整體（或數據驅動的 DOE）<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />我們已經為 JMP 日創建了一個整體的 DOE 演示，非常感謝反饋和編輯改進。 主要目標是說明的價值使用引導森林的 JMP Pro 與使用插補和逐步選擇的 JMP用於輔助設計下一個實驗的變量選擇方法。 這建立基於 Phil Kay 最近開發的幾個演示。 請解壓附帶的 zip歸檔並打開 Holistic DOE Case Study 期刊。 打開雜亂的製作數據大綱看整體DOE demo的流程：
- 統計建模：EDA、統計和經驗的結合
- 雜亂的數據使問題和提綱複雜化相關 X 的問題展示了 Phil 創建的一個數據集，其中包含一個 Y 和兩個高度相關的 X，表明傳統逐步方法選擇一個 X 與 Bootstrap Forest 選擇兩個 X 可能會影響 Y。
- 然後，整體 DOE 大綱建立在前兩個大綱的基礎上，其中包含匿名的雜亂數據來自條帶示例。 它是帶有匿名列的隨機行樣本的條帶示例。 這是一個只有 20 行的樣本，用於嘗試模仿研發中可能典型的數據大小。點擊第一個數據後鏈接其餘鏈接給出演示流程以說明程度缺失數據，連續 X 的相關性，然後比較通過選擇的 X 變量逐步回歸，帶插補的逐步回歸，決策樹informative missing 也是一種逐步變量選擇方法，和缺少信息的引導森林。 引導森林與信息缺失給出了可能影響 Y 的潛在 X 的更大列表，並且因此可以更好地保證我們不會錯過重要的 X。 在這一點可能值得總結 AB Agri 的故事（不分配AB Agri 的問題/解決方案）：領先的動物開發和生產商feedstuff 在選擇時錯過了一個重要的 X，浪費了一個研發週期通過使用傳統的逐步選擇方法的一組相關的 X。 這個意味著他們必須以相當大的費用重複一個研發週期，有六個幾個月的上市時間導致銷售損失和市場減少機會。 他們現在通過使用引導森林避免重複這個問題以及識別所有潛在 X 的相關變量選擇方法一組相關的 X，不管你的一些數據單元是否是失踪。
- DSD 子大綱然後對引導森林選擇的六個變量執行 DSD，並通過逐步選擇方法（由於模型效應的零或接近零相關結構，現在有效）導致模型涉及 6 個因素中的 5 個。 如果我們使用逐步變量選擇方法（有或沒有缺失插補），我們將錯過 5 個重要 X 中的 4 個，並且需要進一步的開發週期，從而增加上市時間、開發成本並減少產品銷售機會提早，通常可以收取保費。
很高興獲得改進演示的反饋，使其簡潔、簡單、引人注目……
馬爾科姆
回复：整體（或數據驅動的 DOE）這是我最新版本的整體 DoE（或數據驅動 DoE / 3D / D-cubed）顏料演示。 原始版本有點模糊，而在這個版本中，從 DoE 派生的模型應該與歷史數據非常吻合。 選擇的歷史數據具有高度的多重共線性，這導致逐步建模遺漏了重要的影響。
如果您對案例研究的背景故事有疑問，請詢問。
乾杯，
菲爾
回复：整體（或數據驅動的 DOE）抱歉延遲發布下面的錄音。很棒的會議馬爾科姆和菲爾。謝謝。
查克鍋爐
_______________________________________________________________________
您的錄音現在可以在 WebEx 服務站點上使用。 點擊下面的鏈接
播放它：
https://sasmeetings.webex.com/sasmeetings/lsr.php?RCID=8d822e09f2cc4a98a0300b360e65f3bd
JMP SE's-20140908 1655-1 月度概覽
舊金山時間 2014 年 9 月 8 日星期一上午 9:55
1 小時 10 分 5 秒
* 您可以將此消息轉發給其他人，讓他們回放
記錄。 *
------------------------------------
附加選項
------------------------------------
要編輯錄製信息和播放控制選項，請單擊鏈接
以下：
https://sasmeetings.webex.com/sasmeetings/editrd.php?RCID=aa8a3762ac4e4141847ae0125251b5d9
要查看此錄音的更多選項，例如下載，請單擊鏈接
以下：
https://sasmeetings.webex.com/sasmeetings/viewrd.php?RCID=9667b157b1084061a492381aa18bab76
要查看您的所有 WebEx Meeting Center 錄製文件，請單擊以下鏈接：
https://sasmeetings.webex.com/sasmeetings/servicerds.php?SP=MC
http://www.webex.com
回复：整體（或數據驅動的 DOE）
你好，
我附上了一本只有顏料研磨案例研究的期刊。 所有數據表都用腳本編碼，因此您不需要任何其他文件。 我將繼續完善這一點，並歡迎提出改進建議。
