R EVUE DE STATISTIQUE APPLIQUÉE
W. T INSSON
Prédiction de la réponse moyenne au moyen d’un plan d’expérience à facteurs quantitatifs et effets de blocs aléatoires
Revue de statistique appliquée, tome 47, n
o4 (1999), p. 47-67
<http://www.numdam.org/item?id=RSA_1999__47_4_47_0>
© Société française de statistique, 1999, tous droits réservés.
L’accès aux archives de la revue « Revue de statistique appliquée » (http://www.sfds.asso.fr/publicat/rsa.htm) implique l’accord avec les condi- tions générales d’utilisation (http://www.numdam.org/conditions). Toute uti- lisation commerciale ou impression systématique est constitutive d’une in- fraction pénale. Toute copie ou impression de ce fichier doit contenir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
PRÉDICTION DE LA RÉPONSE MOYENNE AU MOYEN
D’UN PLAN D’EXPÉRIENCE À FACTEURS QUANTITATIFS
ET EFFETS DE BLOCS ALÉATOIRES
W. Tinsson
Université de Pau et des
Pays
de lAdour,Laboratoire de
Mathématiques Appliquées,
UPRES A 5033avenue de l’Université, 64000 Pau - France
RÉSUMÉ
Cet article s’intéresse à la
prédiction
de laréponse
moyenne du modèle linéaire à effets de blocs aléatoires. Nous prouvonsqu’avec
ce modèle lapropriété
d’isovariance s’obtient de manièreclassique lorsque
leplan
estbloqué orthogonalement.
De manièreplus générale,
lavariance de
prédiction
est connue dès lors que leplan
est en blocs usuel. Ceci permet alors la constructionexplicite
degraphes
des variances extrêmes.Mots-clés : modèle linéaire mixte,
plans bloqués orthogonalement, plans
usuels, isovariance,graphes
des variances extrêmes.ABSTRACT
This paper deals with
prediction
of mean response in the case of mixed linear model. We prove that property ofrotatability
is achieve in a classical way whendesigns
areorthogonally
blocked. More
generally,
varianceprediction
is well known whendesigns
are usuals. This result allowsexplicit
construction of variancedispersion graphs.
Keywords :
mixed linear model,orthogonally
blockeddesigns,
usualdesigns, rotatability,
variance
dispersion graphs.
1. Introduction
Dans certaines situations
pratiques,
l’introduction d’effets de blocs aléatoiress’impose.
Nous songeonsprincipalement
aux cas defigure
oùl’expérimentateur
utilise un
petit
nombre de blocs choisis au sein d’unepopulation
degrande
taille.L’analyse
est alors menée à l’aide du modèle linéaire mixte. Peu depublications
sontconsacrées à
l’emploi
de ce modèle pourl’ajustement
de surfaces deréponse.
Citonsles travaux de Khuri
[7],
concernant l’estimation desparamètres
del’espérance
dansle cas de
plans bloqués orthogonalement,
ainsi que lagénéralisation
de ces résultatsà la classe des
plans
en blocsqualifiés d’usuels,
due à Collombier et Tinsson[3].
Ces résultats d’estimation étant
acquis
nous nous intéressons maintenantaux
capacités
deprédiction
du modèle linéaire mixte. Pour le modèle linéairesimple (i. e.
sansblocs),
nous savons que laprédiction
de laréponse
moyenne est très facilementanalysable lorsqu’on
considère unplan
àprédicteurs
isovariants par transformationsorthogonales.
Nous prouvons ici que pour toutplan bloqué orthogonalement
cettepropriété
est conservée lors du passage au modèle mixte.Le
blocage orthogonal
estcependant parfois trop contraignant
pourl’expéri-
mentateur
qui peut préférer
l’utilisation deplans
en blocs usuels. Nous proposons alors d’évaluer laqualité
de laprédiction
réalisée à l’aide degraphes
des variancesextrêmes. Ces
graphes représentent
la variance moyenne deprédiction
ainsi que les variances extrémales sur toutesphère
centrée.Jusqu’à présent
ces courbes sont obte-nues
numériquement
pour le modèlesimple (Vining [11])
ouexplicitement
dans descas très
particuliers (Borkowski [1]).
