Re: DSD 분석에서 높은 RMSE활성 효과가 있는 경우 응답이 정상적으로 분포될 것으로 예상하는 이유는 무엇입니까?
Re: DSD 분석에서 높은 RMSE응답의 분포를 의미합니다.
Re: DSD 분석에서 높은 RMSE잔차의 정규 분포를 의미합니까?
해결책을 찾으셨다니 다행입니다!
Re: DSD 분석에서 높은 RMSE결국 우리가 어떻게 문제를 해결했는지 알려주기 위해서입니다. 우리는 다양한 데이터 변환을 시도하여 전체 반응 범위에 걸쳐 더 일정한 분산을 가진 더 많은 정규 분포를 얻을 수 있었습니다. 변환된 반응을 분석했을 때 더 많은 효과(주 효과 및 2차 효과)를 감지할 수 있었습니다.
Re: DSD 분석에서 높은 RMSE이전 게시물에서 한 가지 수정 사항: 두 번째 실행이 아닌 중앙 실행을 두 번 반복한다는 의미였습니다(약간의 혼란에 대해 사과드립니다).
어쨌든 중앙 실행은 언급하신 모든 사항(주의 사항)도 다루어야 합니다.
중앙 실행을 반복할 것이므로 중앙 실행의 가변성이 전체 설계의 가변성에 대한 최상의 근사치(반복할 수 있는 17개 실행 중 최고)가 되기를 바라고 있습니다. 또한 모델에 더 많은 런이 있을 것이기 때문에 설계의 RMSE도 떨어지기를 바라고 있습니다. RMSE의 하락이 일부 새로운 효과를 감지할 만큼 충분히 크다면 3개의 데이터 포인트만을 기준으로 분산을 추정할 필요가 없습니다.
Re: DSD 분석에서 높은 RMSE이것은 시작입니다. 이러한 반복 실행에 대한 몇 가지 주의 사항: 설계 공간에서 변동성이 일정하다고 가정할 수 있습니다(즉, 실행 #2는 다른 모든 실험 조건을 나타냄). 반복 실행의 가변성은 초기 설계를 실행할 때 발생하는 모든 가변성 소스를 포착합니까(작업자가 변경했습니까? 기기 변경사항이 변경되었습니까? 설정이 변경되었습니까?). 단 2~3개의 데이터 포인트를 기반으로 분산을 추정하는 것이 얼마나 편합니까? 그것이 본질적으로 당신이 하고 있는 일입니다.
Re: DSD 분석에서 높은 RMSE예, 측정값도 문제가 될 수 있음을 알고 있습니다. 매번 우리는 각 샘플에 대해 최소 3번의 측정 반복(상대적으로 낮은 분산 계수를 나타냄)을 수행했습니다. 우리는 레이저 회절 분석에 몇 가지 문제가 있었는데, 이는 일부 응답에서 RMSE를 높였을 수 있지만 레이저 회절 분석을 포함하지 않는 응답의 RMSE도 약간 높지만 그다지 높지는 않습니다.
Re: DSD 분석에서 높은 RMSE아주 좋은 아이디어에 감사드립니다. 우리는 두 번째 실행을 두 번 반복하기로 결정했으므로 하나의 실행에서도 변동이 높은지 또는 전체 모델에서만 높은지 확인합니다. 그런 다음 새 실행을 모델에 추가하고 RMSE가 더 낮은지 확인합니다.
그것이 당신에게 의미가 있습니까?
Re: DSD 분석에서 높은 RMSE다른 접근 방식인 마지막 댓글입니다. RMSE가 높기 때문에 측정 시스템 연구를 수행할 수 있습니다. 아마도 높은 RMSE는 먼저 개선해야 할 측정 시스템 때문일 수 있습니다. 더 많은 실험 실행을 추가하기 전에 고려해야 할 사항일 수 있습니다.
Re: DSD 분석에서 높은 RMSE또한 더 많은 실행을 수행할 수 있는 경우 맞춤 설계를 사용하여 초기 실험을 보강할 수 있음을 상기시켜 드리고 싶습니다. 더 이상 할 수 있는 리소스가 없다고 이전에 언급했지만 나중에 가능해질 경우를 대비하여 언급하고 싶습니다. 새 실행은 이미 가지고 있는 DSD에 추가됩니다.