今天在客戶身上試用了這個，他們似乎非常相信。
乾杯，
菲爾
回复：整體（或數據驅動的 DOE）感謝昨天的介紹，伙計們。 我認為這個期刊有很大的潛力。 它既簡單又強大，並且很好地展示了 Pro 的價值，即使在這些較小的數據集上也是如此。
當準備好徵求意見和建議時，您能否分享 Phil 的示例？ 我也想試驗這些數據。
回复：整體（或數據驅動的 DOE）我認為這在 45 分鐘內是可行的。 我們將在今天看到. 我不會參加 SE 會議，但請告訴我進展情況。
回复：整體（或數據驅動的 DOE）我們稍微簡化了這些材料 - 更簡單的 DSD 結果並在整個期刊中添加了文本以指導討論，特別是以下可能會激發考慮 Pro 的對話主題：
- EDA、統計方法和經驗的結合是一種有效的組合，但它能擴展嗎？
- 從相關 X 中選擇變量以選擇 X 用於下一個實驗的相關風險是什麼？ 當您的相關 X 包含分類變量時怎麼辦？
- 當缺失單元格導致數據表稀疏時，您如何提取有用信息以幫助變量選擇？
- DOE 的有效性取決於選擇正確的 X 集和改變 X 的範圍。 在設計下一個實驗時，如何將選擇錯誤變量和錯誤因子範圍的風險降至最低？
馬爾科姆
回复：整體（或數據驅動的 DOE）行，
這是我得到的 45 分鐘的簡短版本。
- 將幻燈片 14 - 19 與標題幻燈片一起使用來預熱並結束它可能沒問題。
- 您可能沒有時間了解 Mouldmat EDA 示例。
- Ascombe Quartet 適用於不合適的擬合和良好的熱身過度擬合示例。 我認為您會有時間這樣做，並且符合 JMP/數據分析方法的視覺和統計輸出的 EDA 意識形態，但取決於時間。 也許跳過這個並做簡短的 Mouldmat 示例？ 我更喜歡 ascombe 來說明有關製作/擬合模型的幾點
- 絕對做過度擬合的例子。
- 肯定做 Correlated X's（也介紹 Pro）
- 將整體 DOE 示例部分的缺失數據示例限制為僅一個輸出/視覺。 第一個很好。 我在腳本中隱藏了前兩個創建的表，因此只顯示圖形生成器。 我認為這本身就是一個引人注目的視覺效果，並顯示了有多少缺失的數據
- 對於整體 DOE 示例，除了討論另一種處理缺失數據的方法外，也許可以跳過關於估算數據集的中間部分，但這無濟於事，與以前相同的問題（無法收斂/減半限制等，只選擇了幾個因素，並且只有一個在所選擇的因素中真正重要）。 然後顯示缺少信息的決策樹和 Bootstrap。 使用變量選擇摘要我認為說明了一切，並允許您跳過顯示推算數據分析。 顯示帶有插補的數據表作為示例。 如果您確實有時間，那麼快速逐步演示問題是相同的。
- 我認為您的簡化 DSD 示例可以工作並且足夠簡單。
- 我附上了一份精簡的 PPT 和日記，其中包含您發送給我的文件（以及更新的 DSD 完成的工作表）。
我希望這有助於簡化一些演示。
克里斯
回复：整體（或數據驅動的 DOE）謝謝馬爾科姆，
我現在正在梳理它，目標是最多 45 分鐘並包含既定目標。 我會刪除PPT部分。 Correlated X 的部分是一個很好的演示，說明可能會出現什麼問題，因此應該保留。 我會繼續努力，然後再回复你。
克里斯
回复：整體（或數據驅動的 DOE）嗨，克里斯，
抱歉回复慢，我一直在路上。 此處顯然有太多材料無法進行簡短的有效演示，我主要是在尋找將其縮短為 30 到 45 分鐘演示的建議，以嘗試讓從事研發工作的現有 JMP 用戶看到 Pro 在變量選擇方面的潛力作為設計下一個實驗的輸入。 我沒有時間記錄演示流程，但您將從掌握 JMP 記錄的鏈接中獲得一些主要思想。 我假設目標受眾可能沒有意識到以下潛在問題：
如果出現一個或多個這些問題，除非在變量選擇時非常小心，否則可能會選擇 X 的較小子集進行進一步實驗，結果是總開發時間較長，這可能會產生很大的經濟影響。 部分目標是嘗試讓對話從 Pro 的增量功能轉移到 Pro 的增量價值。
目標是嘗試在最長 45 分鐘的演示中演示這些問題。 因此，需要做大量工作來縮減當前演示以實現此目標。
Correlated Xs 演示是由 Phil 創建的，他應該以此為榮。
馬爾科姆
回复：整體（或數據驅動的 DOE）嗨，馬爾科姆，
我現在正在看。 到目前為止有四個問題和兩個評論：
問題：
- 整個會話的時間範圍/總時間是多少？
- 您是否大致了解了何時、多長時間以及是否有休息時間？ （有助於簡潔微調）
- 您是否計劃通過整個電源點來設置研討會/日的舞台？
- 您計劃在模墊示例上花費多少時間？您將提出哪些要點？
註釋：
- 我在期刊中看到 Ansombe Quartet 的例子來解釋一些合適的問題。 我注意到該數據集也存在於樣本數據中，但結構不同。 我個人喜歡示例數據集中的問題描述簡潔性，但也強調需要圖表和統計數據才能正確查看問題，但我想這取決於所提出的觀點以及你想多快到達那裡。
- 我喜歡 Correlated X 示例的簡單性
將查看其餘部分並回复您。