Nous étendons dans cet article la construction desgraphes
des variances extrêmes à toutplan
en blocs usuelanalysé
au moyen du modèle linéaire mixte.Le
paragraphe
2 est consacré à laprésentation
du modèle linéaire mixte. Vu le rôleparticulier joué
par lesplans bloqués orthogonalement,
nous consacrons leparagraphe
3 à leur étude. Leparagraphe
4 aborde ensuite unegénéralisation
à laclasse des
plans
en blocs usuels.2. Modèle linéaire mixte 2.1. Notations et
définitions
Supposons
que nous cherchions à modéliser unphénomène
aléatoire dont onpeut
controlerexpérimentalement
m facteursquantitatifs.
Considérons pour celaun
plan d’expérience D;
notons U l’ensemble de ses n unitésexpérimentales
etYu,x
l’aléa observélorsque
le traitement x =(x1... xm)
estappliqué
à l’unitéexpérimentale
u. On suppose que :avec: { f(x) loi de réponse
en x (la réponse
en ce point)
avec :
03B5
résidu lié aux erreursexpérimentales
ou au modèlePour obtenir concrètement une
approximation
de la loi deréponse,
noussupposons que
f
est assezrégulière
pour admettre undéveloppement
limité à l’ordreq dans le domaine
expérimental 03B5
~ Rm contenantl’origine
durepère
utilisé. Nous travaillons ici avec desdéveloppements
limitéspolynomiaux d’ ordre q
=2,
c’est-à- dire que :Dans la
suite,
nousdésignons
par Y le vecteur des nobservations,
par 6’ le vecteur des n résidus etpar 0
le vecteur des pparamètres
du modèle(avec
icip ==
(m + 1) (m
+2) /2).
Onappelle
alors matrice duplan
considéré la matricen x m
ayant
pourligne u
les m coordonnées du u-ièmepoint
duplan
D.Désignons
par
Lj (1 j m) la j-ème
colonne de cette matrice et notons 8l’opérateur
duproduit
d’Hadamard(appelé
encoreproduit
terme à termepuisque
si u, v E IRn alorsu 8 v E IRn est tel que V i = 1... n,
(u
8v)i = uivi).
Enposant
maintenantQj - Lj
8Lj (1 j m)
etQjk = Lj
QLk (1 j k m)
nous pouvons remarquer que la matrice du modèle s’écrit pour un modèle d’ordre 2 :A
partir
dececi,
la matrice :a pour éléments tous les moments
jusqu’à
l’ordre 4 de la distribution despoints
duplan,
c’estpourquoi
M estappelée
matrice des moments duplan
D.Supposons
maintenant que l’on veuille tenircompte
d’éventuels effets d’hétéro-généité
des unitésexpérimentales.
Pourcela,
onpeut
regrouper en blocs les obser- vations associées aux unitésexpérimentales homogènes
et introduire dans le modèleun effet de blocs.
Désignons
alorspar B
la matrice n x b des indicatrices des b blocs de taillesk1
...kb
et par-y le
vecteur des effets de blocsqui
lui est associé.Définition 1 :
On
appelle
modèle linéaire mixte le modèle àeffets
de blocs aléatoires donné par la relation matricielle :avec
En d’autres termes, nous avons donc :
Nous supposons dans la suite que la matrice Cov Y est
régulière
et on note :On a alors les résultats
classiques
suivants(se
référer à Christensen[2]) :
L’équation
normale du modèle linéaire mixte est donnée par :En
désignant
par A- une inversegénéralisée
de toute matrice A(c’est-à-dire
telle que AA- A =A)
nous pouvons dire deplus
que siK f3
est uneapplication
linéaire estimable alors :
Remarquons
enfin que le modèle linéairesimple (qui néglige
les effets deblocs)
est le modèle mixteparticulier
obtenulorsque
~ = 0. Eneffet,
on a alors :2.2 Notion d’isovariance
Désignons
dans la suite par EY(x)
l’estimateur de Gauss-Markov de laréponse
moyenne du modèle mixte au
point
x E Rm. On a donc :En notant 0
(Rm)
le groupeorthogonal
deRm,
il vient : Définition 2 :Un
plan d’expérience
àmfacteurs quantitatifs
est dit àprédicteurs
isovariants par transformationsorthogonales (ou plus simplement isovariant)
si et seulementsi :
Remarque.
Ce résultatimplique
que si unplan
est isovariant alors lesprédicteurs
obtenus ont une variance constante sur toute
sphère centrée,
cette variance nedépend
donc que de
r2
=txx.
