JMP 사용자 정의 DOE와 전체 요인 DOE 비교안녕,
저는 JMP를 처음 사용합니다. Custom DOE 디자인과 Full Factorial DOE 디자인의 차이점을 배우고 이해하고 싶습니다. 저는 4개의 변수(각각 2개 수준, 4번째 변수는 범주형)를 사용하여 실험을 설계하고 있습니다. 전체 계승에는 16개의 런이 필요합니다. 그러나 사용자 정의 디자인에서 실험을 구축할 때 JMP의 기본 실행 횟수는 12입니다. 각각의 실행 횟수가 다른 이유는 무엇입니까? 전체 계승(2^4)에서 16인 이유를 알 수 있습니다. 그런데 JMP가 맞춤 설계에서 12개만 권장하는 이유는 무엇입니까? 이러한 각 설계에 무엇이 가정/요소로 포함되었습니까?
이에 대한 도움을 주시면 감사하겠습니다!
감사해요,
사지스
Re: JMP 사용자 지정 DOE와 전체 요인 DOE 비교나는 다른 의견이 있지만 그것을 제시하기 전에 실험 설계의 전략과 원칙은 설계 방법의 선택에 불변임을 말하고 싶습니다.
고전적(일반) 부분 요인 설계의 단점은 교란입니다. (나는 당신이 Plackett-Burman 설계를 좋아하지 않을 것이라고 예상합니다. 왜냐하면 그것들은 또한 교란된 효과보다는 상관 관계가 있기 때문입니다.) 교란은 이해하기 쉬울 수 있지만(저는 그렇게 생각하지 않습니다) 여전히 많은 것을 추정할 수 없습니다. 효과의. 주요 선별 원칙은 교란 효과에 대한 내 결정을 안내하지만 원칙이 보장되지 않으므로 내 결론도 아닙니다. 교란 패턴은 대부분의 사용자에게 임의적입니다(최소 수차 설계). 제한된 범위에서 교란을 선택할 수 있지만 작업이 쉽지 않으며 사전 지식이 거의 없으면 무엇을 바꿀 수 있습니까? 따라서 고전적인 디자인도 약간의 위험이 있습니다.
맞춤형 디자인은 내가 예상하고 싶은 것을 미리 지정하도록 요청합니다. 또한 모델이 불확실할 때 모델 세트에 최적인 설계를 생성하기 위한 기본 및 잠재적 효과를 식별할 수 있습니다. 그런 다음 추정값(D-최적) 간의 상관관계를 최소화하므로 상관관계를 제거할 수 없는 경우 분산이 더 커지더라도 모든 효과에 대해 추정이 가능합니다. DOE 전략에서는 설계 방법에 관계없이 분산을 최소화하면서 효과 크기를 최대화하기 위해 가능한 모든 작업을 수행합니다. 앨리어스 최적 설계로 상관 관계를 보다 쉽게 관리할 수도 있습니다.
심플렉스 설계를 사용하는 가장 간단한 혼합 실험은 상관 추정치에도 불구하고 성공합니다. 이러한 디자인에 교란 효과가 없다는 것이 나에게 좋은 것 같습니다.
부분 요인 설계에 중심점을 추가하면 효과의 상관관계도 도입됩니다.
JMP(런 세트가 고정된 맞춤형 설계)의 증대 설계 방법은 어렵지 않습니다. 다음 실험을 계획하고 경험적 증거를 늘리는 것이 내가 아는 가장 쉽고 유연한 방법입니다. 새 요인 범위, 새 모델 항 및 새 런 수를 지정할 수 있습니다. 희생은 없습니다.
맞춤형 설계는 요인, 모형, 무작위화, 차단 등 주어진 설계 사양에 최적일 때 고전적인 결과를 만들어 냅니다. 그러나 맞춤형 디자인은 고전적인 선택 사이에 있는 다른 모든 디자인을 만들 수 있습니다. 맞춤형 디자인은 경제성 외에도 많은 이점을 제공합니다. 그렇다면 왜 고전적인 디자인으로 시작해야 할까요?
