JMP カスタム DOE と完全要因 DOE の比較こんにちは、
JMP を初めて使用します。 カスタム DOE 設計と完全実施要因 DOE 設計の違いを学び、理解したいと考えています。 4 つの変数 (それぞれ 2 水準、4 番目の変数はカテゴリカル) を使用して実験を設計しています。 完全な階乗には 16 回の実行が必要です。 ただし、カスタム デザインで実験をビルドすると、JMP でのデフォルトの実行数は 12 になります。 これらのそれぞれの実行数が異なるのはなぜですか? 完全階乗 (2^4) で 16 になる理由がわかりました。 しかし、なぜ JMP はカスタム設計で 12 個だけを推奨しているのでしょうか? これらのそれぞれの設計では何が想定/考慮されていますか?
これに関してご協力いただければ幸いです。
ありがとう、
サジット
Re: JMP カスタム DOE と完全実施要因 DOE私は異なる意見を持っていますが、それを提示する前に、実験計画法の戦略と原則は計画法の選択に影響されないということだけを言っておきたいと思います。
古典的 (通常の) 部分実施要因計画法の欠点は、混乱を招くことです。 (プラケット・バーマン計画も、交絡効果ではなく相関効果をもたらすため、あなたも好きではないと思います。) 交絡は理解するのが簡単かもしれません (私はそうは思いませんが) が、まだ多くのことを推定することはできません。効果の。 主要なスクリーニング原則は、交絡効果に関する私の決定の指針となりますが、原則は保証されていないため、私の結論も保証されません。 交絡パターンは、ほとんどのユーザーにとって任意です (最小収差設計)。 限られた範囲で交絡を選択できますが、作業は簡単ではありません。予備知識がほとんどない場合は何を変更すればよいでしょうか? したがって、古典的なデザインにもある程度のリスクがあります。
カスタム設計では、事前に見積もり内容を指定するよう求められます。 さらに、モデルが不確実な場合に、主要な影響と潜在的な影響を特定して、一連のモデルに最適な設計を生成することもできます。 次に、推定値間の相関関係 (D 最適) が最小化されるため、相関関係が除去できない場合は分散が大きくなりますが、すべての効果に対して推定が可能になります。 DOE 戦略では、設計手法に関係なく、分散を最小限に抑えながら効果量を最大化するために全力を尽くします。 エイリアス最適化設計を使用すると、相関関係をより簡単に管理することもできます。
単体計画を使用した最も単純な混合実験は、相関推定値にもかかわらずなんとか成功しました。 これらの設計に混乱を招く影響がないのは良いことのように思えます。
一部実施要因計画に中心点を追加すると、効果の相関関係も導入されます。
JMP の拡張設計法 (固定セットの実行によるカスタム設計) は難しくありません。 これは、次の実験ラウンドを計画し、経験的証拠を増やすために私が知っている最も簡単で柔軟な方法です。 新しい因子範囲、新しいモデル項、および新しい実行の数を指定できます。 犠牲はありません。
カスタム設計では、因子、モデル、ランダム化、ブロッキングなどの指定された設計仕様に最適な場合に、古典的な結果が得られます。 ただし、カスタム デザインでは、従来の選択肢の間にある他のすべてのデザインを作成できます。 カスタム設計には、経済性以外にも多くの利点があります。 では、なぜクラシックなデザインから始める必要があるのでしょうか?
Re: JMP カスタム DOE と完全実施要因 DOE@sajithD主効果のみを含むモデル仕様ウィンドウと 12 実行計画を表示する 2 番目の投稿に細かい櫛を入れすぎないように注意してください...選択した 2 因子の交互作用を推定できます。 その理由は、そうするのに十分な自由度があるからです。 しかし、として@スタットマンは指摘しています...パラメータ推定値間の相関関係を理解するには、設計評価プラットフォームを使用して数分を確実に費やす必要があります。 12 回の実行計画は主効果のみを推定するのが最も効率的ですが、2 因子交互作用も推定できます。
Re: JMP カスタム DOE と完全実施要因 DOE2つの考えを追加するには@cwilldenそして@スタットマンの健全なアドバイス:
1. 最適な設計手法を使用すると、実験計画チームは、実験計画に含めたくない特定の組み合わせ (この表現は「禁止された組み合わせ」と呼ばれることがよくあります) を明確にすることができます。 場合によっては、特定の組み合わせが重要ではない場合や、研究中のシステムに致命的な障害が発生したり、機器、人、環境に安全上の問題を引き起こす可能性があります。 したがって、JMP のカスタム デザイン計画セクションでは、実験者がこれらの組み合わせを禁止することができます。 古典的な計画では、因子の数、選択したエイリアシング (計画を分割する場合)、およびそれらのレベルに基づいて得られる結果が得られます。
2. 多くの場合、実験の実行数は何よりもリソースによって決まります。 材料、装置の時間、テストの労力、すべてが制約の役割を果たす可能性があります。 そのため、JMP のカスタム デザイン プラットフォームでは、実験に含める正確な実行数を指定できます。 繰り返しになりますが、古典的な計画の実行回数は、実験をリソースの制約に適応させる能力がなければ、「得られるものは得られる」ものです。