Pour le modèle
simple (~
=0),
une condition nécessaire et suffisante pourqu’un plan d’expérience
soit isovariant est(voir Myers [9]
ouDraper et
al.[4]) : Proposition
3Un
plan d’expérience
pour un modèlesimple
d’ordre 2 est isovariant si etseulement si :
avec :
3. Prédiction et
plans bloqués orthogonalement
3.1. Plans
bloqués orthogonalement
Rappelons
ici la définition dublocage orthogonal
ainsi qued’importantes
pro-priétés
liées à l’estimation(voir
Collombier et Tinsson[3]
pour lesdémonstrations).
Définition 4 :
Un
plan d’expérience est
ditbloqué orthogonalement
si et seulement si(en
notant
J.
=1nt1n) :
Ecrivons le modèle linéaire mixte sous la forme :
On montre alors que les fonctions
paramétriques
linéairesdépendant
de Tadmettent un estimateur linéaire sans biais uniformément
optimal
en ~ si et seulement si leplan
utilisé estbloqué orthogonalement (donc quelle
que soit la valeurde ~
les estimateurs obtenus sont les mêmes que dans le casparticulier correspondant
au modèle
simple où ~
=0).
En cequi
concerne ladispersion
de ces estimateurs on a pour toutplan régulier bloqué orthogonalement :
avec :
où, rappelons le, ki
est la taille du i-ème bloc(i
= 1 ...b).
On en déduit alors quele ,
seul élément de
Cov (7y) dépendant
duparamètre
7/ estVar0 (?7).
3.2. Précision de la
prédiction
Notons maintenant v~
(x)
la variance de(x)
relative à la valeur ri. Si l’on étudie alors les variations de v~(x)
pour xfixé,
en fonction duparamètre
Tl, on obtient le résultat suivant :Proposition
5Pour tout
plan d’expérience bloqué orthogonalement,
la variance desprédic-
teurs de Gauss-Markov de
EY(x) ,
avec xfixé,
est unefonction
strictement crois- sante de ri. Plusprécisément :
En
particulier,
il vient donclorsque
les blocs sont de même taille k :Démonstration.
L’expression
dev~(x)
est donnée par :Considérons les notations :
D’après
les résultats duparagraphe
3.1 on obtient alors :On en déduit que :
Or,
nous avons vu auparagraphe
3.1 la formegénérale
deVar0 (1]),
donc :Remarquons
alors que :donc, 03BE
est une fonction strictement croissante de ~, cequi
démontre que pour x fixév~(x)
est bien elle aussi strictement croissante en ~ ~Remarque.
On constate quesi ri
+00alors 03BE
~ n, doncv~(x)
~ + 00.Les
plans
isovariantsclassiques,
c’est-à-dire relativement au modèlesimple,
sont-ils encore isovariants pour le modèle linéaire mixte? La
proposition
5 nouspermet
derépondre
par l’affirmative à l’aide du corollaire suivant :Corollaire 6
Un
plan d’expérience bloqué orthogonalement
est isovariant pour le modèle linéaire mixtequel que soit 71
si et seulement si il est isovariant pour le modèle linéairesimple.
Démonstration. Elle est immédiate
d’après
laproposition
5. Eneffet,
unplan
estisovariant pour le modèle linéaire mixte si et seulement si
v~(x)
est une fonction der =
txx
donc si et seulement sivo (x )
est une fonction de r ~3.3.
Exemple d’application
Considérons les 3
plans d’expérience bloqués orthogonalement
à m == 4facteurs et n = 30 unités
expérimentales.
Plan
1, plan composite
centré tel que :Plan
2, plan composite
centré en blocs de même taille tel que :Plan
3, plan
de Box et Behnken tel que :La notation
(±1, ±1,0,0) désigne
l’ensemble constitué despoints : (1,1, 0, 0),
(1,-1,0,0), (-1,1,0,0) et (-1,-1,0,0).
Quel plan d’expérience
à facteursquantitatifs
constitué de 30expériences
est-ilalors
préférable
d’utiliser? L’utilisateurpeut,
parexemple,
choisir deprivilégier
lapropriété
d’isovariance par transformationsorthogonales. Or,
on vérifie en utilisant laproposition
3 que lesplans proposés
ici sont isovariants(avec B2
=4/5 et 03BB4
=8/15 pour les plans let2,À2
=2/5 et 03BB4
=2/15 pour le plan 3).
