont orthogonaux aux effets principaux et non
complètement confondu (bien que corrélé) avec les effets d'interaction.
48

6. Avec six facteurs ou plus, les plans sont capables de

estimer tous les modèles quadratiques complets possibles impliquant
trois facteurs ou moins avec des niveaux très élevés d'efficacité statistique.
49

6. Avec six facteurs ou plus, les plans sont capables de

estimer tous les modèles quadratiques complets possibles impliquant
trois facteurs ou moins avec des niveaux très élevés d'efficacité statistique.
7. Les plans pour 4, 6, 8 et 10 facteurs sont orthogonaux.
50
Le dépistage à trois niveaux présente des avantages distincts
1. Le monde n'est pas linéaire !
2. Nous pouvons inclure les paramètres

actuels dans les expériences où nous
évaluons l'impact des augmentations
et des diminutions sur les « meilleurs »
paramètres actuels.
3. Nous pourrons peutêtre filtrer et

optimiser d'un seul coup.
51
Résumé : Pourquoi les DSD sontils "définitifs ?"
Les DSD sont « définitifs » dans le sens où :
Les effets principaux sont exempts d'interactions à deux facteurs
Les effets quadratiques sont tous estimables
Les interactions à deux facteurs ne sont pas liées aux interactions

à deux facteurs, par conséquent, aucun travail de suivi n'est nécessaire
pour résoudre le problème de confusion.
Vous pourrez peutêtre faire le dépistage et l'optimisation en une seule étape
52
Une expérience de gravure au laser
Première expérience :
De facile à lire,
Pas si facile à
lire
Facteurs et plages….
Plages de facteurs
Les facteurs Niveau faible Haut niveau
Marquer la vitesse 8 15
La fréquence 1 5
Pourcentage de puissance 15 55
Répétitions 1 5
Humidité 5% 15%
Plastique 1 3
Approche standard 1 :
Résolution IV Plan factoriel fractionnaire
2 Plan factoriel fractionnaire résolution 62 IV
Nombre de passages requis : 16
Paramètres de processus résultant :
Vitesse = 15 (Haute)
Fréquence = 5 (faible)
Puissance = 55 % (Élevée)
Meilleur score de processus : 6,31
55
Approche standard 2 :
Conception de surface de réponse composite centrale (CCD)
CCD est une factorielle fractionnaire de résolution V (32 passages) avec 2m = 12 passages ajoutés pour permettre
l'estimation de toutes les courbures plus un passage global de valeur centrale (donc n = 45).
12 pistes supplémentaires :
56
Résultats du CCD 45run
Nombre d'exécutions requises : 45
Répétitions = 1 (faible)
Humidité = 5 (faible)
Puissance = 39,78 % (optimum)
Plastique = 1,83 (Optimum)
57
Nouvelle approche : Conception de dépistage définitif
DSD avec tous les facteurs continus
Nombre d'exécutions requises : 13
Puissance = 38,31% (optimale)
58
Comparaison des conceptions
Nombre de facteurs Meilleur résultat de réglage

Concevoir Courses actifs trouvés de processus (plus petit est
Résolution IV FF 16 3 meilleur) 6.31
Composite central RSD 45 6 1.8

DDS 13 3 1,74
59
Vérification effectuée avec les paramètres optimaux DSD
60
Pourquoi le DSD atil si bien réussi ?
Il y avait un grand effet quadratique pour Power
La conception de dépistage à deux niveaux n'a pas pu détecter ce
La conception de la surface de réponse CCD l'a trouvé.
Le DSD l'a trouvé.
Le DSD a également bien fonctionné avec seulement 13 exécutions en raison

de la rareté seulement cinq effets actifs.
61
Vue d'ensemble Conceptions de criblage définitif
3. Analyser les DSD

Approche « Matrice de conférence »
Une matrice carrée mxm C avec 0 diagonale

et +1 ou 1 hors diagonale telle que :
C TC = (m 1)Im´m
Venu du domaine de la téléphonie.

