DoE 설정 선택DoE 설정에 대한 질문이 있으며 사용 가능한 모든 옵션 중에서 어떤 것이 가장 적합할 수 있습니다.
내 실험은 특정 화학 추출의 수율을 최대화하는 것과 관련이 있으며 연속(예: 시간, 온도, 부피) 및 범주(예: 샘플 번호, 흔들기 켜기/끄기) 모두 ~5, 2단계 매개변수가 있습니다.결과가 시끄러울 수 있고 한 번의 실행에서 24개의 실험으로 제한되므로 3중 실험을 하고 싶습니다.나는 센터 포인트의 장점도 고려하고 있습니다.내 목표는 출력을 정확히 시도하고 예측하기보다는 출력에 중요한 매개변수와 차이를 만들지 않는 매개변수를 찾는 것입니다.또한 이를 여러 DoE로 분할하는 것이 도움이 되는지 궁금합니다. 예를 들어 중요하지 않은 매개변수를 먼저 제거한 다음 중요한 매개변수를 더 깊이 조사합니다.
JMP에는 맞춤 설계, 최종 선별, 선별, 반응 표면, 완전 요인, 혼합 및 taguchi로 시작할 수 있는 옵션이 있습니다.연속 매개 변수에만 해당한다고 생각하므로 응답 표면을 제거할 수 있습니다.그러나 나머지는 무엇부터 시작해야 할지 확신이 서지 않으며 다른 경로에서 같은 지점에 도착할 수 있는 것 같습니다. 예: 스크리닝 -> 목록에서 선택 -> 전체 요인.스크리닝이 가장 적절할 것 같지만 어떤 접근 방식이 최선인지 결정하는 방법에 대한 커뮤니티의 생각을 듣고 싶습니다.
Re: DoE 설정 선택복제에 대해 한 가지 더 질문이 있습니다.
이상적으로는 각 실험을 두 번 또는 더 나은 세 번 실행하고 싶습니다.맞춤형 설계가 끝나면 최소, 기본 및 사용자 지정 중에서 실행 수를 선택할 수 있습니다.'Number of Replicate Runs' 위에 상자가 있지만 그 상자에 1을 입력해도 실행 수가 두 배가 되지는 않습니다.최소 및 기본값에 대한 원래 8 및 12의 경우 9 및 16으로 증가합니다. 고전적 -> 스크리닝 설계에서 복제 상자에 1을 추가하면 실제로 런 수가 두 배가 됩니다.맞춤 디자인에서 이것이 다른 이유는 무엇입니까?또한 중요한 것은 사용자 지정 디자인에 대해 복제를 0으로 설정하고 모든 제안된 실험을 복사하여 붙여넣어 모두 복제되도록 할 수 있습니까?
Re: DoE 설정 선택수성/유기 화학 추출인 경우 염수(NaCl)를 요인으로 고려해야 합니다. 포화 소금물 세척은 분할을 돕는 데 매우 효과적입니다.
Re: DoE 설정 선택D-효율은 기본적으로 직교성의 척도입니다. 모형 항 간에 상관관계가 없는 동일한 요인 및 런 수의 가상 설계와 비교한 설계의 d-최적성입니다. 대부분의 경우 이러한 디자인은 실제로 존재할 수 없습니다.
해당 실행 수에 대해 지정한 모든 요소를 포함하기 위해 모형 항 사이에 더 많은 상관 관계를 수용해야 한다는 인식일 뿐입니다. "나쁜" d-efficiency가 무엇인지 말하기는 어렵습니다. 컬러 맵뿐만 아니라 스크리닝 디자인의 유용성을 판단하는 데 검정력이 훨씬 더 나은 척도라고 생각합니다.Re: DoE 설정 선택매개변수를 몇 개 더 추가한 결과 약 83%의 D 효율성 점수를 얻었습니다.이것은 하나 이상의 중심점을 추가할 때 떨어지는 것처럼 보입니다. 이것은 곡률 응답과 관련이 있으며 정확하게 모델링할 수 없는 것입니까?그것들을 제외하는 것이 최선일까요? D 효율성 감소는 ~77%이지만 여기에 약간의 논의가 있지만 D 효율성이 좋은지 나쁜지 잘 모르겠습니다. https://community.jmp.com/t5/Discussions/D-Efficiency-and-resolution/td-p/47698
Re: DoE 설정 선택Cameron에게 감사합니다. 이것은 매우 유용한 조언입니다 
Re: DoE 설정 선택맞춤 디자인에 중심점을 얼마든지 포함할 수 있다는 점을 언급하는 것을 잊었습니다.이렇게 하면 응답 표면에서 곡률을 감지할 수 있지만 모델링할 수는 없습니다.이 단계에서 그것은 당신에게 그다지 중요하지 않은 것 같습니다.
Re: DoE 설정 선택목표에 대한 설명으로 볼 때 확실히 스크리닝 디자인이 필요한 것 같습니다.그러나 반응 표면 설계가 모든 연속 요인에 대한 것만은 아니라는 점을 지적하고 싶습니다.설계 공간 내에서 좋은 예측을 해야 하는 경우 결국 하나를 수행하고 싶을 것입니다.
모든 포인트를 여러 번 복제할 수는 없지만 24회 런의 5개 요인은 선별 설계에 대해 확실히 수행할 수 있습니다.맞춤 설계를 권장하고 모든 주요 효과 및 2요인 상호 작용의 모델을 지정합니다.거기까지 24번의 실행에서 5개의 요인을 실행했을 때 8개의 점이 복제된 설계를 얻었으므로 순수 오류에 대한 상당한 추정치를 얻을 수 있습니다.
결정적 선별은 응답 표면의 무언가를 동시에 얻고 훨씬 더 복잡한 분석을 시도하는 작업에 만족하지 않는 한 귀하에게 적합하지 않을 수 있습니다.혼합 설계는 여기서 관련이 없으며 전체 요인(5개 요인에 대해 32개 런)에 대한 런이 충분하지 않으며 Taguchi 배열은 꽤 구식이며 일반적으로 고도로 분할된 설계가 필요한 상황(귀하의 경우 아님)에 사용됩니다.
스크리닝 디자인 플랫폼에서는 기본적으로 계승(전체 및 분수)과 Plackett Burman을 선택할 수 있습니다.부분 요인은 2의 거듭제곱만 허용하므로 설계에 대해 8, 16 또는 32 런을 선택해야 합니다.16개의 실행에서 16개의 잠재적 모델 항으로 시작하기 때문에 오류에 대한 자유도가 없습니다.실험에서 큰 손잡이만 찾고 있다면 그렇게 할 수 있습니다.Placket Burman은 12회 실행되며 실제로는 주요 효과만 제공합니다.
맞춤 디자인으로 잘못 갈 수 없습니다.동일한 수의 실행에 대해 고전적인 설계를 매우 자주 재현하지만 맞춤 설계를 사용하면 추정하려는 모형과 포함할 실행 수에 대해 완전한 유연성을 가질 수 있습니다.최적성 기준으로 스크리닝 시나리오에 대한 D-최적성을 선택합니다.이 기준은 검정력/정확한 모수 추정치를 강조하므로 수행할 수 있는 런 수에 대한 중요한 효과를 탐지할 가능성이 가장 높습니다.