Le critère d’isovariance nepermet
donc pas de lesdépartager.
Nous pouvons maintenant tenter de les différencier à l’aide de la variance desprédicteurs donnée, d’après
laproposition 5,
par :r
désignant
la distance entre unpoint
de Rm etl’origine
du domaine. Afin d’obtenirexplicitement
cettefonction,
utilisons la valeur de vo(r)
pour toutplan d’expérience
isovariant
(voir
Khuri et Comell[8]) :
en notant :
FIGURE 1 Fonctions de variance des
plans 1,
2 et 3 pour ~ = 0 Plans : -1 et2, - -3
FIGURE 2 Fonctions de variance des
plans 1,
2 et 3 pour ~ = 0.25Plans: -- -1, -2, -
-3 Les variances desprédicteurs
des 3plans
considérés sontreprésentées
surles
figures
1 et 2(en prenant chaque
foisa2
=1).
En cequi
concerne le modèlesimple,
nous constatons que pour desprédictions
situées à une distance inférieure àapproximativement
0.6 unités du centre dudomaine,
on a tout intérêt à utiliser leplan
de Box et Behnken. A
contrario,
pour desprédictions plus
lointainesl’expérimentateur
pourra
privilégier
lesplans
1 ou 2(qui
donnent les mêmes résultats vis-à-vis du modèlesimple puisqu’ils
necomportent
alors pas deblocs).
Pour le modèle linéaire
mixte,
lafigure
2 nousindique
dans unpremier temps
que les courbes associées auxplans
2 et 3 s’obtiennent àpartir de
celles de lafigure
1à une translation verticale
près.
Ceci est dû au fait que ces deuxplans
sontbloqués
dela même manière
(3
blocs de même taille à 10 unitésexpérimentales)
donc la variancede leurs
prédicteurs
subit en toutpoint
uneaugmentation identique
parrapport
à la valeur de vo(r).
Nous pouvons alorsreprendre
les remarques de lafigure
1 pources deux
plans.
En cequi
concerne maintenant leplan
1 il est clair que sonemploi
est à déconseiller au vu du
comportement
des deux autresplans d’expérience.
Lacomparaison
entre les deuxplans composites
centrés nous incite à penserqu’on
atout intérêt à se
rapprocher
leplus possible
d’unplan
en blocs de même taille afin de réduire au mieux la variance desprédicteurs.
Précisons maintenant la
dégradation
dans laqualité
de l’estimation par passage du modèlesimple
au modèle linéaire mixte pour chacun des 3plans. Représentons graphiquement
l’accroissement entre vo(r)
et v~(r)
pour 7y fixé sous forme depourcentage
parrapport
à vo(r).
En d’autres termes, considérons la fonction :Les
figures 3,
4 et 5 mettent en évidence la fortedégradation globale
de laprécision
résultant du passage du modèlesimple
au modèle linéairemixte,
d’autantplus
que les valeurs de 1] choisies ici sont relativement faibles. Lacomparaison
desfigures
3 et 4 nouspermet
encore de tirer la conclusion vueprécédemment :
leplan composite
centré en blocs de même taille estpréférable
auplan composite
centré enblocs de tailles
inégales.
FIGURE 3
Fonctions
03A6~
pour leplan
1ri =
-0.25, - - 0.5, -.
-0.75FIGURE 4 Fonctions
03A6~
pour leplan
277-0.25,--0.5,-’-0.75
Remarque.
Nous savons(cf. proposition 5)
que pour tout TJ0,
v~ - vo est une fonction convexe strictement croissantede 03BE
sur[0, n[.
Deplus, 03BE = L 9 (ki)
aveci
9 fonction convexe sur
[0, +~[,
donc v 77 - vo est une fonction convexe deski.
Soit alors une famille de
plans
de même taille n,bloqués orthogonalement
en bblocs,
admettant la même fonction vo. La recherche du minimum de v~-v0 sous la contrainte
L ki
= n nous conduit au résultat suivant : s’il existe dans cette classe unplan
teli
que V i =
1...b, ki = n/b
alors ceplan
estpréférable puisqu’il minimise v~ -
vo.De
plus,
si le nombre de blocs n’est pasfixé,
c’est alors laconfiguration
«limite»d’un
plan
en n blocs de taille 1qui
estpréférable.
FIGURE 5
Fonctions
03A6~
pour leplan
3~ =
-0.25, - - 0.5, - .
