DSD 접근 방식을 사용하여 허용되지 않는 요소 조합 및/또는 선형 제약 조건을 구현합니까?안녕하세요 여러분,
저는 현재 DSD 플랫폼의 장점을 Custom-Design 플랫폼과 결합하는 데 어려움을 겪고 있으며 어느 정도 실행 가능한 솔루션을 찾지 못했습니다.
임무는 가능한 한 적은 수의 실행(현재 약 90개)을 사용하여 약 30개의 연속형 변수와 8개의 범주형 변수를 조사하고 프로세스 지식을 기반으로 의미가 없는 조합을 삭제하는 것입니다. 게다가 우리는 이미 많은 주효과가 (그 자체로) 존재한다는 것을 알고 있기 때문에 주로 상호작용에 관심이 있습니다.
어떤 제안이라도 환영합니다.
친절한 감사
에곤
Re: DSD 접근 방식을 사용하여 허용되지 않는 요소 조합 및/또는 선형 제약 조건을 구현합니까?모두 안녕하십니까,
이 프로젝트 내에서 동료들과 내부적으로 논의할 귀하의 의견에 진심으로 감사드립니다. 결과에 대해 알려드리겠습니다.
친절한 감사
에곤
Re: DSD 접근 방식을 사용하여 허용되지 않는 요소 조합 및/또는 선형 제약 조건을 구현합니까?좋아요, @마크_베일리 , 당신은 내가 기여하도록 유도했습니다. 나에 대해 몇 가지 생각이 있어요 @egon_gross .
1. 순전히 논리적인 관점에서, 각 치료 조합에 지시된 대로 38개 요인 모두를 필요한 수준으로 실제로 설정할 수 있다고 얼마나 확신하십니까? 모든 주 효과와 불특정 상호작용 모음을 불특정 효과 순서(2방향, 3방향 또는 그 이상?)로 원한다고 말씀하셨습니다. 따라서 가능한 모든 두 가지 요소 상호 작용의 절반과 효과 추정 목적을 위해 약간의 자유도가 남아 있기를 원한다고 가정해 보겠습니다. 따라서 최소한의 많은 치료 조합을 보고 있는 것입니다. 38가지 요소로! 내 경험으로는 설계된 실험을 실행하는 팀에 있었을 때 요소가 10개 미만이었음에도 불구하고 우리가 아무리 노력해도 상황이 엉망이 되었습니다. 누군가 레벨을 잘못 설정했거나, 실수로 치료 조합을 복제했거나, 필요한 치료 조합을 실행하지 않았거나...이는 효과 추정에 큰 영향을 미칠 것입니다. 아니면 조합을 잘못된 블록에 넣거나 다른 실험적 실행 실패 모드에 넣을 수도 있습니다. 게다가 우리는 자신이 실수를 했다는 사실도 종종 몰랐습니다! 차단에 대해 말하자면... 다시 생각해보자.
2. 대규모 실험을 통해 차단이 필요할 수 있는 시나리오를 구상할 수 있습니다. 예를 들어, 실험을 하루 이상 실행해야 하고 사람들이 매일 효과가 있을지 걱정한다면 하루가 차단 요인이 되어야 합니다. 아니면 일정을 최소화하기 위해 누군가 반응 용기 등 2개, 3개 또는 그 이상에서 실험을 실행하기로 결정하는 시나리오는 어떻습니까? 또 다른 차단 요인. 그리고 차단은 제한된 무작위화의 한 형태이기 때문에 세 번째 생각을 해보자.
3. 다음과 같이 @마크_베일리 실험 실행 순서를 완전히 무작위로 지정할 수 있습니까? 일종의 분할 플롯 설계가 필요하지 않다면 JMP의 맞춤 설계 조타실에 있는 것입니다. 이제 마지막 생각입니다.
행운을 빕니다...실험이 성공하고 공유할 의향이 있다면 JMP 블로그 항목이 멋진 이야기가 될 것입니다!
Re: DSD 접근 방식을 사용하여 허용되지 않는 요소 조합 및/또는 선형 제약 조건을 구현합니까?답변 순서는 시간순이 아닙니다. 어떤 답장 버튼을 클릭하느냐에 따라 달라집니다. 이 답변이 마지막이길 바랍니다!
