整体（或数据驱动的 DOE）<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />我们已经为 JMP 日创建了一个整体的 DOE 演示，非常感谢反馈和编辑改进。 主要目标是说明的价值使用引导森林的 JMP Pro 与使用插补和逐步选择的 JMP用于辅助设计下一个实验的变量选择方法。 这建立基于 Phil Kay 最近开发的几个演示。 请解压附带的 zip归档并打开 Holistic DOE Case Study 期刊。 打开杂乱的制作数据大纲看整体DOE demo的流程：
- 统计建模：EDA、统计和经验的结合
- 杂乱的数据使问题和提纲复杂化相关 X 的问题展示了 Phil 创建的一个数据集，其中包含一个 Y 和两个高度相关的 X，表明传统逐步方法选择一个 X 与 Bootstrap Forest 选择两个 X 可能会影响 Y。
- 然后，整体 DOE 大纲建立在前两个大纲的基础上，其中包含匿名的杂乱数据来自条带示例。 它是带有匿名列的随机行样本的条带示例。 这是一个只有 20 行的样本，用于尝试模仿研发中可能典型的数据大小。点击第一个数据后链接其余链接给出演示流程以说明程度缺失数据，连续 X 的相关性，然后比较通过选择的 X 变量逐步回归，带插补的逐步回归，决策树informative missing 也是一种逐步变量选择方法，和缺少信息的引导森林。 引导森林与信息缺失给出了可能影响 Y 的潜在 X 的更大列表，并且因此可以更好地保证我们不会错过重要的 X。 在这一点可能值得总结 AB Agri 的故事（不分配AB Agri 的问题/解决方案）：领先的动物开发和生产商feedstuff 在选择时错过了一个重要的 X，浪费了一个研发周期通过使用传统的逐步选择方法的一组相关的 X。 这个意味着他们必须以相当大的费用重复一个研发周期，有六个几个月的上市时间导致销售损失和市场减少机会。 他们现在通过使用引导森林避免重复这个问题以及识别所有潜在 X 的相关变量选择方法一组相关的 X，不管你的一些数据单元是否是失踪。
- DSD 子大纲然后对引导森林选择的六个变量执行 DSD，并通过逐步选择方法（由于模型效应的零或接近零相关结构，现在有效）导致模型涉及 6 个因素中的 5 个。 如果我们使用逐步变量选择方法（有或没有缺失插补），我们将错过 5 个重要 X 中的 4 个，并且需要进一步的开发周期，增加上市时间、开发成本并减少产品销售机会提早，通常可以收取保费。
很高兴获得改进演示的反馈，使其简洁、简单、引人注目……
马尔科姆
回复：整体（或数据驱动的 DOE）这是我最新版本的整体 DoE（或数据驱动 DoE / 3D / D-cubed）颜料演示。 原始版本有点模糊，而在这个版本中，从 DoE 派生的模型应该与历史数据非常吻合。 选择的历史数据具有高度的多重共线性，这导致逐步建模遗漏了重要的影响。
如果您对案例研究的背景故事有疑问，请询问。
干杯，
菲尔
回复：整体（或数据驱动的 DOE）抱歉延迟发布下面的录音。很棒的会议马尔科姆和菲尔。谢谢。
查克锅炉
_______________________________________________________________________
您的录音现在可以在 WebEx 服务站点上使用。 点击下面的链接
播放它：
https://sasmeetings.webex.com/sasmeetings/lsr.php?RCID=8d822e09f2cc4a98a0300b360e65f3bd
JMP SE's-20140908 1655-1 月度概览
旧金山时间 2014 年 9 月 8 日星期一上午 9:55
1 小时 10 分 5 秒
* 您可以将此消息转发给其他人，让他们回放
记录。 *
------------------------------------
附加选项
------------------------------------
要编辑录制信息和播放控制选项，请单击链接
以下：
https://sasmeetings.webex.com/sasmeetings/editrd.php?RCID=aa8a3762ac4e4141847ae0125251b5d9
要查看此录音的更多选项，例如下载，请单击链接
以下：
https://sasmeetings.webex.com/sasmeetings/viewrd.php?RCID=9667b157b1084061a492381aa18bab76
要查看您的所有 WebEx Meeting Center 录制文件，请单击以下链接：
https://sasmeetings.webex.com/sasmeetings/servicerds.php?SP=MC
http://www.webex.com
回复：整体（或数据驱动的 DOE）
你好，
我附上了一本只有颜料研磨案例研究的期刊。 所有数据表都用脚本编码，因此您不需要任何其他文件。 我将继续完善这一点，并欢迎提出改进建议。
