こんにちは、カスタム DOE のモデルをどのように選択するかについてのあなたの考えに興味があります (たとえば、2 つの連続因子)。 私の目標が最適化であることはわかっています。私は RS モデルを選択し、JMP は計画空間の中心近くに実行を追加します。 JMPによる（散布図を使用して確認します）。 これは、最適化のスイートスポットを見逃すのではないかと心配しています。 実行回数を増やすと、これらのギャップを埋めることなく、より多くの反復を行うことになります。 これらのスペースを埋めるには、より高次のモデル (累乗: 4 次または 5 次) を使用する必要があることがわかりました。
私は DOE に少し慣れていないので、これがこれについて考える正しい方法なのか、それとも、特定のメトリック (分散、パワー）デザイン評価で良さそうです。 ありがとう！
私はすべての実験がいいえ「スイートスポット」を実行として含めます。 それにしても私は相変わらずいつも経験的証拠から何かがどのように機能するかを学ぶ必要があるたびに、実験を使用します。
あなたは、単なる卒業生に共通する混乱のポイントに遭遇しました。テストに実験中ので、気を悪くしないでください。 実験の目的は、因子の変化に対する応答を適切に説明するモデルに適合する最良のデータを取得する. これはテストではありません。 この概念は、マスター、貪欲な実験者になるための大きな一歩です。
設計の原則は、どの設計方法でも一緒に機能します。 カスタムデザインを使用いたします。
- 意味のある応答を 1 つ、または必要に応じて複数選択します。
- 応答に影響を与えるすべての要因を考慮し、調査のためにそれらのセットを選択します。 残りは実験を通して一定に保たれます。
- 可能な限り連続因子を使用します。 各因子に最も広い範囲を使用して、最大の検出力と最も効率的な推定を持つ大きな効果を確保します。
- 線形回帰モデルの項を選択して、主効果、交互作用効果、十分な次数の非線形効果など、これらの要因のすべての効果を表します。 因子範囲全体で二次効果が十分であることが一般的ですが、より高次の項が許容されます。
- 最適性の基準を選択します。パラメーターの推定とテストを重視する D 最適、または予測を重視する I 最適。 （特殊な場合には他にも基準があります。）
- この実験の実行の予算を決定し、計画を立てます。
- JMP は因子水準を決定します。最も有益なモデルに関して。 つまり、これらは集合的に、モデル パラメーターの推定をサポートするための最良のデータを提供します。
(一般的な思考プロセスを説明するために、実験を計画する際に多くの考慮事項を意図的に無視したことに注意してください。)
その最後のタスクは、もはやあなたの仕事ではありません。 単純なテストの場合のように、個々の実行で答え (スイート スポット) が得られることはもはや期待されていません。 このアプローチはモデルによって駆動され、モデル中心です。 たとえば、これらの因子の非線形効果がないことがわかっている場合、終点以外の因子水準から得られる効果 (勾配パラメーター) に関する情報は少なくなります。 貪欲な実験者は、利用可能な最大情報に満たない条件で実行を無駄にすることはありません。
スイート スポットは、モデルの予測による実験で決定されます。 特定の条件をテストした結果ではありません。 （もちろん、予測は経験的に確認されなければなりません。）
設計のためのモデルの選択は、いくつかのアプローチの 1 つとそれに関連する信念によって達成されます。
- すべての潜在的な影響を表す項を含む、可能な限り最大のモデルから始めます。 たとえば、JMP のデフォルトの RSM モデルには、すべての主効果、2 因子交互作用効果、および 2 次非線形効果の項が含まれています。 この選択は、実行回数の点で最もコストがかかります。 ただし、これ以上の実験 (経済性のための元の設計の拡張) は必要ないでしょう。
- 主効果のみを表す項を含む最小のモデルから始めます。 JMP のデフォルト モデルは、この最小限の用語セットを提供します。 この計画では、高次効果が存在し、その推定値が主効果の推定値と相関している場合、偏った推定値が生成されます。 これらの難問は、追加の項を使用して新しいモデルを追加実行することで解決できます。デザイン増強.
- 適切である可能性が最も高いと思われるモデルから始めます。 デフォルトのモデルは使用しません。 ケースごとに、主効果、交互作用効果、および非線形効果を選択します。 カスタム設計では、各項にさらなる選択肢が提供されます: 可能であれば推定可能です。 このオプションは、実験を実行する前に項が非 null であることが確実でない場合でも、項をモデルに含めることができることを意味します。 計画は 1 つのモデルに対して最適ではありませんが、潜在的な項が与えられたすべての可能なモデルのセットに対して最適です。
スイート スポットを達成する因子水準を考慮することに頼ったことは一度もありません。 私はする必要はありません。 私はすべきではありません。 その仕事はデザインの役割ではありません。 そのタスクがモデルの役割なので、できる限り最高のモデルを取得しましょう。 その結果には、モデルを推定するためのデータの最適な設計が必要です。
この簡単な説明がお役に立てば幸いです。 DOE に関する教育の完全なレッスンには不十分ですが、うまくいけば、DOE のスイート スポットがどこから来るのか、因子水準をどのように選択する必要があるのか (ユーザーではなく設計によって) が明確になることを願っています。
JMPを参照ヘルプ>書籍>実験計画法JMP でカスタム デザインを使用する方法の詳細については、
見る "実験の最適計画法: ケーススタディアプローチ独学で学びたい場合は、ピーター・グースとブラッドリー・ジョーンズによる実験への最新のアプローチを参照してください。
見るJMP ソフトウェア: 実験のカスタム計画専門家による教室での指導を希望する場合。
