DSD アプローチを使用して、許可されていない因子の組み合わせや線形制約を実装していますか?やあみんな、
私は現在、DSD プラットフォームと Custom-Design プラットフォームの利点を組み合わせるのに苦労していますが、ある程度実行可能な解決策が見つかりませんでした。
このタスクは、約 30 の連続変数と 8 つのカテゴリ変数をできるだけ少ない実行 (現在約 90) で調査し、プロセスの知識に基づいて意味のない組み合わせを破棄することです。 それに加えて、多くの主効果が (単独で) 存在することがすでにわかっているため、私たちは主に交互作用に興味を持っています。
あらゆる提案を歓迎します。
敬具
エゴン
Re: DSD アプローチを使用して、許可されていない因子の組み合わせや線形制約を実装していますか?みなさん、おはようございます
ご意見いただきありがとうございました。このプロジェクト内で同僚と議論する予定です。 結果についてはお知らせします。
敬具
エゴン
Re: DSD アプローチを使用して、許可されていない因子の組み合わせや線形制約を実装していますか?わかりました、 @Mark_Bailey 、あなたは私に貢献するようそそのかしました。 いくつか考えがあるのですが、 @egon_gross 。
1. 純粋に論理的な観点から見て、38 要素すべてを、各治療の組み合わせで規定されている必要なレベルに実際に設定できることにどの程度自信がありますか? すべての主効果と不特定の相互作用のコレクションが不特定の効果順序 (2 方向、3 方向、またはそれ以上?) で必要だと言いました。 したがって、考えられるすべての 2 因子交互作用の半分と、効果推定の目的でいくつかの自由度を残しておきたいと仮定します。つまり、最小限の治療の組み合わせを検討していることになります。 38要素あり！ 私の経験では、設計された実験を実行するチームにいたとき、要因が 10 未満であっても、どんなに頑張っても物事が台無しになってしまいました。 誰かがレベルを間違って設定したり、治療の組み合わせを誤って複製したり、必要な組み合わせを実行しなかったりした場合...これは効果の推定に多大な影響を及ぼします。 あるいは、組み合わせを間違ったブロックに入れてしまうかもしれません...または、その他の実験的な実行失敗モードです。 さらに悪いことに、私たちは自分が間違いを犯したことに気づいていないことがよくありました。 ブロックについて言えば...考え直してください。
2. 大規模な実験では、ブロッキングが必要となるシナリオを想像できます。 たとえば、実験を 2 日以上かけて実行する必要があり、人々が日々の影響があるのではないかと心配している場合、その日が阻害要因になるはずです。 あるいは、タイムラインを最小限に抑えるために、誰かが 2 つ、3 つ、またはそれ以上の反応容器で実験を実行することを決定するシナリオはどうでしょうか? もう一つの阻害要因。 そして、ブロックは制限されたランダム化の一形態であるため...3 番目の考えに移ります。
3.として@Mark_Bailey実験の実行順序を完全にランダム化できるでしょうか? そうでない場合は、何らかの分割プロット設計が必要になるため、間違いなく JMP のカスタム設計の操舵室にいます。 さて、最後の考えです。
成功を祈ります...実験がうまくいき、喜んで共有してくれるなら、JMP ブログのエントリーが素晴らしい記事になるかもしれません!
Re: DSD アプローチを使用して、許可されていない因子の組み合わせや線形制約を実装していますか?返信の順序は時系列ではありません。 どの返信ボタンをクリックするかによって異なります。 この返信が最後になることを願っています。
同僚、 @P_Bartel 、2つの非常に重要な問題が提起されました。 最初の問題は、非常に多くの要素がある場合、ランダム化がいかに非現実的であるかということです。 この問題は、DSD ではなくカスタムの分割プロット計画を使用する必要があることを意味します。 2 番目の問題は、非常に多くの要素を含む実験のすべての実行をどれだけうまく制御できるかということです。
Peter がこれら 2 つの問題についての深い洞察をこのスレッドに追加してくれることを願っています。
Re: DSD アプローチを使用して、許可されていない因子の組み合わせや線形制約を実装していますか?Mark の素晴らしい投稿に追加するだけです。 少し混乱していると言わざるを得ません。 影響を与える要因が 38 あることはすでにご存知ですか? そして今度は 2 次項を調べたいと思いますか? これは非常に珍しいことです。 それは実験の原則の 1 つである「効果の希少性」に従っていません。 通常、調査すべき要素が非常に多くある場合、私は、実験のためにその数を管理しやすいサイズに減らすために、ある種の有向サンプリング (変動成分) 研究を提案します。 これほど多くの項を含む予測モデルがあるとは想像できません。 そのモデルを「現実世界」に適用することは事実上不可能です。 もう一つ思うのは、あなたは騒音について全く議論していないということです。 ノイズの短期要素 (例: 測定誤差) から長期要素 (例: 周囲条件、入力変数のロット間の変動) まで。 あなたが勉強していることについて、私の興味は最高潮に達したと言わざるを得ません。