Re: DSD 분석에서 높은 RMSE귀하의 모델은 이 데이터 샘플과 모델 선택의 객관적인 프로세스(Fit Definitive Screening)를 제공할 수 있는 만큼 훌륭합니다.
이러한 조건 중 몇 가지를 다시 실행하여 RMSE가 실제로 그렇게 높은지 확인할 수 있습니다. 대신 RMSE를 결정하기 위해 다시 분석할 수 있는 동일한 프로세스에 대한 일부 과거 데이터가 있을 수 있습니다. 실제로 높을 수 있으며 편향된 모델의 인공물이 아닐 수도 있습니다.
Fit Definitive Screening 분석을 포기하는 또 다른 옵션은 Analyze > Fit Model > Loglinear Variance입니다. 이 분석은 두 수렴 모델(하나는 평균용, 다른 하나는 분산용)을 반복적으로 적합합니다. 이 분석을 사용하여 설계 요소 중 하나가 원인인지 확인할 수 있습니다. 불행하게도 DSD의 경제성으로 인해 좋은 분석이 불가능할 수 있지만 시도해 볼 가치가 있습니다.
도움말 > 설명서 > 선형 모델 피팅을 참조하십시오. 이 분석을 다루는 장이 있습니다.
Re: DSD 분석에서 높은 RMSE예, 기본적으로 제 질문에 답하는 몇 가지 아주 좋은 질문을 말씀하셨습니다. 네가 무슨 말을 하려는지 알 겠어.
그래서 내 모델이 가능한 한 좋게 구성되지 않은 것처럼 보입니다. 따라서 큰 RMSE가 발생합니다. 여전히 모델에 가장 큰 영향을 미치는 주요 요인을 감지할 수 있지만 불행히도 두 번째 요인 상호작용은 감지할 수 없습니다. 물론 한 가지 옵션은 존재하지 않는 것이지만 다른 하나는 너무 작아서 너무 높은 RMSE로 감지할 수 없다는 것입니다.
도움을 주셔서 다시 한 번 감사드립니다.
다니엘
Re: DSD 분석에서 높은 RMSE분석에 가짜 요소를 추가할 수 있었다면 분명히 '허용'된 것입니다. "(귀하가) 얻은 결과는 여전히 정확하고 신뢰할 수 있습니다." 그러나 그 결과는 무엇을 의미합니까? fake-factor-turned-real-factor는 무엇을 나타내는가? 이 설계 열을 사용하여 요인 수준을 설정했습니까? (아닙니다.) 이 요인 수준은 무엇입니까? 분석에 포함하는 이유는 무엇입니까?
이 열이 모델의 다른 항을 추정하는 데 사용되는 열과 혼동되지 않는 한 모델 행렬에 열을 추가하고 이에 대한 선형 매개변수를 추정할 수 있습니다. 혼동되는 경우 이 두 열은 동일한 열에 대한 별칭일 뿐입니다. 이 조합은 회귀에 대한 투영 행렬에서 특이점을 생성합니다. 이러한 조합은 허용되지 않습니다. JMP는 혼동되지 않은 매개변수(모델 행렬의 순위까지)를 최대한 많이 추정하고 나머지는 0으로 만듭니다.
결과가 다른 이유는 모델에 가짜 요인을 명시적으로 포함하면 더 이상 분석에서 가짜 요인이 아니며 이전과 같이 더 이상 RMSE를 추정하는 데 사용되지 않기 때문입니다.
Re: DSD 분석에서 높은 RMSE귀하의 답변과 노력에 감사드립니다.
다른 요점이 지금 나에게 아주 분명하기 때문에 나는 대답이 하나뿐입니다.
7. 예, 수학적으로 말하면 말이 됩니다. Fit Definitive Screening에서 이 작업을 수행할 수 있는지 잘 모르겠습니다(그래서 제가 얻은 결과는 여전히 정확하고 신뢰할 수 있습니다). Fit Definitive Screening이 어느 쪽이든 가짜 요인에서 초기 RMSE를 계산하기 때문에 선택에 가짜 요인을 포함하지 않으면 결과가 다르다는 것이 이상합니다.
그것에 대한 설명이 있습니까?
Re: DSD 분석에서 높은 RMSE게시를 클릭했을 때 답장을 잃어버렸고 지금 여행을 떠나야 하지만 빨리 답장을 다시 캡처하도록 노력하겠습니다.