Matrice de conférence d'ordre 6
C=
Voici le résultat étonnant (pour beaucoup même m):
Former la matrice augmentée :
et
+C tue
ré =
est le
C
êû0
…et vous obtenez un plan de criblage définitif orthogonal (Doptimal pour

les effets principaux) ! Pas besoin de calculer !
Les DSD basés sur la matrice de conférence n'existent

pas pour les valeurs impaires de m
m n
Les tailles de conception possibles (n) sont :
6 13
8 17
dix 21
Comme PlackettBurman, les conceptions sont 12 25
disponibles par étapes de quatre, à l'exception de m 14 29
= 22. 16 33
18 37
20 41
ND ND
24 49
26 53
28 57
30 61
Que faire si m est impair
Les DSD existent pour m impair, mais ils ne sont pas orthogonaux pour les effets principaux
Pour m impair :
1. Ajoutez un faux facteur pour que m' = m + 1 soit pair
2. Construire le DSD pour m + 1 colonnes
3. Supprimez maintenant la colonne du faux facteur
4. Le résultat est un DSD orthogonal à facteur m avec n = 2(m + 1) + 1
Vous obtenez une conception orthogonale pour le prix de 2 passages supplémentaires
67
Mise en garde : en de rares occasions, vous devrez peut

être ajouter 4 exécutions (ou plus) lorsque m est impair
Il se peut qu'il n'y ait pas de solution matricielle de conférence pour m + 1 facteurs
Besoin d'aller au nombre pair supérieur suivant (m + 3)
Obtenez maintenant le DSD orthogonal pour m + 3 facteurs
Supprimez les 3 colonnes de faux facteurs
Le seul moment où cela se produit pour m < 30 est m = 21. (Il n'y a pas de matrice de
conférence 22 par 22)
En général, si nous ajoutons k fausses colonnes pour arriver à la prochaine

plus petite conception de matrice de conférence, le coût est de 2k exécutions
JMP l'utilise pour toujours produire des DSD orthogonaux
Exemple m = 12, n = 2m + 1 = 25 (démo)

Exemple : m = 7, n = 2(m + 1) + 1 = 17 (démo)
Exemple : m = 21, n = 2(m + 3) + 1 = 49 (démo)
La puissance peut être augmentée en ajoutant de faux facteurs
Exemple
L'expérimentateur a m = 10 facteurs
DSD nécessitera 2m + 1 = 21 courses
Supposons qu'une analyse de puissance indique que n = 32 exécutions sont nécessaires

pour obtenir la puissance requise
Par conséquent, 11 passages supplémentaires sont nécessaires
L'utilisation de k = 6 faux facteurs se traduira par un 2(m+k) + 1 = 33 run DSD
Créez la conception basée sur 16 facteurs et supprimez six colonnes

Démo JMP
DSD à 10 facteurs sur 33 séries

Résumé des DSD de la matrice de conférence
Sujets que nous avons abordés :
Construire des DSD à l'aide de matrices de conférence
Avantages des « faux » facteurs
Nous montrons des avantages plus frais dans la section d'analyse !
Recommandation : Utilisez la construction de matrices de conférence, sauf si vous avez un
nombre impair de facteurs et que les exécutions sont coûteuses

Aperçu du didacticiel
3. Analyser les DSD

Idée la plus simple Ajuster le modèle d'effets

principal (linéaire)
Avantages :
MEs impartiaux vous pouvez croire les estimations

de coefficient
Ajuster le modèle d'effets principaux
Désavantages:
Estimation de s gonflée avec des 2FI forts ou des effets

quadratiques
Peut donner l'impression que les ME actifs ne sont pas

statistiquement significatifs.
Vous ne pouvez pas croire la norme de coefficient

les erreurs.
Idée d'analyse #2 Utiliser la régression pas à pas
Avantages :
Outil d'analyse standard
Facile à faire dans JMP