동료, @P_바텔 , 두 가지 매우 중요한 문제를 제기했습니다. 첫 번째 문제는 너무 많은 요인을 사용하여 무작위화가 얼마나 비현실적인가입니다. 이 문제는 DSD가 아닌 맞춤형 분할 플롯 디자인을 사용해야 함을 의미합니다. 두 번째 문제는 수많은 요인을 사용하는 실험에서 모든 실행을 얼마나 잘 제어할 수 있는지입니다.
Peter가 이 스레드에 이 두 가지 문제에 대한 심층적인 통찰력을 추가하기를 바랍니다.
Re: DSD 접근 방식을 사용하여 허용되지 않는 요소 조합 및/또는 선형 제약 조건을 구현합니까?Mark의 훌륭한 게시물에 추가하는 것뿐입니다. 나는 약간 혼란스럽다고 말해야 한다. 영향을 미치는 38가지 요소가 있다는 것을 이미 알고 계시나요? 이제 2차 항을 조사하고 싶으신가요? 이것은 매우 드문 일입니다. 실험 원칙 중 하나인 효과의 희소성을 따르지 않습니다. 일반적으로 조사할 요소가 너무 많으면 실험을 위해 더 관리하기 쉬운 크기로 숫자를 줄이기 위해 일종의 직접 샘플링(변이 구성 요소) 연구를 제안합니다. 이렇게 많은 용어가 포함된 예측 모델이 있다는 것은 상상할 수 없습니다. 해당 모델을 "실제 세계"에 적용하는 것은 사실상 불가능합니다. 내가 가진 또 다른 생각은 당신이 소음에 대해 전혀 논의하지 않는다는 것입니다. 단기적인 노이즈 요소(예: 측정 오류)부터 장기적인 요소(예: 주변 조건, 입력 변수의 로트 간 변동)까지. 당신이 공부하는 것에 대한 나의 관심이 최고조에 달했다고 말하고 싶습니다.
Re: DSD 접근 방식을 사용하여 허용되지 않는 요소 조합 및/또는 선형 제약 조건을 구현합니까?DSD에서 실행을 수동으로 제거하거나 기존 실행에서 수준을 조정하면 고유한 분석이 의존하는 접이식 구조가 파괴됩니다. 이 시점에서 결과 디자인은 더 이상 DSD가 아니며 더 이상 DSD의 이점을 제공하지 않습니다. 나는 동의한다 @ian_jmp 작동하기에 적합한 맞춤형 디자인을 찾을 수 있어야 한다는 것입니다.
나는 가장 현실적인 데이터가 관련된 모든 요소를 실험에서 나온다고 믿기 때문에 다음과 같은 접근법을 제안하고 싶지 않지만, 그 접근법이 항상 가능한 것은 아닙니다. 또 다른 방법은 요인을 두 개 이상의 실험으로 나누는 것입니다. 이 접근 방식은 상호 작용하는 요소를 분리할 위험이 있습니다. 이러한 상호 작용은 모델링할 수 없으며 이는 프로세스 동작의 주요 특징일 수 있습니다. 어떤 요소를 분리할지에 대해 위험도가 낮은 결정을 내리려면 상호 작용에 대한 충분한 프로세스 지식이 필요합니다.
Re: DSD 접근 방식을 사용하여 허용되지 않는 요소 조합 및/또는 선형 제약 조건을 구현합니까?DSD는 다소 엄격하며 모든 경우에 대한 솔루션을 제공하지 않습니다. 그러한 상황은 맞춤형 디자인을 사용해야 하는 경우입니다. 내 답변의 나머지 부분은 맞춤 디자인을 기반으로 합니다.
이미 38개 요인을 선별하셨나요? 데이터를 사용할 수 있나요? 새 모델에 맞게 기존 데이터를 보강하고 상호 작용을 테스트하는 것이 가능할 수 있습니까? 증강은 경제를 위해 기존 데이터를 활용하면서 새로운 증거로 더 많은 것을 배울 수 있는 좋은 방법입니다.
"말도 안 된다"고 말씀하시는 것은 이러한 치료법이 물리적으로 불가능하다는 뜻입니까, 아니면 나쁜 결과(바람직하지 않은 반응)를 낳을 가능성이 높다는 뜻입니까? ㅏ 시험 "승자를 선택"하는 데 사용되는 일종의 추측 게임입니다. 안 실험 반응의 바람직 여부에 관계없이 모델에 맞게 데이터를 수집하도록 설계된 계획입니다. 이 두 가지 접근 방식과 그 뒤에 숨은 사고방식에는 큰 차이가 있습니다. 귀하의 사례가 전자인 경우 말도 안되는 실행을 제거할 수 있는 방법이 있습니다. 귀하의 경우가 후자라면 저는 편견에 근거한 어떤 실행도 제거하지 않을 것입니다.