- 검정력이 유의성, 분산, 효과 크기 및 표본 크기의 함수임을 이해합니다. RMSE 및 계수에 대한 기본값을 사용하면 특정 상황에 대한 전력 분석을 제공할 가능성이 없습니다.
- DSD는 효과 크기가 크고 2차 효과가 거의 없는 경우 높은 검정력을 가진 최대 6개의 주요 효과를 찾을 수 있어야 합니다. 내 이전 의견은 일반론이었습니다. 너무 많은 속성에 의존하기 때문에 그다지 가치가 없을 수도 있습니다.
- 두 개의 비수용성 용매와 물을 세 가지 혼합 계수(성분)로 포함하고 직접 모델링할 수도 있습니다. 연동 펌프의 사용이 큰 RMSE의 원인인지 모르겠습니다.
- 완전 무작위 실행 - 확인하세요!
- 통제되지 않은 외부 요인에 문제가 없습니다. 확인하십시오!
- 큰 RMSE는 설명할 수 없는 상태로 남아 있습니다. 확인하십시오!
- 일반적으로 선형 회귀 모델에 항을 추가하면 해당 항이 유의하지 않더라도 RMSE가 감소합니다. 그렇지 않으면 각각의 새 항에 귀속되는 제곱합은 오차 제곱합이 됩니다.
Re: DSD 분석에서 높은 RMSE포괄적 인 답변과 설명에 감사드립니다. 그들은 나에게 매우 도움이 되었습니다. 나는 불확실성을 명확히 하고 당신이 묻는 질문에 대답하려고 노력할 것입니다. 혼동을 피하기 위해 답을 숫자로 표시하겠습니다.
1. 설계 평가 섹션에서 통계적 유의성에 대해 0,05, 예상 계수에 대해 1, RMSE에 대해 1을 입력했습니다. RMSE 또는 예상 계수에 대한 정보를 얻지 못했기 때문에 실험 전에 이 값을 입력했습니다. 나는 0,92의 힘을 얻었습니다 (아래 디자인 평가 사진 참조). RMSE가 실제로 약 1인 경우에만 그러한 힘이 있다는 것을 알고 있습니다. 실험 전에 디자인이 좋아 보인다는 것을 보여주고 싶었습니다. 물론 내가 얻은 RMSE 값과 예상 계수를 넣으면 power는 훨씬 낮아집니다(아래 사진 Evaluate design 2 참조).
2. 확실하지는 않지만 크게 4가지 정도의 효과가 발동될 것으로 예상합니다. 그러나 Mr. Jones와 Mr. Nachtsheim은 2016년 기사(Bradley Jones & Christopher J. Nachtsheim (2016): Effective
결정적 스크리닝 디자인을 위한 디자인 기반 모델 선택, Technometrics), 6개의 요인과 4개의 추가 실행(DSD 분석을 위한 새로운 접근 방식 사용)이 있는 DSD 분석에서 0,99의 검정력으로 모든 6개의 주요 요인을 감지할 수 있습니다. 그 숫자를 보면 많은 활성 주 효과에서 문제가 보이지 않습니다. 아니면 내가 뭔가를 놓치고 있습니까?
3. 예, 이 실험에는 혼합 성분이 포함되어 있습니다. 요인 중 하나는 비용매 부피 대 최종 부피 비율입니다(최종 부피에는 비용매와 물이 있음). 연동 펌프를 사용하여 비용매에 용액을 추가했습니다. 그 비율을 일정하게 두는 것이 더 나을 것이라고 생각하십니까? 이것이 큰 RMSE의 원인이 될 수 있다고 생각합니다. 그러나 더 많은 실험을 할 여유가 없으므로 가능하면 이 문제를 완화해야 합니다.
4. 예, 이 실험은 완전히 무작위로 이루어졌습니다. 나는 요인을 변경하는 데 어려움이 없으며 실험 중에 요인을 비교적 잘 제어했습니다.
5. 응답에 영향을 미칠 수 있는 다른 요인도 있다는 것을 알고 있습니다. 그러나 나는 내가 할 수 있는 모든 요인을 통제하려고 노력했기 때문에 여기서 내 실험에서 큰 문제는 보이지 않는다.