Procédure
Spécifier le modèle de surface de réponse

Utiliser la sélection de variable directe basée sur le critère AICc
77
Le modèle complet du second ordre (RSM)
Le modèle de surface de réponse (RSM) est le modèle composé de :
1. Le terme d'interception.
2. Tous les principaux effets linéaires (pour m facteurs, il y en a m)
3. Tous les principaux effets quadratiques (courbure) (m de ceuxci)
4. Toutes les interactions à deux facteurs [il y en a m(m1)/2 ]
Nombre de termes dans le RSM complet :
1 + 2m + m(m1)/2 = (m+1)(m+2)/2
78
Exemple : RSM à six facteurs (m = 6)
1. Terme constant
2. m = 6 effets linéaires principaux : X1 , X2 , X3 , X4 , X5 , X6

2 2 2 2 2 2
3. m = 6 effets quadratiques principaux : X1 4. , X2 , X3 , X4 , X5 , X6
m = m(m1)/2 = 15 interactions à deux facteurs :
X1X2 X1X3 X1X4 X1X5 X1X6

X2X3 X2X4 X2X5 X2X6 Le total est de 1 + 6 + 6
X3X4 X3X5 X3X6 + 15 = 28 modèles
X4X5 X4X6 termes
X5X6
79
Problème!
Le nombre de termes du modèle (28) est supérieur au nombre d'exécutions

dans le DSD (13).
Conséquences de n = 13 :
• Nous ne pouvons pas adapter le RSM complet
• Nous pouvons estimer au plus 13 termes du modèle
80
Une solution : utiliser la sélection progressive vers l'avant
Hypothèse de parcimonie : tous les effets ne sont pas actifs
Nous espérons que le nombre d'effets actifs est nettement inférieur au nombre
d'exécutions.
OK, quels effets sont actifs, lesquels ne le sont pas ?
Utilisez une procédure progressive pour découvrir
Je préfère minimiser le critère AICc pour décider quand arrêter.

Des études de simulation montrent qu'il réussit mieux à trouver les effets actifs
lors de l'analyse de données avec un petit nombre d'exécutions.
81
Résumé DSD (jusqu'à présent)
Conceptions de criblage définitive :
1. Facile à générer dans JMP
2. Permet des conceptions de criblage à trois niveaux
3. Les principaux effets linéaires sont indépendants (non biaisés par) les
interactions à deux facteurs, si elles existent
4. Peut s'adapter à des modèles de type surface de réponse à l'aide

d'une régression pas à pas (règle d'arrêt minimale AICc).
5. Possibilité de filtrer et d'optimiser en une seule étape

Limites des DSD

Aucun design ne peut tout faire d'un seul coup. Les DSD ne font pas exception.
Les limitations incluent :
1. Décompose pas à pas s'il y a plus d'environ n/2 termes actifs dans le modèle
Par exemple, pour six facteurs, m = 13, s'il y a plus d'environ 6 termes actifs,
stepwise a du mal à trouver le bon modèle.
Généralement bon seulement s'il n'y a que quelques interactions à deux

facteurs et/ou effets quadratiques
2. La puissance est faible pour trouver des effets quadratiques modérés. La

l'effet quadratique doit être important (3 sigma) pour avoir une puissance
élevée (>0,9).
83
Faire face aux limites

1. Si de nombreux termes semblent être actifs :
Augmentez le DSD pour identifier les interactions et les termes quadratiques.
2. Exécutez un DSD avec plus que la taille d'exécution minimale (suivant)
84
Publié en ligne
85
Idée d'analyse #3 Nouvelle méthode
Étant donné que les effets principaux et les effets de second ordre sont
orthogonaux, vous pouvez diviser la colonne de réponse (Y) en deux nouvelles
colonnes.
Une colonne pour identifier les effets principaux appelezla YME
Une colonne pour identifier les effets de 2e ordre appelezla Y2nd
Les deux colonnes sont orthogonales et leur somme est Y.
86
Calcul des nouvelles réponses
1. Ajustez le modèle d'effets principaux (No Intercept) et enregistrez le

