DOE: DSD の後に完全にカスタム デザインまたは拡張デザイン?7 つの連続因子と 2 つの離散数値因子 (存在/不在) があります。 DOE を使用して、どの因子が応答で役割を果たすかを特定し、因子間に相互作用があるかどうかを特定し、最終的に最適な応答のための因子の範囲を決定したいと考えています。
それを行うには 2 つの方法が考えられますが、因子と相互作用を特定するためのより正確なモデルが得られるのはどちらかわかりません。
1) 2 年前の DOE クラスルーム トレーニングで、JMP は現在カスタム デザインを使用することをユーザーに好んでいることを思い出しました。 カスタム計画を使用して、9 つの因子すべての主効果と第 2 交互作用を調べました。 私は52回走っています。 次に、RSM 計画を使用して別の DOE を設定し、2 次効果を特定する必要があります。
2) DSD を使用して、25 回実行しました。 DSD からのデータを分析した後、いくつかの重要な要素 (たとえば、4 ～ 5 つの要素) に絞り込むことができるはずです。これらの 5 つの要素を使用して設計を強化し、2 次交互作用と二次効果を追加します。 DSDからの分析を使用して、他の要因を修正します。 次に、9 つの追加の実行を設定し、それらを新しいブロックにグループ化する必要があります。
2 番目のアプローチでは、実行回数を 18 回減らすことができ (52 回対 25+9 回)、拡張設計の特定の要因の範囲を柔軟に変更できます。 特定の要因の範囲を変更した場合、予測分散を下げるにはより多くの実行が必要であることを理解しています。
オーグメントデザインを行う利点しか見えません。 一度にすべての要素を使用してカスタム設計を行う利点は何ですか? Augment Design と Custom Design はいつ使用する必要がありますか?
ありがとう。
DOERe: DOE: DSD の後に完全にカスタム設計または増強設計?ありがとう。 DOE の計画について理解が深まりました。
DOE について初めて学んだとき、カスタム計画または DSD を使用して主効果と交互作用を調べ、いくつかの要因を除外するように教えられました。 次に、応答曲面モデルを使用して、非線形効果があるかどうかを特定し、応答を最大化します。 実行できる実行回数やテストする因子の数に関係なく、私は常にこのアプローチに従いました。 あなたのコメントを読んだ後、1 つのカスタム デザインですべてを実行できると思い、すべてを実行できる理由を理解しました。 私たちのチームは 32 回の実行を行い、それがどうなるか見ていきます。
広い因子範囲を使用することを思い出させてくれてありがとう。 それは私が常に心に留めていることの1つであり、他の人にも伝えています。
Re: DOE: DSD の後に完全にカスタム設計または増強設計?(1) については、拡張を必要とする 52 回の実行を伴うカスタム デザインが必要であるという考えをどこで得たのかわかりません。 同様に、(2) については、主効果以上のものを推定するために DSD を拡張する必要があるという考えをどこで得たのかわかりません。
DSD は、RSM モデルのエイリアス最適カスタム設計の特殊なケースです。 それがDSDが発見された方法です。
DSD を拡張する必要がない場合もあります。 アクティブな因子が 3 つ以下の場合、9 つの因子の DSD は完全な 2 次モデルをサポートし、多くの場合、応答の範囲にわたって十分に正確です。 追加の実行を追加すると、効果的に「偽の」因子が追加されるため、計画の検出力とカバー率の両方が向上します。 その変更により、「効果の希薄性」の原則がより現実的になります。
カスタム設計は、特別な設計方法 (DSD など) の 1 つが適切でない場合や使用できない場合でも、最良の選択です。 たとえば、要因を変更するのが難しい場合は、DSD を使用しないでください。 また、スクリーニングのための他の機会を提供します。 RSM モデルを指定してから、すべての高次項の推定可能性を「必要」から「可能であれば」に変更できます。 この定義により、実行の最小数が大幅に削減されます。 次に、アクティブになると予想される潜在的な用語ごとに 3 ～ 4 回の実行を追加します。 たとえば、7 つの連続因子と 2 つのカテゴリ因子で 2 つの非線形効果と 3 つの交互作用が予想される場合、カスタム計画は 10 + (2+3)*4 = 30 回の実行になります。 今後、この設計を拡張する必要はありません。 このベイジアン I 最適計画は、効果サイズが応答の標準偏差の少なくとも 2 倍である場合、非常に高い検出力を示します。
モデルの精度を評価する唯一の方法は、その予測を確認することです。 少なくとも 2 つの予測をお勧めします。最適な応答の設定と応答の悪い設定です。 モデルがどこでも応答を予測できる場合、私はモデルをより信頼します。
最後に、すべての連続因子に対して常に広い因子範囲を使用して、最大検出力と最小推定標準誤差を確保してください。 どの実験でも最適な設定がどこにあるかを知っていると考えているため、因子範囲を変更、制限、または縮小しないでください。 因子範囲が広いと、より経済的な計画でより経験的なデータと経験が得られるのに、なぜ追加の実行を追加するのでしょうか? モデルをローカライズする理由