Re: JMP 사용자 지정 DOE와 전체 요인 DOE 비교@SajithD 주효과만 있는 모델 사양 창과 12개 실행 설계를 보여주는 두 번째 게시물에 너무 세밀한 빗질을 하지 마십시오. 두 요인 상호작용을 선택하여 추정할 수 있습니다. 그렇게 할 수 있는 충분한 자유도가 있기 때문입니다. 그러나 ~함에 따라 @statman 지적합니다...모수 추정치 사이의 상관 관계를 이해하기 위해 설계 평가 플랫폼에서 몇 분을 보내야 합니다. 12개의 실행 설계는 주효과만 추정하는 데 가장 효율적일 것입니다...하지만 2개의 요인 상호 작용을 추정할 수 있습니다.
Re: JMP 사용자 지정 DOE와 전체 요인 DOE 비교두 가지 생각을 더하기 위해 @cwillden 그리고 @statman 의 건전한 조언:
1. 최적의 설계 방법을 통해 실험 계획 팀은 귀하가 실험 설계에 포함되기를 원하지 않는 특정 조합(이 문구는 종종 '허용되지 않는 조합'이라고 함)을 명확히 할 수 있습니다. 때로는 특정 조합이 관심이 없거나 연구 중인 시스템의 치명적인 오류 또는 장비, 사람 또는 환경에 대한 안전 위험을 유발할 수 있습니다. 따라서 JMP의 맞춤 설계 계획 섹션에서는 실험자가 이러한 조합을 허용하지 않도록 할 수 있습니다. 고전적 설계를 사용하면 요인 수, 선택한 앨리어싱(설계를 분할하는 경우) 및 해당 수준을 기반으로 얻은 결과를 얻을 수 있습니다.
2. 다른 무엇보다 리소스가 실험의 실행 횟수를 결정하는 경우가 많습니다. 재료, 장비 시간, 테스트 노력, 이 모든 것이 제한적인 역할을 할 수 있습니다. 그렇기 때문에 JMP의 맞춤형 설계 플랫폼을 사용하면 실험에 포함할 정확한 런 수를 지정할 수 있습니다. 다시 말하지만, 고전적 디자인 실행 횟수는 실험을 리소스 제약에 적응시키는 능력 없이 '얻은 만큼 얻는 것'입니다.
Re: JMP 사용자 지정 DOE와 전체 요인 DOE 비교정확하고 Cameron의 설명은 꽤 좋습니다.
최적 설계의 사용에 대해 의견이 다르다고 말할 수 있습니다...최적 설계는 실행/리소스를 적게 할 수 있는 이점을 제공할 수 있지만 위험이 없는 것은 아닙니다.
고전적인 분수 계승의 장점은 앨리어싱을 쉽게 이해할 수 있고 부분적인 앨리어싱이 없다는 것입니다. 추정하려는 항목과 혼동하려는 항목을 선택할 수 있습니다. 이것은 반복할 때 매우 유용합니다. 최적 설계의 잠재적인 문제는 부분적 앨리어싱입니다. 엔지니어링이나 과학적으로 타당하지 않은 결과를 설명하기 어려울 수 있습니다. 혼란스러운 효과를 제거하기 위해 다음 실험을 계획하고 실행하는 것은 어려울 수 있습니다. 물론, 나는 내 경험에 의해 극도로 편향되어 있습니다. 나는 실험이 순차적으로 수행되는 것이 가장 좋다는 것을 발견했습니다(첫 번째 실험에서 최적의 수준에서 올바른 요소를 테스트할 가능성은 얼마나 됩니까?). 첫 번째 실험의 목적은 더 나은 실험을 설계하는 것입니다. 따라서 필요한 "실행"의 전체 수는 첫 번째 실험과 거의 관련이 없지만 전체 연구와 관련이 있습니다. 최적 설계는 리소스를 절약할 수 있지만 반복적으로 실행되는 여러 부분 설계의 가산성 이점을 희생할 수 있습니다. 디자인 선택에 관한 다른 고려 사항은 노이즈로 무엇을 할 것인지입니다...하지만 그것은 또 다른 논의입니다.
Re: JMP 사용자 지정 DOE와 전체 요인 DOE 비교매우 감사합니다! 그 설명이 많은 도움이 되었습니다.