Re: JMP カスタム DOE と完全実施要因 DOE正しく、キャメロンの説明は非常に優れています。
最適設計の使用についてはさまざまな意見があると思います。最適設計は実行数やリソースが少なくなるという利点がありますが、リスクがないわけではありません。
古典的な分数階乗の利点は、エイリアシングを簡単に理解できることであり、部分的なエイリアシングはありません。 何を推定するか、何を混同するかを選択できます。 これは、反復処理を行う場合に非常に便利です。 最適設計に伴う潜在的な問題は、部分的なエイリアシングです。工学的または科学的に意味をなさない結果を説明するのは困難な場合があります。 交絡効果のエイリアスを除去するための次の実験を計画して実行するのは難しい場合があります。 確かに、私は自分の経験から非常に偏見を持っています。 実験は順番に行うのが最善であることがわかりました (最初の実験で適切な因子が最適なレベルでテストされる可能性はどれくらいですか?)。 最初の実験の目的は、より良い実験を計画することです。 したがって、必要な「実行」全体の数は、最初の実験とはあまり関係がなく、研究全体に関係します。 最適設計はリソースを節約できますが、反復して実行される複数の部分設計の加算性の利点が犠牲になる可能性があります。 デザインの選択に関するもう 1 つの考慮事項は、ノイズをどうするかということです...しかし、それは別の議論です。
Re: JMP カスタム DOE と完全実施要因 DOEどうもありがとうございます！ その説明はとても役に立ちました。
カスタム設計では、モデルに推定させたい高次の相互作用を指定する必要があると思います。 たとえば、以下は私のデザインのスクリーンショットです。 これに基づいて、私の設計では主効果のみを推定できることになりますが、正しいですか？ 高次の相互作用が必要な場合は、[モデル] で指定する必要があると思います。
キャメロンさん、ご協力ありがとうございました！
サジット
Re: JMP カスタム DOE と完全実施要因 DOEこの質問には学習内容全体が含まれていますが、できる限り要約してみます。カスタム デザインは、「最適」または「アルゴリズム」設計というまったく異なるパラダイムに基づいて構築されています。完全要因計画は古典的なタイプの DOE です。これらは、因子レベルの可能なすべての組み合わせを計画に強制します。これにより、直交効果 (モデル項間に相関がないため、与えられた実行数に対して係数が最大の精度で推定されます) など、非常に望ましい特性が設計に与えられます。また、すべての主効果と n 因子の n 方向交互作用までの高次項を推定することもできます。ただし、これらのデザインのサイズはすぐに爆発的に大きくなることがわかります。それぞれ 2 水準を持つ 8 つの因数を含む完全階乗には、2^8 = 256 回の実行があります。ほとんどの場合、実行回数が多すぎます。
古典的な計画では、実行数を減らすために分数階乗に注目します。これらの設計は、設計サイズを大幅に削減するために、高次モデルの項を戦略的に混同します。多くの場合、実験者は主効果と 2 因子交互作用のみに関心があります。したがって、8、7、6、5、4 方向の交互作用を推定する能力を失っても、ほとんど意味がありません。たとえば、わずか 64 回の実行で 8 因子の分数階乗を実行でき (254 回よりもかなり少ないです!)、相関のない主効果と 2 因子交互作用が依然としてあり、場合によってはそれより高い次数を推定することもできるかもしれません。細分化のレベル。これらのデザインは、他の多くの古典的なデザインの中でも特に理論に基づいて作成されています。
最適な設計は、基本的にアルゴリズムへの入力として必要なものを記述するコンピューター アルゴリズムから生成され、実験の目的を満たす最適な設計点のセットを含む設計が返されます。これは、いくつかの最適化基準が最適化される (ある基準に対して最大化、または他の基準に対して最小化される) まで、設計空間内の設計点 (別名、実行条件) を再配置するプロセスを通じて行われます。D 最適性と I 最適性という 2 つの非常に顕著な最適性基準があります。D 最適化は、モデル係数の正確な推定を強調します (これは非常に優れた万能の選択肢になりますが、人々が一般的に一部実施要因計画を選択するようなスクリーニング状況に優れています)。I 最適性は、低い予測分散を強調し、応答曲面設計とより関連しています。基本的な考え方は、古典的な設計は非常に厳密で妥協のないものですが、最適な設計では実験をニーズに合わせて調整できるということです。48 回程度の実行で 8 因子の状況に対して適切な計画を立てることができ、さらに、関心のあるすべてのモデル項 (主効果と 2 因子交互作用) を推定することもできます。私はモデル項間の部分相関を許容することでこの利便性を犠牲にしていますが、多くの場合、それはほとんど重要ではありません。
他の最適化基準はカスタム デザインにあります。A-optimality は新しく追加されたもので、非常に魅力的なデザインだと思います。