今天在客户身上试用了这个，他们似乎非常相信。
干杯，
菲尔
回复：整体（或数据驱动的 DOE）感谢昨天的介绍，伙计们。 我认为这个期刊有很大的潜力。 它既简单又强大，并且很好地展示了 Pro 的价值，即使在这些较小的数据集上也是如此。
当准备好征求意见和建议时，您能否分享 Phil 的示例？ 我也想试验这些数据。
回复：整体（或数据驱动的 DOE）我认为这在 45 分钟内是可行的。 我们将在今天看到. 我不会参加 SE 会议，但请告诉我进展情况。
回复：整体（或数据驱动的 DOE）我们稍微简化了这些材料 - 更简单的 DSD 结果并在整个期刊中添加了文本以指导讨论，特别是以下可能会激发考虑 Pro 的对话主题：
- EDA、统计方法和经验的结合是一种有效的组合，但它能扩展吗？
- 从相关 X 中选择变量以选择 X 用于下一个实验的相关风险是什么？ 当您的相关 X 包含分类变量时怎么办？
- 当缺失单元格导致数据表稀疏时，您如何提取有用信息以帮助变量选择？
- DOE 的有效性取决于选择正确的 X 集和改变 X 的范围。 在设计下一个实验时，如何将选择错误变量和错误因子范围的风险降至最低？
马尔科姆
回复：整体（或数据驱动的 DOE）行，
这是我得到的 45 分钟的简短版本。
- 将幻灯片 14 - 19 与标题幻灯片一起使用来预热并结束它可能没问题。
- 您可能没有时间了解 Mouldmat EDA 示例。
- Ascombe Quartet 适用于不合适的拟合和良好的热身过度拟合示例。 我认为您会有时间这样做，并且符合 JMP/数据分析方法的视觉和统计输出的 EDA 意识形态，但取决于时间。 也许跳过这个并做简短的 Mouldmat 示例？ 我更喜欢 ascombe 来说明有关制作/拟合模型的几点
- 绝对做过度拟合的例子。
- 肯定做 Correlated X's（也介绍 Pro）
- 将整体 DOE 示例部分的缺失数据示例限制为仅一个输出/视觉。 第一个很好。 我在脚本中隐藏了前两个创建的表，因此只显示图形生成器。 我认为这本身就是一个引人注目的视觉效果，并显示了有多少缺失的数据
- 对于整体 DOE 示例，除了讨论另一种处理缺失数据的方法外，也许可以跳过关于估算数据集的中间部分，但这无济于事，与以前相同的问题（无法收敛/减半限制等，只选择了几个因素，并且只有一个在所选择的因素中真正重要）。 然后显示缺少信息的决策树和 Bootstrap。 使用变量选择摘要我认为说明了一切，并允许您跳过显示推算数据分析。 显示带有插补的数据表作为示例。 如果您确实有时间，那么快速逐步演示问题是相同的。
- 我认为您的简化 DSD 示例可以工作并且足够简单。
- 我附上了一份精简的 PPT 和日记，其中包含您发送给我的文件（以及更新的 DSD 完成的工作表）。
我希望这有助于简化一些演示。
克里斯
回复：整体（或数据驱动的 DOE）谢谢马尔科姆，
我现在正在梳理它，目标是最多 45 分钟并包含既定目标。 我会删除PPT部分。 Correlated X 的部分是一个很好的演示，说明可能会出现什么问题，因此应该保留。 我会继续努力，然后再回复你。
克里斯
回复：整体（或数据驱动的 DOE）嗨，克里斯，
抱歉回复慢，我一直在路上。 此处显然有太多材料无法进行简短的有效演示，我主要是在寻找将其缩短为 30 到 45 分钟演示的建议，以尝试让从事研发工作的现有 JMP 用户看到 Pro 在变量选择方面的潜力作为设计下一个实验的输入。 我没有时间记录演示流程，但您将从掌握 JMP 记录的链接中获得一些主要思想。 我假设目标受众可能没有意识到以下潜在问题：
如果出现一个或多个这些问题，除非在变量选择时非常小心，否则可能会选择 X 的较小子集进行进一步实验，结果是总开发时间较长，这可能会产生很大的经济影响。 部分目标是尝试让对话从 Pro 的增量功能转移到 Pro 的增量价值。
目标是尝试在最长 45 分钟的演示中演示这些问题。 因此，需要做大量工作来缩减当前演示以实现此目标。
Correlated Xs 演示是由 Phil 创建的，他应该以此为荣。
马尔科姆
回复：整体（或数据驱动的 DOE）嗨，马尔科姆，
我现在正在看。 到目前为止有四个问题和两个评论：
问题：
- 整个会话的时间范围/总时间是多少？
- 您是否大致了解了何时、多长时间以及是否有休息时间？ （有助于简洁微调）
- 您是否计划通过整个电源点来设置研讨会/日的舞台？
- 您计划在模垫示例上花费多少时间？您要提出的要点是什么？
注释：
- 我在期刊中看到 Ansombe Quartet 的例子来解释一些合适的问题。 我注意到该数据集也存在于样本数据中，但结构不同。 我个人喜欢示例数据集中的问题描述简洁性，但也强调需要图表和统计数据才能正确查看问题，但我想这取决于所提出的观点以及你想多快到达那里。
- 我喜欢 Correlated X 示例的简单性
将查看其余部分并回复您。