-0.754. Prédiction et
plans
en blocs usuels 4.1. Plans en blocs usuelsDécomposons
dans la suite le vecteur03B2
en :avec
03B20
effet moyengénéral, 03B2L
effetslinéaires, 03B2Q
effetsquadratiques
et03B2I
effetsd’interaction. Tous les
plans d’expérience
utilisés sontsupposés,
de manièreclassique,
être à matrice des moments
canonique
selon la définition suivante : Définition 7Un
plan d’expérience
est dit à matrice des momentscanonique
pour un modèle d’ordre 2 si et seulement si :en
désignant
donc ici les seuls moments non nuls duplan jusqu’à
l’ordre quatre par :Afin de
prendre
encompte l’organisation
en blocs d’unplan d’expérience
introduisons naturellement la notion de moment par bloc en posant :
Les
plans
en blocs utilisés actuellement vérifient presque tous les conditions suivantes que nousqualifions
d’usuelles :Définition 8
On
appelle plan
en blocsusuel pour
un modèle d’ordre 2tout plan d’expérience
à matrice des moments
canonique régulière (i. e.
rg(X)
=p)
et tel que :Désignons
alors par MI le moment pur d’ordre 2 commun aux unités du bloc l d’unplan d’expérience
usuel.Remarque.
Toutplan d’expérience bloqué orthogonalement
à matrice des momentscanonique
est unplan
en blocs usuel. Eneffet,
unplan d’expérience
estbloqué orthogonalement
si et seulement si :On en déduit immédiatement la structure de
plan
en blocs usuel dès lors que la matrice des moments estcanonique.
Il est
prouvé
dans Collombier et Tinsson[3]
que la structure deplan
en blocsusuel
permet
d’estimer les fonctions linéairesdépendant
def3 L
ouf3 l
ainsi que tout contraste sur les effetsquadratiques
de manière uniformémentoptimale
en ~. Il est aussi démontré que pour toutplan
en blocsusuel L (~) et I (7y)
sont non corrélésavec les autres
composantes de (~)
et :Pour
/30 (1])
et/3Q (1])
il vient de même :en notant :
4.2. Précision de la
prédiction
Evaluons
ici,
tout comme auparagraphe
3.2 dans le cas desplans bloqués orthogonalement,
ladispersion
de(x).
Enposant 03C32
=1,
on obtient :Proposition
9Pour tout
plan d’expérience
en blocsusuel,
la variance desprédicteurs
deGauss-Markov de
EY(x)
est donnée pour le modèle linéaire mixte par :avec :
Démonstration. Nous savons que :
Nous pouvons alors
dire, d’après
les résultats duparagraphe 4.1,
que pour toutplan
en bloc usuel il vient avecu2
= 1 :Après simplifications,
on obtient :Or:
donc :
Cette
proposition
nouspermet
là aussi de faire le lien avec l’ isovariancepuisque :
Corollaire 10
Un
plan d’expérience
en blocs usuel est isovariant pour le modèle linéaire mixtequel
quesoit ri
si et seulement si il est isovariant pour le modèle linéairesimple.
Démonstration.
D’après
laproposition
9 nous pouvons direqu’un plan
usuel estisovariant
quel
quesoit ri
si et seulement si :puisque b3 - nA4 (c - 1).
Mais relativement au modèlesimple
toutplan
à matricedes moments
canonique
est isovariant si et seulement si c =3,
d’où le résultat N 4.3. Construction degraphes
des variances extrêmesLes
graphes
des variances extrêmes nouspermettent
d’évaluer laprécision
dela
prédiction
réalisée enreprésentant
la variance moyenne ainsi que les variances extrémales deEV
sur toutesphère
centrée. En notantUr = {x
E Rmt xx
=r2}
on a alors la définition suivante :
Définition 11
On
appelle
variancesphérique
moyenne laquantité :
On
appelle
variancessphériques
extrémales lesquantités :
D’après
les résultats duparagraphe
4.2 il vient :Proposition
12Pour tout
plan d’expérience
en blocsusuel,
la variancesphérique
moyenneest donnée par :
Démonstration. Par
définition,
il vient pour toutplan d’expérience
usuel :Or,
lagéométrie
deUr
entraîne que :donc :
La
quantité 03A8 Ur x41dx
est bien connuepuisqu’il s’agit
du momentsphérique
pur 03C34 d’ordre 4
(voir
Giovannitti-Jensen etMyers [5]
donné par :Nous en déduisons alors la forme
explicite
de la variancesphérique
moyenne NRemarque.