6. 수율이 가장 높은 런이 아웃라이어라는 것이 맞습니다. 이는 스튜던트화 잔차에서도 매우 분명합니다(아래 사진 잔차 참조). 그러나 다른 응답의 잔차 분석을 보면 이상값은 없지만 RMSE는 여전히 큽니다. 그래서 큰 RMSE에 대한 추가 이유가 필요하다고 생각합니다.
7. 새로운 질문도 있습니다. Fit Definitive Screening으로 분석을 하면서 분석에 가짜 요인을 포함하면 RMSE가 더 낮다는 것을 알았습니다. (아래 가짜 요인을 사용한 사진 분석 참조. 왼쪽에는 내가 얻은 추정치가 있고 오른쪽에는 응답 및 요인 선택이 있습니다.)내가 이것을 할 수 있습니까?
감사합니다.
다니엘
Re: DSD 분석에서 높은 RMSE귀하의 상황과 질문에 대한 자세한 설명에 감사드립니다. 귀하의 설명을 바탕으로 도움을 드리도록 노력하겠습니다.
예, 튜토리얼 예제와 실험의 가장 큰 차이점은 RMSE입니다. 이 차이는 더 낮은 전력을 의미합니다. 그것은 티 0에 대한 매개변수 추정치를 테스트하기 위한 비율은 동등한 추정치에 대해 9.6배 더 작을 것이며 따라서 훨씬 더 높을 것입니다. 피 -값. (이 감소 티 비율 또는 증가 피 -값은 낮은 전력과 동일합니다.)
검정력을 결정하기 위해 통계적 유의성(0.05), RMSE(1) 및 예상 계수(1)에 대해 어떤 값을 입력했습니까? 즉, 파워 굿은 어떤 결과를 가져오는가? 디자인을 위해 얻은 힘은 무엇입니까?
RMSE는 반응의 표준 편차 추정치입니다. 그것은 모델에 따라 다름 . 가정합니다
- 선형 회귀 모델이 정확합니다(편향되지 않음).
- 응답의 무작위 오류만 포함합니다.
- 반응의 분산은 반응의 전체 범위에서 일정합니다.
모델에 활성(무작위 아님) 효과에 대한 항이 포함되어 있지 않으면 응답에 대한 이 기여도가 RMSE 추정치와 합쳐져 부풀려집니다.
정규 분포를 따르는 응답의 평균 및 표준 편차는 일반적으로 응답의 독립적인 속성임을 명심하십시오. 즉, 표준 편차(RMSE)는 평균에 의존하지 않습니다. 매개변수 추정값은 평균 응답 모델에 대한 것이므로 매개변수 추정값의 크기에 따라 RMSE를 기대할 수 없습니다.
검토하자 선별의 핵심 원칙 :
- 효과의 희소성 : 많은 잠재적 요인(및 그 효과)이 있지만 실제로는 대부분 비활성 상태입니다(매개변수는 0임).
- 효과의 계층 : 반응의 변화의 대부분은 1차이고, 두 번째로 큰 영향은 2차입니다.
- 영향의 유전 : 모든 고차 효과는 저차 효과를 나타내는 동일한 요인에 의해 나타납니다.
- 디자인 프로젝션 : 설계는 상관관계에 의한 모든 잠재적 매개변수의 추정을 제한하지만 비활성 요인과 비활성 효과가 모델에서 제거됨에 따라 상관관계가 감소하거나 제거됩니다.
6가지 요인 중 몇 가지가 활성화될 것으로 예상하십니까? 2개 또는 3개를 초과해서는 안 됩니다. 그렇지 않으면 선별 설계가 실패합니다.
선별 설계는 주로 1차 모델을 지원하기 위한 것입니다. (스크리닝은 요인을 최적화하는 것이 아니라 중요한 소수 요인. DSD는 최적화에 필요한 더 복잡한 모델을 지원하기 위해 보강해야 할 가능성을 줄이기 때문에 특별합니다.) 결정화와 같은 화학 프로세스의 응답은 상호 작용 및 비선형성과 같은 2차 효과를 나타낼 수 있습니다. 이러한 효과는 1차 모델의 매개변수 추정치를 편향시킬 수 있지만 별칭 최적 설계 유형인 DSD는 이러한 상관 관계를 최소화합니다.
닫는 몇 가지 생각:
- 이 연구에 혼합 성분이 포함됩니까? 함께 사용되는 용제가 궁금합니다. 해당 조건에 따라 다른 디자인(맞춤형 디자인)이 필요할 수 있습니다.