Re: DSD アプローチを使用して、許可されていない因子の組み合わせや線形制約を実装していますか?DSD 内のランを手動で削除したり、既存のランのレベルを調整すると、独自の分析が依存するフォールドオーバー構造が破壊されます。 この時点で、結果として得られるデザインは DSD ではなくなり、DSD の利点も提供されなくなります。 同意する@ian_jmp機能するカスタム デザインを見つけることができるはずです。
最も現実的なデータは関連するすべての要素を使用した実験から得られると私は信じているため、次のアプローチを提案することは好みませんが、そのアプローチが常に可能であるとは限りません。 別の方法は、因子を 2 つ以上の実験に分割することです。 このアプローチには、相互作用する要素を分離してしまうリスクがあります。 これらの相互作用をモデル化することはできませんが、それらはプロセス動作の重要な特性である可能性があります。 どの要素を分離するかについてリスクを低く決定するには、相互作用に関する十分なプロセス知識が必要です。
Re: DSD アプローチを使用して、許可されていない因子の組み合わせや線形制約を実装していますか?DSD はある程度厳格であり、あらゆる場合に解決策を提供するわけではありません。 このような状況では、カスタム デザインを使用する必要があります。 私の返信の残りの部分はカスタム設計に基づいています。
すでに 38 の要素をスクリーニングしましたか? データは入手可能ですか? 既存のデータを拡張して新しいモデルに適合させ、相互作用をテストすることは可能でしょうか? オーグメンテーションは、既存のデータを経済的に活用しながら、新しい証拠からさらに学ぶための優れた方法です。
「意味がない」というときは、これらの治療法は物理的に不可能であるという意味ですか、それとも悪い結果 (望ましくない反応) が生じる可能性が高いという意味ですか? あテストは、「勝者を選ぶ」ために使用される一種の推測ゲームです。 アン実験応答の望ましさに関係なく、モデルに適合するデータを収集するために設計された計画です。 これら 2 つのアプローチとその背後にある考え方には大きな違いがあります。 あなたのケースが前者の場合、無意味な実行を排除する方法があります。 あなたのケースが後者である場合、私は偏見に基づいてランを排除しません。
すべての 2 因子交互作用を追加します。相互作用効果に関するプロセスの知識はありますか? インタラクションが不可能であることがわかっている場合は、この用語を削除してください。 インタラクションがアクティブであることがわかっている場合は、それを維持します (主効果)。 残りの部分については、変更してください推定可能性から必要にもし可能なら(潜在的な影響)。 この変更により、ベイズ最適設計。 これにより、実行の最小数がリセットされます。これは、推定に必要なパラメーターの数と常に等しくなります。 この変更により、設計の経済性が予算を満たすのに役立ちます。 最小実行数を超える実行を使用することをお勧めします。 良いアプローチは、潜在的な相互作用を考慮し、実際にアクティブになる相互作用の数を決定することです。 もちろん、この数字はわかりませんが、知識に基づいて推測してください。 これらの効果ごとに 3 ～ 4 回の実行を追加します。 たとえば、潜在的なインタラクションが 30 個あるが、アクティブになるのはそのうちの 4 個だけであると予想される場合、最小値に 12 ～ 16 個の実行を追加します。
この研究は主に効果をスクリーニングするためのものですか? 30 + 8 因子が有効であることはすでにわかっているため、因子をスクリーニングする必要はないと述べました。 そうであれば、推奨基準である D-optimal のままにしておきます。 主な目標がモデルの選択とそれに続く最適化である場合は、基準を I-optimal に変更します。 目標がスクリーニング効果と最適化の組み合わせである場合は、基準を A 最適に変更します。
経済性の必要性と、モデル パラメーターまたは応答の適切な推定の必要性のバランスを取る必要があります。 モデル内の項の数が多いと、実行回数も多くなりますが、決定の信頼区間や仮説検定を確立するために使用される誤差自由度が必ずしも多くなるわけではありません。 したがって、通常は、応答標準偏差の 3 ～ 4 倍のサイズの効果が期待されます。 最大の効果を生み出すために、必ず連続因子の範囲を広げるようにしてください。 最適であると予想されるレベル付近の範囲を狭めないでください。 それはテスト的なアプローチです。 幅広いサポートと実験的なアプローチ。
Re: DSD アプローチを使用して、許可されていない因子の組み合わせや線形制約を実装していますか?カスタム デザインを使用していくつかのデザイン オプションを作成しているときに、非常に多大な実験的労力が発生し、問題になりませんでした。 2 番目のアプローチ (DSD を作成し、許可されていない組み合わせを手動で削除し、その後設計を評価する) も行き止まりに終わりました。 それでも、私はカスタム デザインにいくつかの線形制約を暗示する機会を与えます。Re: DSD アプローチを使用して、許可されていない因子の組み合わせや線形制約を実装していますか?あなたの言うことを考えると、カスタムデザインが最善の方法であると予想します。 しかし、この方法で到達したデザインに満足していないこともほのめかしているので、もっと言いたいことがあるかもしれません。 確かに、あなたが言及した「プロセスの知識」が一連の線形制約を介して表現できる場合、および一部の共同効果は推定する必要があり、一部はまったく意味をなさないという事前の技術的知識がある場合、カスタム設計は正しいアプローチ。
