RSM対DSD対拡張DSD対スペースフィル拡張DSDコミュニティさん、こんにちは。
現在、どのモデルで進めるか迷っているため、手を差し伸べました。 以前に 5 因子 CCC RSM を実行し、R 二乗値が 0.95 を超える二次関係を構築することに成功しました。 すごいですよね？ また、これは半分要因計画だったので、27 回の実行 (シミュレーションなので中心点は 1 つ) でした。
今回は、別の 5 要素 RSM または DOE を実行する予定です。 注意点としては、以前の RSM ではアルファ ポイントが簡単に設計されていたということです。 今回はそうではなく、制限はハードリミットです。 CCF または CCI (内接) を検討しましたが、これら 2 つは精度または関心のある設計空間全体をカバーするかのいずれかにリスクをもたらします。
質問: CCC に推奨する実行回数、または代替モデルの種類は何ですか? 27 回以下の実行に等しい代替計画で、線形、双方向交互作用および二次項を高い信頼性を持って予測するにはどうすればよいでしょうか? 従来の RSM と比較した相関行列の違いのため、DSD や拡張 DSD、あるいは拡張された空間充填 DOE を備えた DSD を使用することさえ心配です。
CCCは作れないデザインもあるので対象外です。
君たちありがとう！
Re: RSM vs DSD vs Augmented DSD vs Space Filled Augmented DSDOP、
私はあなたの発言と要求に少し混乱しています。 マークはいくつかの素晴らしい質問をしました。 気にしないでいただければ幸いですが、他にもいくつかコメント/質問、個人的な考えがあります。
状況を理解せずにアドバイスをすることは非常に困難です。 どの応答変数を最適化しようとしていますか? どのような要因が操作されていますか (また、それらの要因の選択に関連する仮説は何ですか?) これは実行中のシミュレーションです。正しいですか? ノイズをどのようにシミュレートしていますか? シミュレーションにはアルゴリズムがプログラムされていることを理解してください。 操作している要素がそのアルゴリズムに含まれていない場合、それらは重要ではないと表示されます。 シミュレーション ソフトウェアを作成したのは誰ですか? シミュレーションが現実を予測しているとどの程度確信していますか? R 二乗はストーリー全体を伝えるものではありません。 R 二乗は、モデルに自由度を追加するたびに増加します。 R 2 乗と調整された R 2 乗の間のデルタに興味があります。 調整された R 2 乗は、デフォルトの報告値である必要があります。 これがシミュレーションなら、なぜラン数を減らすことにこだわるのでしょうか? 計算能力が足りないのでしょうか？
逐次実験 (ボックス博士の応答曲面法) を考えると、有意因子 (関心) の数を減らすために計画計画 (多数の x、予測子変数) をスクリーニングすることから始めるかもしれません。 これは、希少性と効果の階層性の原則に基づいています。 次に、関心を示すもの (たとえば、データ内の実際に重要で興味深いパターン、予測と比較して珍しいパターン) について反復します。 最終的には、最適化して予測多項式 (シミュレーションではなく現実世界で役立つ予測多項式) を作成する必要があるかもしれません。 注: 複雑な非線形モデルは、予測と管理が困難です。 本当に最適な空間にいるのであれば、おそらく進化作戦 (EVOP) のような戦略の方が良いかもしれません。
乾杯、
請求書
Re: RSM vs DSD vs Augmented DSD vs Space Filled Augmented DSDありがとう、マーク、相関関係の最小化が基本だったと思います。 私は今、それらをアドホックなアプローチと並べて比較しています。 カスタム設計は拡張 DSD よりも大幅に小さいため、このアプローチを試すことに自信を持っています。
改めてお時間をいただきありがとうございました！ ソフトウェアやこれらのフォーラムを通じてさらに学ぶことを楽しみにしています。Re: RSM vs DSD vs Augmented DSD vs Space Filled Augmented DSD問題ない。 ただはっきりさせておきたいのです。
一部の中央複合設計では、モデルからエイリアスを削除する実行が提供されますが、すべてのエイリアスが削除されるわけではありません。 カスタム設計により、推定値間の相関関係が最小限に抑えられるか、排除されます。 また、特定の設計に取り組む前に考慮すべき最適性基準と設計評価情報を選択することもできます。