Nous retrouvons bien ici queV7] (r) = f~ (r) = v~ (x) lorsque
leplan
est isovariant
(c
=3).
Proposition
13Pour tout
plan d’expérience
en blocsusuel,
les variances extrémales sontdonnées pour 1 c 3 par :
Lorsque
c 3 nous avons le même résultat modulo unepermutation
de Vminet Vmax.
Démonstration. Nous devons ici résoudre le
problème :
Comme
f Tl (r)
est constante sur toutesphère
centrée il nous suffit alorsd’optimiser
laquantité :
En ce
qui
concerne le coefficientprémultipliant,
il vient :Remarquons
que l’on atoujours
c > 1puisque
la matrice des moments duplan
est, par
définition, symétrique
définiepositive. Supposons
dans la suite que c 3(si
c > 3 il suffira
simplement
depermuter
le rôle des extremaobtenus).
Leproblème (P)
se ramène alors à :La fonction à
optimiser
étant continue sur uncompact
atteint bien ses bornes.Celles-ci sont de
plus
obtenues immédiatement par le théorème desmultiplicateurs
de
Lagrange qui
nous dit que :le maximum vaut
r4, il
est atteint en 2mpoints
de la forme :le minimum vaut
r4 /m,
il est atteint en 2’points
de la forme :Corollaire 14
Pour tout
plan d’expérience
en blocsusuel, l’amplitude
des variations de la variance sur toutesphère
centrée est unefonction indépendante
de q , donnéeexplicitement
par :Remarque.
Nous pouvons utiliser les résultats de ceparagraphe
dans le but degénéraliser
les résultatspubliés
actuellement pour le modèlesimple. Reprenons
icil’étude du
plan hybride
deRoquemore
311B(voir Roquemore [10])
réalisée par Khuri[6].
On constate alors que ceplan d’expérience
est bien à matrice des momentscanonique
avec :d’où :
On a de
plus :
donc on obtient alors comme variance
sphérique
moyenne :et comme variances
sphériques
extrémales :Ceci constitue une avancée par
rapport
aux résultatsuniquement numériques
obtenus par Khuri
[6]
à l’aided’algorithmes d’optimisation
des formesquadratiques.
Remarquons
aussi que cetexemple
sort du cadreproposé
par Borkowski[1] qui
n’a déterminé
explicitement
lesgraphes
des variances extrêmes que pour desplans composites
centrés ou desplans
de Box et Benhken.4.4. Premier
exemple d’application
Proposons
maintenant uneapplication
des résultats de ceparagraphe
à laconstruction
explicite
degraphes
des variances extrêmes étendus au cas du modèle linéaire mixte. Pourcela,
nous pouvons considérer unplan composite
centré à 4facteurs
bloqué
de la manière suivante :Ce
plan d’expérience
est bien unplan
en blocsusuel,
non isovariant et nonbloqué orthogonalement.
On vérifie immédiatement que :De
plus,
la structure des blocs entraîne que l’on a :D’où:
FIGURE 6
Graphe
des variances extrêmesdu CCD à 4
facteurs
pour ~ = 0FIGURE 7
Graphe
des variances extrêmesdu CCD à 4
facteurs
pour ri = 0.25FIGURE 8
Graphe
des variances extrêmesdu CCD à 4
facteurs
pour ri = 0.5L’examen des
figures 6,
7 et 8 nouspermet
d’aboutir à la conclusion suivante : il y a uneperte
deprécision
dans l’estimation de laréponse
moyenne par passage du modèlesimple
au modèle linéairemixte, perte qui
est deplus
croissante en ri. Prenonsgarde
au fait quechanger
de valeur pour ri induit la modification des 3 coefficientsqui
interviennent dansl’équation
de chacune de ces courbes(coefficients
relatifs àr4, r2
etrD).
Le passage de l’un à l’autre de ces 4graphes
ne se résume pas alors à unesimple
translation verticale comme pour lesplans bloqués orthogonalement.
Remarquons
aussi quel’amplitude
des variations de la variance sur toutesphère
estbien la même
quelque
soit ri(corollaire 14).