모든 2단계 상호작용을 추가하겠습니다.상호작용 효과에 대한 공정 지식이 있습니까? 상호작용이 불가능하다는 것을 알고 있는 경우 이 용어를 제거하십시오. 상호작용이 활성화된 것을 알고 있다면 이를 유지하세요(1차 효과). 나머지는 변경하세요. 추정 가능성 ~에서 필요한 에게 가능하다면 (잠재적 효과). 이 변경으로 인해 베이지안 최적 설계 . 추정에 필요한 모수 수와 항상 동일한 최소 실행 수를 재설정합니다. 이러한 변화는 귀하의 예산을 충족시키기 위해 디자인의 경제성을 높이는 데 도움이 될 것입니다. 최소 실행 횟수 이상을 사용하는 것이 좋습니다. 좋은 접근 방식은 잠재적인 상호 작용을 고려하고 실제로 얼마나 많은 상호 작용이 활성화될 것인지 결정하는 것입니다. 물론, 당신은 이 숫자를 모르지만, 경험에 근거한 추측을 하십시오. 이러한 효과 각각에 대해 3~4회 실행을 추가합니다. 예를 들어, 30개의 잠재적 상호작용이 있지만 그 중 4개만 활성화될 것으로 예상되는 경우 최소 실행 횟수에 12~16회를 추가합니다.
이 연구는 주로 화면 효과에 관한 것입니까? 30+8 요인이 활성 상태라는 것을 이미 알고 있으므로 요인을 선별할 필요가 없다고 말씀하셨습니다. 그렇다면 권장 기준인 D-최적을 그대로 두십시오. 기본 목표가 모델 선택과 최적화인 경우 기준을 I-최적으로 변경합니다. 목표가 선별 효과와 최적화의 조합인 경우 기준을 A-최적으로 변경합니다.
모델 매개변수나 반응을 적절하게 추정해야 하는 필요성과 경제성에 대한 필요성 간의 균형을 맞추고 싶습니다. 모델의 항 수가 많으면 실행 횟수도 많아지지만 결정에 대한 신뢰 구간과 가설 검정을 설정하는 데 사용되는 오류 자유도가 반드시 많지는 않습니다. 따라서 일반적으로 반응 표준 편차 크기의 3~4배에 달하는 효과를 기대합니다. 가장 큰 효과를 생성하려면 연속형 요인의 범위를 넓혀야 합니다. 최적이 될 것으로 예상되는 수준 주변의 범위를 좁히지 마십시오. 그것은 테스트 접근 방식입니다. 더 넓은 범위의 지원과 실험적인 접근 방식.
Re: DSD 접근 방식을 사용하여 허용되지 않는 요소 조합 및/또는 선형 제약 조건을 구현합니까?Custom Design을 사용하여 여러 가지 디자인 옵션을 만드는 동안 나는 의문의 여지가 없는 엄청난 실험적 노력을 겪었습니다. 두 번째 접근 방식(DSD 생성, 허용되지 않는 조합을 수동으로 제거한 후 디자인 평가)도 막다른 골목으로 끝났습니다. 그럼에도 불구하고 나는 몇 가지 선형 제약을 암시하는 Custom Design에 기회를 줄 것입니다.Re: DSD 접근 방식을 사용하여 허용되지 않는 요소 조합 및/또는 선형 제약 조건을 구현합니까?말씀하신 내용을 고려하면 맞춤형 디자인이 가장 좋은 방법이 될 것으로 예상됩니다. 하지만 당신은 이 방법으로 얻은 디자인이 마음에 들지 않는다는 뜻이기도 하므로 할 말이 더 있을 것 같습니다. 물론 귀하가 언급한 '프로세스 지식'이 일련의 선형 제약 조건을 통해 표현될 수 있고 일부 공동 효과를 추정해야 하지만 일부는 이해가 되지 않는다는 사전 기술 지식이 있는 경우 맞춤형 디자인은 올바른 접근 방식.
