안녕하세요, 맞춤형 DOE(예: 두 개의 연속 요인)에 대한 모델을 선택하는 방법에 대한 귀하의 생각이 궁금합니다. 내 목표가 최적화인지 알고 RS 모델을 선택하면 JMP가 설계 공간의 중심에 더 가까운 런을 추가하지만 설계 포인트를 검토할 때 항상 선택한 요인 수준 사이에 큰 차이가 있다는 느낌을 받습니다. JMP(산점도를 사용하여 확인). 이로 인해 최적화를 위한 최적의 지점을 놓칠 수 있다는 점이 걱정됩니다. 런 수를 늘리면 이러한 간격을 좁히지 않고 더 많은 반복 실험을 하게 됩니다. 나는 이 공간을 채우기 위해 고차 모델(Powers: 4th 또는 5th)을 사용해야 한다는 것을 알았습니다.
나는 DOE를 처음 접했기 때문에 이것이 이것에 대해 생각하는 올바른 방법인지 또는 특정 메트릭(분산 , 전원) 디자인 평가에서 좋아 보인다. 감사!
나는 모든 실험이 ~ 아니다 실행으로 "스위트 스팟"을 포함합니다. 그래도 난 아직 언제나 경험적 증거에서 무언가가 어떻게 작동하는지 알아야 할 때마다 실험을 사용합니다.
당신은 단순한 대학을 졸업하는 모든 사람들이 공통적으로 혼란스러워하는 지점에 직면했습니다. 테스트 에게 실험 , 그래서 그것에 대해 나쁘게 생각하지 마십시오. 실험의 목적은 요인 변화에 대한 반응을 적절하게 설명하는 모델에 맞는 최상의 데이터를 얻습니다. . 테스트가 아닙니다. 이 개념은 마스터, 탐욕스러운 실험자가 되기 위한 주요 단계입니다.
디자인 원칙은 모든 디자인 방법에서 함께 작동합니다. 우리는 맞춤형 디자인을 사용할 것입니다.
- 의미 있는 응답을 선택하거나 필요한 경우 둘 이상을 선택합니다.
- 반응에 영향을 미치는 모든 요인을 고려하고 연구를 위해 이들 요인 세트를 선택합니다. 나머지는 실험 내내 일정하게 유지됩니다.
- 가능한 한 연속 요소를 사용합니다. 각 요인에 대해 가장 넓은 범위를 사용하여 가장 강력한 검정력과 가장 효율적인 추정을 갖는 큰 효과를 보장합니다.
- 선형 회귀 모형에 대한 항을 선택하여 주효과, 교호작용 효과 및 충분한 차수의 비선형 효과를 포함하여 이러한 요인의 모든 효과를 나타냅니다. 요인 범위에 대해 2차 효과가 충분하지만 고차 항이 허용되는 것이 일반적입니다.
- 최적성에 대한 기준을 선택합니다. D-최적(모수 추정 및 테스트 강조) 또는 I-최적(예측 강조)입니다. (특별한 경우에는 다른 기준이 있습니다.)
- 이 실험의 실행 예산을 결정하고 설계를 합니다.
- JMP는 다음과 같은 요인 수준을 결정합니다. 가장 유익한 모델과 관련하여. 즉, 모델 매개변수의 추정을 지원하는 최상의 데이터를 집합적으로 제공합니다.
(일반적인 사고 과정을 설명하기 위해 실험을 설계할 때 의도적으로 많은 고려 사항을 무시했습니다.)
그 마지막 작업은 더 이상 당신의 일이 아닙니다. 개별 실행은 더 이상 간단한 테스트에서와 같이 답, 스위트 스폿을 산출할 것으로 기대되지 않습니다. 이 접근 방식은 모델에 의해 주도되며 모델 중심적입니다. 예를 들어 이러한 요인의 비선형 효과가 없다는 것을 알고 있는 경우 끝점 이외의 요인 수준은 효과(기울기 모수)에 대한 정보를 적게 제공합니다. Greedy Experimenter는 사용 가능한 최대 정보보다 적은 정보를 제공하는 조건으로 실행을 낭비하지 않습니다.
스위트 스폿은 모델의 예측에 의한 실험으로 결정됩니다. 특정 조건의 테스트 결과가 아닙니다. (물론 예측은 경험적으로 확인되어야 합니다.)
디자인을 위한 모델 선택은 다음과 같은 몇 가지 접근 방식 및 관련 신념 중 하나에 의해 수행됩니다.
- 모든 잠재적 효과를 나타내는 항을 포함하는 가능한 가장 큰 모형으로 시작하십시오. 예를 들어 JMP의 기본 RSM 모형에는 모든 주효과, 2요인 상호작용 효과 및 2차 비선형 효과에 대한 항이 포함됩니다. 이 선택은 실행 횟수 측면에서 가장 비쌉니다. 그러나 더 이상의 실험(경제를 위한 원래 디자인의 확대)은 필요하지 않을 것입니다.
- 주효과만 나타내는 항을 포함하는 가능한 가장 작은 모형으로 시작하십시오. JMP의 기본 모델은 이 최소 항 집합을 제공합니다. 이 설계는 더 높은 차수의 효과가 존재하고 그 추정치가 주효과의 추정치와 상관관계가 있는 경우 편향된 추정치를 생성합니다. 이러한 문제는 기간 동안 추가 항이 있는 새 모델에 대한 추가 실행으로 해결할 수 있습니다. 디자인 확대 .
- 가장 적합하다고 생각되는 모델부터 시작하십시오. 기본 모델을 사용하지 않습니다. 각 사례에 대한 주효과, 상호작용 효과 및 비선형 효과를 선택합니다. 맞춤형 디자인은 각 용어에 대해 추가 선택을 제공합니다: 가능한 경우 추정 가능. 이 옵션은 실험을 실행하기 전에 항이 null이 아닌지 확신할 수 없는 경우에도 모형에 항을 포함할 수 있음을 의미합니다. 설계는 하나의 모델에 대해 최적이 아니라 잠재적인 조건이 주어진 모든 가능한 모델 세트에 대해 최적입니다.
스위트 스폿을 달성하는 요인 수준을 고려한 적이 한 번도 없다는 점에 유의하십시오. 그럴 필요 없어요. 나는 안된다. 그 작업은 디자인의 역할이 아닙니다. 그 작업이 모델의 역할이므로 가능한 한 최상의 모델을 얻도록 합시다. 그 결과는 모델을 추정하기 위한 최상의 데이터 설계가 필요합니다.
이 간단한 설명이 도움이 되었으면 합니다. 그것은 DOE에 대한 교육의 전체 수업에 미치지 못하지만 DOE에서 스위트 스팟이 어디에서 오는지와 요인 수준이 어떻게 선택되어야 하는지(당신이 아닌 설계에 의해)를 명확히 하기를 바랍니다.
JMP 참조 돕다 > 서적 > 실험 설계 JMP와 함께 맞춤 디자인을 사용하는 방법에 대한 자세한 내용은
보다 " 최적의 실험 설계: 사례 연구 접근법 " 스스로 학습하는 것을 선호하는 경우 실험에 대한 현대적인 접근 방식에 대해 Peter Goos와 Bradley Jones가 작성했습니다.
보다 JMP 소프트웨어: 맞춤형 실험 설계 전문가와 함께하는 강의실 수업을 선호하는 경우.