valeurs prédites (YME). Ce sont les réponses pour le modèle des
effets principaux.
2. Enregistrez les résidus de l'ajustement cidessus ces résidus sont les

réponses pour les effets de 2ème ordre (Y2nd).
87
Digression : avantages des facteurs « faux »
L'ajout de faux facteurs (facteurs que vous n'utilisez pas) fournit un moyen d'estimer
la variance sans répéter les courses centrales !
Pourquoi?
Les facteurs fictifs sont orthogonaux aux facteurs réels Les
facteurs fictifs sont orthogonaux à tous les effets de 2ème ordre En
supposant que les effets de 3ème ordre et plus sont négligeables, nous pouvons
utiliser les degrés de liberté des faux facteurs pour créer une estimation non
biaisée de la variance d'erreur !
Remarque : Utilisez à la fois les facteurs réels et factices lors de l'ajustement

du modèle d'effets principaux à l'étape 1 de la diapositive précédente.
88
Exemple : Six facteurs réels et deux faux facteurs
Ajoute 4
exécutions
2 erreurs df
89
Exemple de corrélations de colonnes
Corrélations
Oui Y2nd AMJ
Oui 1.0000 0,7828 0,6223
Y2nd 0,7828 1.0000 0,0000
AMJ 0,6223 0,0000 1.0000
Notez que les deux nouvelles réponses sont orthogonales

l'une à l'autre.
90
Examen de la réponse des effets principaux (YME)
Notez les réponses pour chaque somme de paires repliées à zéro.
La réponse pour la course centrale est zéro.
Il y a 17 lignes mais seulement 8 valeurs indépendantes
(degrés de liberté – df)
Il y a 6 facteurs réels mais 8 df, donc il y a
2
8 – 6 = 2 df pour estimer s
91
Examen de la réponse de 2e ordre (Y2nd)
Les réponses pour chaque paire repliée sont les mêmes.
Il y a 17 lignes mais seulement 9 valeurs indépendantes
(degrés de liberté – df)
Après estimation de l'ordonnée à l'origine, il reste 8 dl pour

estimer les effets de second ordre.
92
Analyse Identifier les principaux effets actifs
1. Rappelezvous que les résidus de l'ajustement des données des effets principaux
aux facteurs réels ont 2 degrés de liberté.
2. Pour estimer s 2
, additionnez les carrés des résidus de cet ajustement et
divisez le résultat par 2.
3. En utilisant cette estimation, faites des tests t de chaque coefficient
4. Si la valeur p résultante pour un effet est petite (<0,05 disons),

conclure que l'effet est actif.
93
Digression : hypothèse d'hérédité du modèle
L'hypothèse d'hérédité stipule que les effets de second ordre ne se produisent

que lorsque les effets principaux associés sont actifs.
Exemple 1 : Si les effets principaux A et B sont dans le modèle, vous

pouvez considérer l'interaction à deux facteurs AB
Exemple 2 : B doit être dans le modèle avant de considérer l'effet

quadratique B2
Bien qu'il n'y ait pas de loi physique exigeant que les modèles présentent
l'hérédité, il existe des preuves empiriques que de tels modèles sont beaucoup
plus probables dans les systèmes réels.
94
Avantage de l'hypothèse d'hérédité

L'ensemble de modèles possibles utilisant l'hypothèse d'hérédité peut être
beaucoup plus petit que de permettre à tout effet de second ordre d'apparaître
dans le modèle
Exemple : Supposons que votre analyse des effets principaux donne 3 effets
principaux actifs (disons C, D, F). Ensuite, les termes de 2ème ordre autorisés sont
D2 , C2
CD, CF,, DF, F2
Nous avons 8 degrés de liberté et seulement 6 effets, il est donc possible

d'identifier les 6 s'ils sont actifs.
Si nous prenons en compte tous les effets de 2ème ordre, il y a 15