スペースを埋めるデザインで DSD を拡張することはお勧めしません。 まず、DSD を使用する主な利点の 1 つは、スクリーニング原則が当てはまれば拡張が必要ないことです。 第 2 に、スペース充填デザインの実行の追加は、元のデザイン (DSD) に関する情報をまったく利用しないアドホックなアプローチです。 最後に、方向性と原則に基づいたアプローチ、拡張デザインがあります。 このプラットフォームは基本的にカスタム設計ですが、前の実験の実行から始まり、パラメーター (因子範囲、モデル項など) を変更するときにこれらの実行を補完します。
Re: RSM vs DSD vs Augmented DSD vs Space Filled Augmented DSDマーク、
用語をわかりやすく説明していただきありがとうございます。
私が意味するのは、デザインを作成できる唯一のウィンドウとしての「関心のあるウィンドウ」です。 Design Expert を使用して RSM を設定した後、クラシック CCD に基づいて設計を評価できると思いますが、1 次項と 2 次項のエイリアシング項は見つかりません。 それが、私が使い慣れた、おそらく混乱を招く用語の原因となったのだと思います。
DSD + 空間充填、計算シミュレーションにおける空間充填の利点について読んできましたが、純粋に空間充填は、N が因子の数である「10N」ルールに基づいて高価になります。 DSD とスペースフィリングの組み合わせは同僚から提案されたもので、それが可能かどうかを知りたかったのです。
ちなみに、私はカスタム デザインがとても気に入っているので、その提案に感謝します。JMP で使用するのは非常に簡単です。 Design Expert にはカスタム設計機能がありますが、制約を設定するのは困難です。
マークさん、ご返答誠にありがとうございます。 彼らをより深く理解できることに本当に興奮しています。
-カルロス
Re: RSM vs DSD vs Augmented DSD vs Space Filled Augmented DSD私は、「良好な予測が確認された」とは、モデルを使用して以前にテストされていない条件下で新しい応答を予測し、その結果が予測と矛盾しなかったことを意味すると解釈します。
軸点 (「アルファ点」ではありません) は、使用した設計方法に固有のものです。 中心複合計画では、軸点を使用して、特定の因子の 2 次項 (非線形効果) を推定します。 データテーブルを作成した後、いつでも因子水準をより実用的な値に変更できます。 古い CCD 方式はそれほど柔軟性がありません。 ちなみに、カスタム設計では構築に軸点を使用しないため、元の係数範囲を超えることが回避されます。
RSM には用語の別名や混同がないと言えるのはなぜですか? この主張をどのように正当化しますか? 「別名」と「混乱」という用語の意味と使い方を理解していないと思います。 また、このような概念は要因計画という古い設計手法でのみ意味を持ちます。 相関関係は、古い設計と新しい設計の両方に適用される、より一般的で包括的な用語です。
モデルを選択したら、推定効率と電力解析を使用するという記述はナンセンスです。 これらは、応答データを観察する前に設計を評価するために使用されます。 モデルは応答を観察した後に選択されますが、その時点では推定効率と電力は意味を持ちません。
「関心のあるウィンドウ」の考え方に注意してください。 最適な設定が予想される場所によって制限されるように係数範囲を選択するという意味ではないことを願います。 このアプローチでは通常、推定やテストが難しい小さな効果が生じます。
DSD とスペースフィリング デザインを一緒に使用することに関する別の参照を見たことがあります。 このアイデアをどこで見つけたのか教えていただけますか?
幸運を祈ります。
Re: RSM vs DSD vs Augmented DSD vs Space Filled Augmented DSDマークさん、素早い返信をありがとうございます。いくつかの段落ですべてを説明するのは難しいので、あなたが指摘したいくつかの点に答えるために最善を尽くします。
- これは、最初のケースではうらやましい R 平方結果です。 モデルは確認しましたか？
- 以前の RSM では、テスト データと一致する良好な予測および調整済みの r 二乗値が確認されていたため、半要因モデルは目的に最適であると考えられました。
- 「アルファ ポイントは簡単に設計できる」、「制限は厳しい制限である」、「精度または関心のある設計空間全体をカバーするかのいずれかにリスクが生じる」とはどういう意味ですか?
