Interprétation des résultats principaux pour la fonction Optimisation des réponses

Suivez les étapes ci-dessous pour interpréter les résultats de la fonction Optimisation des réponses. Les résultats principaux incluent le diagramme d'optimisation, les valeurs ajustées et les intervalles de confiance.

Sur ce thème

Étape 1 : Identifier le réglage optimal de chaque prédicteur
Étape 2 : Identifiez l’estimation ponctuelle et la plage probable de chaque réponse

Étape 1 : Identifier le réglage optimal de chaque prédicteur

Utilisez le tracé d’optimisation pour déterminer les paramètres optimaux pour les prédicteurs en fonction des paramètres que vous avez spécifiés. Vous pouvez modifier les paramètres des variables directement sur le graphique en déplaçant les barres rouges verticales. La façon dont vous interagissez avec le tracé d’optimisation dépend du menu de construction du modèle.

Stat: Double-cliquez sur le diagramme d'optimisation pour le rendre interactif.
Module d'analyse prédictive: L’intrigue est toujours interactive.

Le graphique d’optimisation affiche les valeurs ajustées pour les paramètres du prédicteur. Pour un modèle de régression linéaire, examinez les intervalles de prédiction dans la sortie pour déterminer si la plage de valeurs probables pour une seule valeur future se situe dans des limites acceptables pour le processus.

Principaux résultats : Graphique d’optimisation

Pour les données d’isolation, la désirabilité composite est de 0,7750. La première colonne du graphique montre les valeurs de réponse à chaque niveau de Material, qui est une variable catégorielle. Les paramètres de variable actuels sont Material = Formula2, InjPress = 98.4848, InjTemp = 100.0 et CoolTemp = 45.0. L'objectif était de maximiser la valeur pour Isolation. Sa valeur prévue est de 25,6075 et sa désirabilité individuelle de 0,85386. La covariable, MesTemp, est incluse dans le modèle en tant que variable de bruit incontrôlable et elle est maintenue à 21,49. Les autres observations sont les suivantes :

Matériau : Les deux points de chaque cellule de cette colonne représentent les deux niveaux de la variable catégorielle : Formula1 et Formula2. Formule2 semble correspondre au meilleur matériau. Le passage à la Formule 1 diminuerait la valeur isolante et augmenterait la densité, deux éléments indésirables qui ne sont pas souhaitables. Toutefois, étant donné que le type de matériau interagit avec d’autres facteurs, cette tendance peut ne pas se confirmer dans d’autres paramètres. Déterminez si vous pouvez trouver une solution locale pour Formule1. Vous pouvez également modifier les paramètres de Formula1 directement sur le graphique en déplaçant les barres verticales.

PressInj : L’augmentation de la pression d’injection augmente les trois réponses. Par conséquent, le réglage optimal se situe au milieu de la plage (98,4848), ce qui est un compromis entre des objectifs contradictoires. L'objectif est de maximiser la valeur d'isolation, de minimiser la densité et de maximiser la puissance.

TempInj : L’augmentation de la température d’injection augmente également toutes les réponses. Cependant, l'effet sur la densité est minimal par rapport à l'effet sur la valeur d'isolation. Par conséquent, vous augmentez la désirabilité composite en maximisant la température d'injection. Les réglages optimaux de la température d’injection sont aux niveaux maximaux de l’expérience. Ce résultat suggère que vous devriez envisager d’expérimenter avec des températures plus élevées.

TempRefr : L’augmentation de la température de refroidissement augmente la valeur isolante, mais diminue à la fois la densité et la résistance. Les réglages optimaux de la température d’injection et de la température de refroidissement sont aux niveaux maximaux de l’expérience. Ce résultat suggère que vous devriez envisager d’expérimenter avec des températures plus élevées. Les graphiques montrent que des températures de refroidissement plus élevées peuvent être particulièrement intéressantes à prendre en compte. Si les graphiques pouvaient être extrapolés, des températures de refroidissement plus élevées amélioreraient la valeur isolante et la densité. Toutefois, la puissance diminuerait.

Étape 2 : Identifiez l’estimation ponctuelle et la plage probable de chaque réponse

Utilisez les valeurs d’ajustement pour identifier l’estimation ponctuelle de chaque variable de réponse pour les paramètres du graphique d’optimisation.

L’analyse calcule les intervalles de prédiction pour les modèles du Stat menu et les modèles à partir Module d'analyse prédictive du Regressão Linear. L’intervalle de prédiction (PI) est une plage qui est susceptible de contenir une seule valeur de réponse future pour une combinaison spécifiée de paramètres de variables. Si vous collectez un autre point de données avec les mêmes paramètres, le nouveau point de données est susceptible de se trouver dans l’intervalle de prédiction. Plus les intervalles de prévision sont réduits, plus la prévision est précise.

Les intervalles de prédiction vous aident à évaluer la signification pratique de vos résultats. Si un intervalle de prédiction s’étend au-delà des limites acceptables, les prédictions peuvent ne pas être suffisamment précises pour vos besoins. Dans ce cas, envisagez les options suivantes :

Recherchez les paramètres qui donnent une précision adéquate sur le graphique d’optimisation.
Effectuez des recherches supplémentaires et envisagez d’augmenter la taille de l’échantillon pour obtenir des prédictions plus précises.

La façon dont vous interagissez avec le tracé d’optimisation dépend du menu de construction du modèle.

Stat: Double-cliquez sur le diagramme d'optimisation pour le rendre interactif.
Module d'analyse prédictive: L’intrigue est toujours interactive.

Pour rechercher de meilleurs paramètres sur le graphique d’optimisation, ajustez les paramètres du prédicteur directement sur le Diagramme des optimisations en déplaçant les barres verticales rouges. Pour un graphique d’optimisation pour un Regressão Linear, sélectionnez le Prévoir bouton de la barre d’outils pour générer de nouveaux intervalles de prédiction afin de déterminer si la nouvelle solution est acceptable.

Prévisions de réponses multiples

Variable	Configuration
Matériau	Formule2
PressInj	98,4848
TempInj	100
TempRafr	45
MesTemp	21,4875

Réponse	Valeur ajustée	ErT ajust	IC à 95 %	IP à 95 %
Puissance	32,34	1,04	(29,45; 35,22)	(27,25; 37,43)
Densité	0,6826	0,0597	(0,5167; 0,8484)	(0,3899; 0,9753)
Isolation	25,608	0,268	(24,863; 26,352)	(24,294; 26,921)

Principaux résultats : Ajustement, PI

Dans ces résultats, les paramètres de variable d’entrée sur le graphique d’optimisation sont associés aux moyennes prédites et aux intervalles de prédiction suivants :

L’intensité moyenne est de 32,34 et la plage des valeurs probables pour une seule valeur future est de 27,25 à 37,43.
La densité moyenne est de 0,6826 et la plage des valeurs probables pour une seule valeur future est de 0,3899 à 0,9753.
L’isolation moyenne est de 25,608 et la plage des valeurs probables pour une seule valeur future est de 24,294 à 26,921.