Custom Design에서 내 모델이 추정할 고차 상호 작용을 지정해야 할 것 같습니다. 예를 들어, 아래는 내 디자인의 스크린샷입니다. 이를 기반으로 내 설계는 주효과만 추정할 수 있습니다. 맞습니까? 고차 상호 작용이 필요한 경우 모델에서 지정해야 합니까?
도움을 주셔서 다시 한 번 감사드립니다, Cameron!
사지스
Re: JMP 사용자 지정 DOE와 전체 요인 DOE 비교그것은 그 질문에 포함된 전체 연구 과정이지만 가능한 한 요약하려고 노력할 것입니다.맞춤형 디자인은 "최적" 또는 "알고리즘" 디자인이라는 완전히 다른 패러다임을 기반으로 합니다.완전 요인 설계는 DOE의 고전적인 유형입니다.요인 수준의 가능한 모든 조합을 설계에 적용합니다.이는 설계에 직교 효과와 같은 매우 바람직한 특성을 제공합니다(모델 항 사이에 상관 관계가 없으므로 계수는 주어진 런 수에 대해 최대 정밀도로 추정됩니다).또한 n 요인에 대한 n방향 상호 작용까지 모든 주효과 및 고차 항을 추정할 수 있습니다.그러나 이러한 디자인의 크기가 빠르게 폭발한다는 것을 알게 될 것입니다.요인이 8개 있고 각각 수준이 2개인 완전 요인에는 2^8 = 256개의 런이 있습니다.대부분의 경우 너무 많이 실행됩니다.
기존 설계에서는 런 수를 줄이기 위해 부분 요인을 찾습니다.이러한 설계는 설계 크기를 크게 줄이기 위해 고차 모델 항을 전략적으로 교란시킵니다.많은 경우 실험자들은 주효과와 2요인 상호작용에만 관심이 있습니다.따라서 8, 7, 6, 5, 4 방향 상호 작용을 추정하는 능력을 잃는 것은 거의 중요하지 않습니다.예를 들어, 64회 실행(254보다 상당히 낮음!)에서 8개의 요인으로 부분 요인을 수행할 수 있으며 여전히 상관관계가 없는 주효과와 2요인 상호작용이 있으며 분별 수준.다른 많은 고전적인 디자인 중에서 이러한 디자인은 모두 이론에서 파생됩니다.
최적의 디자인은 기본적으로 알고리즘에 대한 입력으로 원하는 것을 설명하는 컴퓨터 알고리즘에서 생성되며 실험 목표를 충족하는 가장 최적의 디자인 포인트 세트로 디자인을 반환합니다.일부 최적화 기준이 최적화될 때까지(일부 기준에 대해 최대화되거나 다른 기준에 대해 최소화됨) 설계 공간 내에서 설계 포인트(일명 실행 조건)를 재정렬하는 프로세스를 통해 수행됩니다.D-최적성과 I-최적성이라는 2가지 매우 두드러진 최적성 기준이 있습니다.D-최적성은 모델 계수의 정확한 추정치를 강조합니다(다방면에서 꽤 좋은 선택이지만 사람들이 일반적으로 부분 요인 설계를 선택하는 선별 상황에서 탁월함).I-최적성은 낮은 예측 분산을 강조하며 반응 표면 설계와 더 관련이 있습니다.기본 아이디어는 고전적인 디자인이 매우 엄격하고 타협하지 않는 반면 최적의 디자인은 실험을 필요에 맞게 조정할 수 있다는 것입니다.나는 48개의 실행과 같은 것으로 8-요인 상황에 대해 적절한 설계를 할 수 있으며 여전히 내가 관심 있는 모든 모델 항(주효과 및 2-요인 상호 작용)을 추정할 수 있습니다.나는 모델 항 사이에 일부 부분 상관관계를 허용함으로써 이러한 편의에 대한 비용을 지불하지만, 그것은 종종 거의 중요하지 않습니다.
맞춤형 디자인에서 다른 최적 기준을 찾을 수 있습니다.A-최적성은 최신 추가 기능이며 매우 매력적인 디자인이라고 생각합니다.