interactions à deux facteurs et 6 termes quadratiques – soit 21 termes en tout.
Il existe 221 ou plus de 2 millions de modèles possibles un problème de sélection

de modèle beaucoup plus difficile.
95
Analyse – Identification des effets de second ordre
Former tous les termes du 2ème ordre impliquant les effets principaux actifs
Effectuez une régression de tous les sousensembles jusqu'au point où l'EQM du

meilleur modèle de 2ème ordre pour un nombre donné de termes n'est pas
2
significativement plus grand que votre estimation de s
96
Comparaisons de simulation Nouvelle méthode vs Stepwise
Comparaison pour DSD avec 6

facteurs et 17 exécutions (soit 2 faux
facteurs)
Puissance de détection des 2FI et

Les effets quadratiques sont
beaucoup plus élevés pour la nouvelle
méthode, en particulier lorsque moins
de ME sont actifs
97
Analyse des DSD Conclusion
Stepwise avec AICc fonctionne correctement s'il y a peu d'effets actifs de 2e ordre (un ou
deux 2FI et/ou un effet quadratique)
La nouvelle méthode est désormais la méthode par défaut dans JMP 13 car elle est
plus performante que n'importe quelle autre procédure analytique existante que je
connaisse.
98
3. Analyser les DSD

DSD avec facteurs catégoriels à deux niveaux
1. Facteurs à deux niveaux : pourquoi estce un problème ?
2. Méthode de construction de la matrice de conférence
3. Un exemple concret
De nombreux problèmes de conception impliquent des facteurs

catégoriels
Exemples:
Deux opérateurs
Deux lignes de production
Médicament et placebo
Deux catalyseurs
Deux appareils
Deux matières plastiques
Etc.
Construire des DSD avec des facteurs catégoriels à deux niveaux ajoutés
1. Commencez par répéter les étapes de création d'un plan pour des facteurs continus
uniquement, sauf que vous ajoutez deux rangées de zéros au lieu d'une.
2. Remplacez les zéros dans les colonnes des facteurs de catégorie par +1 ou– deux
cas
a) Si les zéros sont les rangées de zéros ajoutées, faire tous les
facteurs catégoriels –1 pour la 1ère ligne et +1 pour la 2ème ligne.
b) Si les zéros proviennent de la matrice de conférence et de son repliement,

faites le facteur –1 pour la 1ère ligne et +1 pour la 2ème ligne.
Exemple – 4 facteurs continus et 2 facteurs catégoriels

Matrice de conférence avec pli en annexe plus deux rangées zéro.
UN B C ré ET F
0 +1 +1 +1 +1 +1
+1 0 +1 1 1 +1
+1 +1 0 +1 1 1
+1 1 +1 0 +1 1
+1 1 1 +1 0 +1
+1 +1 1 1 +1 0
0 1 1 1 1 1
1 0 1 +1 +1 1
1 1 0 1 +1 +1
1 +1 1 0 1 +1
1 +1 +1 1 0 1
1 1 +1 +1 1 0
0 0 0 0 0 0
0 0 0 0 0 0
Exemple suite…
Facteurs catégoriels modifiés (E et F) avec zéro entrée.
UN B C ré ET F
0 +1 +1 +1 +1 +1
+1 0 +1 1 1 +1
+1 +1 0 +1 1 1
+1 1 +1 0 +1 1
+1 1 1 +1 1 +1
+1 +1 1 1 +1 1
0 1 1 1 1 1
1 0 1 +1 +1 1
1 1 0 1 +1 +1
1 +1 1 0 1 +1
1 +1 +1 1 +1 1
1 1 +1 +1 1 +1
0 0 0 0 1 1
0 0 0 0 +1 +1
Propriétés statistiques – ajout de facteurs catégoriels à deux niveaux