- アルファ ポイントとは、CCC デザインの場合、アルファ ポイントは最適化のウィンドウを助ける「誇張された」デザインであり、以前の RSM では問題ありませんでしたが、この新しい RSM ではデザインがより複雑になり、これらのアルファ ポイントに到達するのが困難になるということです。今では不可能です。 因数 4 の下限が 0 だとすると、アルファ ポイントは負の値を生成します。
- 「実行回数や代替モデルの種類」を尋ねることは、「リンゴとオレンジ」を比較するようなものです。 サンプル サイズは、推定可能性と検出力を考慮して考慮されます。 モデルはバイアスと分散を考慮したものです。 何を聞いていますか？
- そうです、RSM にはエイリアシングがなく、二次関係までの交絡項がないことはわかっています。 一方、拡張設計 (スペース充填など) を備えた DSD は、これらの用語の一部を混乱させますが、最終的には RSM と同じ値をポイント予測することができます。
- あなたが尋ねる " 27 回以下の実行に等しい代替計画で線形、双方向交互作用および二次項を信頼性を持って予測するにはどうすればよいでしょうか? 」 推定効率と電力分析は、その質問に答えるのに役立ちます。
- わかりました。適切なモデルを選択したら必ずこれを実行します。
- DSDの目的は、ふるい分けしたがって、次の場合にのみ成功します。スクリーニングの原則所有。 たとえば、5 つの要素のうち最大 2 つが積極的な影響を与えると予想しますか?
- あなたはそう言います」製作不可能なデザインもございます。 」 なぜ？
- これはアルファ ポイントのほうが多かったですが、対象のウィンドウ内にあり、モデルがそのウィンドウ内で非常にうまく予測できれば、成功です。 ある程度の混乱を招く用語があることは承知していますが、RSM のように高い信頼性を持って予測できるのであれば、ぜひ研究してみたいと思います。
- RSM のようなものを実現するために、スペースで満たされた DOE を使用して DSD を読み込んできましたが、多大な時間の投資になるため、その一歩を踏み出して試してみるのが怖いと思います。
- あなたが提案したような代替案として、カスタム設計機能を試して、どのような種類の検出力と相関行列が他のものと比較されるかを確認してみます。
マークさん、お時間をいただきありがとうございました！
-カルロス
Re: RSM vs DSD vs Augmented DSD vs Space Filled Augmented DSDあちこちで跳ねているようです！ 落ち着いてやり直しましょう。
最終的な目標は、成功したモデルを当てはめることです。 選択するモデルは、線形予測子を使用する重回帰モデルです。 必要なデータを収集し、そのようなモデルに適合させることができます。 ただし、データによってはフィッティングに問題が生じる可能性があります。 したがって、設計では線形モデルに最適なデータを見つけようとします。 ただし、デザインは不変ではありません。
また、設計原則も避けられません。 設計方法は互換性があります。 カスタム設計は最も柔軟性のある最新の方法であるため、カスタム設計をお勧めします。 そして、それが非現実的または不可能な処理を伴う設計を生み出した場合、それらを変更してください。
あなたの状況について話しましょう。
- これは、最初のケースではうらやましい R 平方結果です。 モデルは確認しましたか？
- 「アルファ ポイントは簡単に設計できる」、「制限は厳しい制限である」、「精度または関心のある設計空間全体をカバーするかのいずれかにリスクが生じる」とはどういう意味ですか?
- 「実行回数や代替モデルの種類」を尋ねることは、「リンゴとオレンジ」を比較するようなものです。 サンプル サイズは、推定可能性と検出力を考慮して考慮されます。 モデルはバイアスと分散を考慮したものです。 何を聞いていますか？
- あなたが尋ねる " 27 回以下の実行に等しい代替計画で線形、双方向交互作用および二次項を信頼性を持って予測するにはどうすればよいでしょうか? 」 推定効率と電力分析は、その質問に答えるのに役立ちます。
- DSDの対象は、ふるい分けしたがって、次の場合にのみ成功します。スクリーニングの原則所有。 たとえば、5 つの要素のうち最大でも 2 つが積極的な影響を与えると予想しますか?
- あなたはそう言います」製作不可能なデザインもございます。 」 なぜ？