4.5. Deuxième
exemple d’application
L’objectif
de ce deuxièmeexemple
est de faire le lien entre lesparagraphes
3 et 4 en
proposant
une étude simultanée deplans bloqués orthogonalement
etusuels. Considérons un
phénomène dépendant
de 5facteurs, analysé
à l’aide duplan composite
centré suivant(le
choix de 03B1 = 2ayant
été fait dans le but d’obtenirl’isovariance) :
Supposons
maintenantqu’il
soitpossible
àl’expérimentateur
deréaliser,
aucentre du
domaine,
4expériences supplémentaires.
Ilpeut
alorss’interroger
sur lameilleure
façon
d’affecter celles-ci à chacun des blocs. Nousenvisageons
ici les3
configurations
suivantes :Plan A : les 4
points
centraux sontajoutés
au bloc 1.Plan B : 2
points
centraux sontajoutés
àchaque
bloc.Plan C : les 4
points
centraux sontajoutés
au bloc 2.Remarquons
que leplan
A est le seul des trois à êtrebloqué orthogonalement.
Au vu des fonctions de variance
(figures 9,
10 et11 )
nous constatonsqu’il
estpréférable
d’utiliser lesplans
A ou Bpuisqu’ils
donnent des résultats sensiblementéquivalents.
Par contre, le choix deplan
C est à déconseiller(du
moins pour desprédictions proches
du centre du domaineexpériemental)
car les variances obtenues sont alors biensupérieures
à celles des deux autresplans.
Ce résultat est
étonnant,
enpremière analyse,
car leplan
C est celuiqui
se
rapproche
leplus
d’uneconfiguration
en blocs de mêmetaille,
c’est-à-dire d’uneconfiguration optimale
en cas deblocage orthogonal (voir
la remarque duparagraphe 3.3). Cependant,
le raisonnement que nous avons tenu pour desplans bloqués orthogonalement
découlait du fait que, dans ce cas, modifier la valeur de 1J n’entrainait que la modification du coefficient derO
dansl’équation
de la fonction de variance. Pour le casgénéral
desplan
en blocsusuels,
ce résultat n’estplus
vraipuisque,
comme nous l’avonsdéjà remarqué
dansl’exemple 1,
tous les coefficients intervenant dansl’équation
des fonctions de variancedépendent
de 7y.En
conclusion, l’expérimentateur peut
donc choisir d’utiliser ici lesplans
Aou B. Le choix du
plan
A semblecependant
leplus judicieux.
Eneffet,
leblocage orthogonal
de celui-ci vapermettre
de déterminer laplupart
des estimateurs de manièreplus simple
que pour leplan
B(voir
Collombier et Tinsson[3]).
FIGURE 9 Fonction de variance des
plans
A, B et C pour ~ = 0FIGURE 10 Fonctions de variance des
plans A,
B etC pour ~ =
0.25Plans : - - A, - B, - · -
CFIGURE 11 Fonctions de variance des
plans A,
B et C pour ~ = 0.5 Plans : - -A, -
B, - · - CRéférences
[1]
BORKOWSKI J.J.(1995), Spherical prediction-variance properties
of centralcomposite
and Box-Behnkendesigns. Technometrics,
Vol.37,
No.4,
399-410.[2]
CHRISTENSEN R.(1987),
Plane answers tocomplex questions. Springers
Textsin
Statistics, Springer-Verlag.
[3]
COLLOMBIER D. et TINSSON W.(1997), Propriétés caractéristiques
deplans d’expérience
en blocs à facteursquantitatifs.
Revue deStatistique Appliquée,
XLV
(1),
75-96.[4]
DRAPERR.,
GAFFKE N. et PUKELSHEIM F.(1993), Rotability
of variance surfaces and moment matrices. Journalof
StatisticalPlanning
andInference,
Vol.
36,
347-356.[5]
GIOVANNITTI-JENSEN A. et MYERS R.H.(1989), Graphical
assessment of theprediction capability of response
surfacedesigns. Technometrics,
Vol.31, No. 2, 159-171.
[6]
KHURI A.I.(1992), Diagnostic
resultsconcerning
a measure ofrotability.
J. R.Statist. Soc.
B, 54,
No.1,
253-267.[7]
KHURI A.I.(1992), Response
surface models with random block effects.Technometrics,
Vol.34,
No.1,
26-37.[8]
KHURI A. et CORNELL J.(1987), Response surfaces : designs
andanalyses.
Marcel