1.Les effets principaux des facteurs catégoriels ont de petites corrélations avec d'autres facteurs.
2.Le nombre d'exécutions requises n'est que de deux plus du double du nombre de lignes dans la matrice de
conférence choisie.
3.Les effets principaux sont indépendants des interactions à deux facteurs.
4. Les interactions à deux facteurs ne sont pas complètement confondues avec d'autres interactions à deux
facteurs, bien qu'elles puissent être corrélées
5.Tous les effets quadratiques peuvent être estimés dans des modèles composés d'un nombre quelconque de
termes d'effets principaux linéaires et quadratiques.
6. Les effets quadratiques sont orthogonaux aux effets principaux et ne sont pas complètement confondus (bien que
corrélés) avec les effets d'interaction.
La bonne nouvelle est que la conception n'est

pas complètement orthogonale pour les effets principaux
ici m = 4 et c = 2
Les facteurs à deux

niveaux sont corrélés
entre eux et avec les
facteurs continus
Exemple : Extraction de solides alimentaires à partir d'arachides

en solution, n = 18
Facteur Bas Haut
1 Niveau de pH de l'eau 6,95 8.0
2 Température de l'eau 20C 60C
3 Temps d'extraction 15 40
4 Rapport eaucacahuètes 5 9
5 Vitesse d'agitation 5 000 10 000
6 Hydrolysé ? N Oui
7 Prétrempage ? N Oui
Approche classique : 273 Résolution IV FF
Problème:
Sept facteurs à deux niveaux en 16 passages.
Les effets principaux sont critiques
Des informations partielles sur les interactions à deux facteurs sont

souhaitables.
Approche standard : plan factoriel fractionnaire Résolution IV
108
Résultats JMP : Ambiguïté !
Ratio x détenus = pH x température
Rapport x Hydrolyse = Vitesse d'agitation x pH
AgitSpeed x Hydrolyse = Rapport x pH = Pression x Temp
109
Maintenant, reconcevez l'expérience en tant que DSD

avec cinq facteurs continus et deux facteurs catégoriels, n = 18
Facteur Bas Haut
1 Niveau de pH de l'eau 6,95 8.0
2 Température de l'eau 20C 60C

5 continu
3 Temps d'extraction 15 40
les facteurs 4 Rapport eaucacahuètes 5 9
5 Vitesse d'agitation 5 000 10 000
6 Hydrolysé ? N
2 catégorique
Oui
7 Prétrempage ? N Oui
les facteurs
Un DSD à niveau mixte peutil faire mieux ?
Rappelons notre conclusion : il y a trois effets d'interaction actifs,

mais impossible de les identifier !
En utilisant le même nombre d'essais (18), le plan de

dépistage définitif identifiera non seulement les mêmes effets
principaux, mais il :
• Enquêter sur toutes les courbures (en concluant qu'il n'y en a pas)
• Enquêter sur toutes les interactions et identifier définitivement les

trois interactions actives
La nouvelle méthode trouve le bon modèle.
Les quatre effets

principaux
Les trois 2fis

2. Analyser les DSD

Schémas de blocage pour les DSD
1. Solution simple
2. Implémentation dans
JMP
3. Expérience
Medtech
Construire des DSD avec des blocs orthogonaux
1. Commencez par répéter les étapes de création d'un plan pour des facteurs
continus uniquement, mais ajoutez autant de rangées de zéros qu'il y a de
blocs. Mettez la conception dans l'ordre standard.
2. Affectez la première paire repliée au 1er bloc, la 2e paire repliée au 2e bloc

et ainsi de suite jusqu'au dernier bloc, puis recommencez en affectant la
paire repliée suivante au 1er bloc.
3. Affectez chaque course centrale à un bloc séparé.