- 이 실험은 완전히 무작위로 이루어졌습니까? 즉, 모든 실행 전에 모든 요소를 재설정해야 합니다. 또 다른 질문 방법은 변경하기 어려운 요인이 있습니까? 그 조건은 다른 설계(분할구 설계)를 필요로 합니다.요인을 변경하기 어렵고 실험을 완전히 무작위화하지 않으면 RMSE에 영향을 미칩니다. 결과적으로 변경하기 어려운 요인에 대한 테스트의 제1종 오류율이 증가하고 변경하기 쉬운 요인에 대한 테스트의 제2종 오류율이 증가합니다. 그것은 중요한 효과가 없다는 것을 설명할 수 있습니다.
- 실험에서 변화된 6가지 요인 외에 다른 요인은 어떻습니까? 연구를 위한 6가지 요인을 선택하기 전에 각 응답의 모든 요인을 식별했습니까? 이러한 외부 요인은 실행 중에 어떻게 제어되었습니까? 통제되지 않고 설명되지 않은 효과는 무작위 변동에 기여하거나 연구의 요인 수준과 상관관계가 있는 경우 추정치에 편향을 기여합니다.
- 잔차 분석을 수행했습니까? 데이터 문제 또는 선형 회귀 모델의 가정 위반에 대한 징후가 있습니까? 잔류 분석은 더 큰 데이터 세트보다 경제적인 설계에서 더 어렵지만 여전히 가치가 있습니다. 수익률이 가장 높은 실행이 이상값일 수 있는 것으로 보입니다. 이 실행은 추정치에 비정상적으로 높은 영향을 미칠 수 있습니다. RMSE를 높일 수 있습니다.
그것이 내가 지금 생각할 수 있는 전부입니다. 다른 전문가들이 더 많은 아이디어로 답변해 주기를 바랍니다.
이 DSD 분석에서 RMSE가 높은 이유안녕,
저는 DOE 및 Definitive Screening Design을 처음 사용하기 때문에 DSD 분석과 관련하여 몇 가지 질문이 있습니다. 저는 JMP13을 사용하고 있습니다.
구형 결정화 과정에서 중요한 요소를 찾고 싶습니다. 저는 3개 수준에서 6개의 요인으로 확정 선별 설계를 수행했으며 4개의 추가 실행(가짜 요인 2개)을 수행했습니다. 여러 가지 다른 응답을 측정하고 있습니다. 디자인 평가는 내가 좋은 통계적 능력을 가지고 있음을 보여줍니다. 그러나 Fit Definitive Screening을 사용하여 결과를 분석하려고 하면 중요한 주 효과가 없거나 기껏해야 한 가지만 나타납니다. 결과적으로 중요한 2차 효과도 얻지 못했습니다(오른쪽 아래 추가된 사진 참조). 그 이유는 RMSE가 매우 높기 때문이라고 생각합니다. 저는 JMP 자습서(파일 추출 3, 아래 추가된 사진 참조, 왼쪽)에 표시된 예에서 Fit Defintive Screening을 수행하는 방법을 배우고 있었습니다. 예제를 분석했을 때 튜토리얼에 표시된 것과 동일한 결과를 얻었습니다. 또한 추출 3을 분석할 때 RMSE가 훨씬 낮았지만 추출 3과 내 실험의 응답은 두 응답이 모두 Yield이기 때문에 거의 같은 크기였습니다.
RMSE의 차이가 어떻게 그렇게 클 수 있는지 이해할 수 없습니다. 주효과도의 분포를 보면 추출 3의 분포보다 약간 좁지는 않지만 내 실험의 분포가 비슷하다는 것을 알 수 있습니다. 또한 Fit Y by X 도구를 사용하여 RMSE를 계산했는데 내 실험(약 18)보다 추출 3(약 20)에서 더 큰 RMSE를 얻었습니다. 그렇기 때문에 Fit Definitive Screening을 사용한 분석이 차이를 만드는 것처럼 보입니다.
내가 뭔가를 놓치고 있습니까?
Fit Definitive Screening 전에 내 데이터로 일부 사전 분석 프로세스를 수행해야 합니까?
아니면 정말 큰 RMSE로 실험을 하고 있습니까? 그렇다면 고칠 수 있습니까?
감사합니다.
다니엘
실험 설계