Exemple – six facteurs et deux blocs

DSD dans l'ordre standard.
UN B C ré ET F
0 +1 +1 +1 +1 +1
0 1 1 1 1 1
+1 0 1 +1 +1 1
1 0 +1 1 1 +1
+1 1 0 1 +1 +1
1 +1 0 +1 1 1
+1 +1 1 0 1 +1
1 1 +1 0 +1 1
+1 +1 +1 1 0 1
1 1 1 +1 0 +1
+1 1 +1 +1 1 0
1 +1 1 1 +1 0
0 0 0 0 0 0
0 0 0 0 0 0
Exemple de blocage 1 – six facteurs et deux blocs

DSD bloqué dans l'ordre standard.
Bloquer UN B C ré ET F
1 0 +1 +1 +1 +1 +1
1 0 1 1 1 1 1
2 +1 0 1 +1 +1 1
2 1 0 +1 1 1 +1
1 +1 1 0 1 +1 +1
1 1 +1 0 +1 1 1
2 +1 +1 1 0 1 +1
2 1 1 +1 0 +1 1
1 +1 +1 +1 1 0 1
1 1 1 1 +1 0 +1
2 +1 1 +1 +1 1 0
2 1 +1 1 1 +1 0
1 0 0 0 0 0 0
2 0 0 0 0 0 0
Exemple de blocage 2 – six facteurs et trois blocs

Bloquer UN B C ré ET F
1 0 +1 +1 +1 +1 +1
1 0 1 1 1 1 1
2 +1 0 1 +1 +1 1
2 1 0 +1 1 1 +1
3 +1 1 0 1 +1 +1
3 1 +1 0 +1 1 1
1 +1 +1 1 0 1 +1
1 1 1 +1 0 +1 1
2 +1 +1 +1 1 0 1
2 1 1 1 +1 0 +1
3 +1 1 +1 +1 1 0
3 1 +1 1 1 +1 0
1 0 0 0 0 0 0
2 0 0 0 0 0 0
3 0 0 0 0 0 0
Les schémas de blocage orthogonaux sont flexibles !!!
1. Le nombre de blocs peut aller de 2 m est le nombre de facteurs

àm m n Tailles de bloc B
4 dix 2 5 5
4 11 3 5 33
2. Exemple : DSD à 8 facteurs 4 12 4 3 333
6 ou (5) 14 (13) 2 7 (6) 7 6 ou
• Minimum : 2 blocs (5) 15 (14) 3 5 (4) 5 5 6 ou (5) 16
(15) 4 5 (4) 5 3 3 6 ou (5) 17 (16) 5 5 (4)
3 3 3 3 6 ou (5) 18 (17) 6 3 (2) 3 3 3 3 3 8 ou
• Maximum : 8 blocs (7) 18 (17) 2 9 (8) 9 8 ou (7) 19 (18) 3 7 (6) 7 5 8 ou
(7) 20 (19) 4 5 (4) 5 5 5 8 ou (7) 21 (20) 5 5 (4) 5 5
3 3 8 ou (7) 22 (21) 6 5 (4) 5 3 3 3 3 8 ou (7) 23 (22)
3. Recommandé : ajouter un zéro 7 5 (4) 3 3 3 3 3 3 8 ou (7) 24 (23) 8 3 (2) 3 3 3 3 3
33
ligne à chaque bloc pour garantir
des estimations des effets
quadratiques
Résumé du blocage
1. Développement de schémas de blocage pour des conceptions de

dépistage définitives avec ou sans facteurs catégoriques ajoutés.
2. Les effets de bloc sont orthogonaux aux effets principaux (linéaires).
3. Les schémas sont extrêmement flexibles, le nombre de blocs peut aller

de deux jusqu'au nombre de facteurs.
4. Utilisation illustrée dans l'expérience de gravure au laser et l'expérience

Med Tech, cette dernière ayant des blocs aléatoires
120
Résumé du didacticiel
Sujets abordés :
1. Aperçu de la conception du criblage
2. Introduction aux DSD Recommandation
3. Analyser les DSD
4. DSD utilisant des matrices de conférence
5. Ajout de facteurs catégoriques aux DSD
6. Blocage des DSD
Les DSD offrent des fonctionnalités qui en font les meilleurs de leur catégorie pour le dépistage.

Screening Designs and Design Evaluation - Montgomery PT 2

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Screening Designs and Design Evaluation - Montgomery PT 2

Transféré par

Droits d'auteur :

Formats disponibles

Machine Translated by Google

Copyright © 2008, SAS Institute Inc. Tous droits réservés.

Faits statistiques de la vie

1. Tous les processus réels connaissent une variabilité

2. Les modèles statistiques sont des approximations

Quel est le but de concevoir des expériences ?

Modèle ­> Conception

Visualisation du biais et de la variance

Qu'est­ce qui fait qu'un design est bon ?

1. Faible variance des coefficients.

2. Faible variance des réponses prédites.

3. Crénelage minimal des termes dans le modèle à partir d'effets

4. Les effets probables qui ne sont pas dans le modèle ne sont

Les deux premiers traitent de la variance – les deux derniers du biais.

Comment réduire la variance en utilisant le design

1. Répliquer ou ajouter des passages à une conception

3. Utilisez le blocage, c'est­à­dire exécutez votre expérience

4. Réduire ou éliminer la corrélation entre les facteurs

Comment réduire les biais grâce au design

1. Randomiser l'ordre d'exécution

Démonstration de variance/biais JMP

1. La variance et le biais sont des critères fondamentaux pour

2. Les expériences conçues visent à réduire la variance ou

Dépistage ou recherche des « quelques facteurs vitaux » importants

2. Introduire trois types de conception de dépistage ­ avantages et inconvénients

3. Comparez une conception de dépistage de manuel à une conception moderne.

Qu'est­ce qu'une expérience de dépistage ?

En savoir plus sur les expériences de dépistage

Les expériences de dépistage impliquent généralement de nombreux facteurs (>5)

1. Traditionnellement, chaque facteur a deux niveaux.

3. Le nombre d'essais expérimentaux est réduit pour les rendre peu

4. Les expériences de criblage sont les applications industrielles les plus

Dans les expériences de dépistage des facteurs…

Nous commençons avec peu de connaissances préalables et un grand

Notre objectif est d'identifier le plus petit ensemble de facteurs actifs.

Objectif principal : identifier les effets principaux actifs (EM)

Objectif secondaire : identifier quelques effets actifs de 2e ordre

Qu'est­ce qui rend un facteur important ?

1. Avoir un effet principal important

Hypothèses de dépistage typiques

Rareté des effets – moins de la moitié des facteurs seront actifs.

Article de soutien dans Complexité (2006)

Méthode de l'article de complexité et résultats

Plans factoriels complets de trois à sept facteurs

113 ensembles de réponses réanalysées pour vérifier les hypothèses de sélection

1) Le pourcentage d'effets principaux était de 41 %

3) Le pourcentage de 2FI était de 11 % dans l'ensemble

1) Les deux effets principaux actifs

Nombre de 2FI actifs environ 1/3 du nombre

Donc, s'il y a 6 facteurs, par exemple, vous vous

Conceptions de criblage traditionnelles

Résolution III Factoriel fractionnaire

Résolution IV Factoriel fractionnaire

L'expérience industrielle indique que la plupart des conceptions ne

Un graphique pour une comparaison rapide des conceptions

Le graphique des cellules de corrélation…

confondus sont colorés en noir

3. Plus la corrélation est grande, plus la cellule est sombre

Graphiques cellulaires de 4 conceptions de dépistage pour 6 facteurs

Caractéristiques de conception souhaitables

orthogonalité des ME,

orthogonalité des ME et des 2FI,

orthogonalité des 2FI entre eux,

Modèle > Conception

Qu'estce qui fait qu'un design est bon ?

3. Utilisez le blocage, c'estàdire exécutez votre expérience

2. Introduire trois types de conception de dépistage avantages et inconvénients

Qu'estce qu'une expérience de dépistage ?

Qu'estce qui rend un facteur important ?

1. Qu'estce qu'un plan de dépistage définitif (DSD) ?

Conseils standard : plan PlackettBurman à 12 passages.

3. Nous pourrons peutêtre filtrer et

Résumé : Pourquoi les DSD sontils "définitifs ?"