검정력 시뮬레이터 도구(기존 정밀 연구 CV를 사용하여 분석에 대한 검정력 결정)안녕하세요 여러분,
분석에 대한 정밀 연구를 실행하기 위한 당사의 내부 관행은 다양한 분산 구성 요소(예: 일일, 계량 간 계량 등)에 대한 여러 CV를 생성합니다. 이로 인해 "이 CV를 사용하여 향후 실험 설계의 통계적 검정력을 결정할 수 있습니까?"라는 질문이 발생합니다. 종종 발생합니다.
대답:
그러나 쉽지 않습니다. Marianne(MTOF)은 실험 설계를 취하고 설계를 분석의 CV와 통합하고 실험 실행을 1,000회 시뮬레이션하는 워크플로우를 개발했습니다. 이를 통해 해당 효과에 대한 검정력을 계산하기 위해 각 고정 효과가 통계적으로 유의한 것으로 결정된 횟수를 결정합니다.
불행하게도 이 프로세스를 수동으로 수행하는 것은 시간 집약적이며 실수하기가 매우 쉽습니다. 그래서 자동화 작업을 진행했습니다.
제가 첨부한 추가 기능은 아직 프로토타입이지만 MTOF와 저는 이를 가지고 실험해 본 결과 테스트 준비가 완료되어야 한다고 믿습니다.
그렇다면 어떻게 작동하나요?
내가 새로운 분석에 대한 정밀 연구를 진행한다고 가정해 보겠습니다. 이 분석에서는 일일 CV가 4%, 샘플링 간 CV가 3%, 측정 간 CV가 2%임을 확인합니다.
잠시 후 두 번째 기계를 구입합니다. 우리는 원래 기계와 새 기계가 유사한 결과를 생성하는지 확인하기 위해 빠르고 작은 연구를 설계하고 싶습니다.
우리는 다음과 같은 간단한 실험 설계를 만들고 그것이 "충분히 좋은지" 알고 싶습니다.
(“하루 안에 각 기계에서 샘플링당 2개의 측정값으로 2개의 샘플링을 테스트합니다.”)
이제 시작해 보겠습니다.
- 추가 기능 시작
- 현재 열려 있는 모든 데이터 테이블을 보여주는 창이 나타납니다.
- 관심 있는 실험 디자인이 현재 열려 있는 경우 메뉴에서 이를 선택하고 확인을 클릭합니다.
- 파일이 열려 있지 않으면 "새 파일 가져오기"를 선택한 다음 확인을 누르십시오. 탐색기를 사용하여 관심 있는 파일을 선택하십시오.
- 기본 인터페이스가 시작되어 사용해야 하는 모델을 정의할 수 있습니다.
-
- 위에 표시된 데모 테이블의 경우 고정 효과는 "Machine"뿐이므로 모델에 추가하겠습니다.
-
- 내 임의 효과는 일, 샘플링 및 측정입니다. 먼저 Day 및 Sampling 효과를 추가합니다.
-
- 내 테이블이 설정된 방식으로 인해 Day 및 Sampling 모두 중첩을 올바르게 설정해야 합니다.
-
- 이제 "무작위로 선택 전환" 버튼을 사용하여 요일 및 샘플링을 무작위 효과로 설정합니다.
-
- 이러한 무작위 효과에 대한 CV를 설정할 수 있도록 두 개의 상자가 "무작위 효과 CV 정의" 사이드바에 나타납니다. Day에는 4%, Sampling에는 3%를 입력하겠습니다.
- 이제 걱정할 "측정 간" CV도 있는데 이 열은 입력 데이터 테이블에 추가되지 않았습니다. 측정은 가장 낮은 수준의 무작위 효과이므로 잔차와 혼동될 수 있습니다. 따라서 "새 잔차 열 생성"을 사용하여 측정 오류에 대한 열을 생성하고 CV를 2%로 설정할 수 있습니다.
-
- 다음으로 어떤 열이 응답 열(“결과”)인지 선택하고 확인을 클릭합니다.
-
- 입력된 데이터 테이블을 기반으로 새로운 데이터 테이블이 생성되며, 파일 이름 끝에 “_PowerSim#”이 수정됩니다. 따라서 원본 파일에는 아무런 해가 되지 않습니다.
- "시뮬레이션 실행" 스크립트가 새 파일에 포함됩니다. 평가를 시작하려면 아이콘을 클릭하세요.
-
- 먼저 차이를 감지하려는 고정 효과를 선택합니다. 이 설계에서는 하나의 선택(기계)만 있습니다.
-
- "감지할 차이" 사이드바 내에 상자가 나타납니다. 기본적으로 모든 것은 평균에 해당하는 100으로 설정됩니다.
- 내 실험 설계가 기계와 레벨의 5% 차이를 감지할 수 있는 능력을 갖고 있는지 알고 싶다고 가정해 보겠습니다. 이를 얻기 위해 New Machine의 값을 105로 변경합니다.
-
- 기본적으로 임계 알파 값은 5%로 설정됩니다. 원하는 경우 "Crit Value" 상자에서 이를 변경할 수 있습니다. 5%에 만족하므로 OK를 누르겠습니다.
- 이제 모델이 모두 실행될 때까지 기다립니다. 앞으로는 이 단계의 속도를 높이려고 노력할 예정이지만 지금은 실행하는 데 1분 정도 걸립니다.
- 완료되면 결과가 포함된 팝업이 나타납니다.
-
- 결과적으로 '기계'의 영향으로 알파 0.05에서 5%의 응답 차이를 탐지하는 검정력은 23.6%입니다. 그러니 별로 좋은 디자인은 아닙니다. 다시 돌아가 감지할 차이 및/또는 사용된 알파 값을 조정할 수 있지만 보다 견고한 설계를 만드는 것이 더 나을 것입니다.
- 이제 이것은 매우 간단한 예였습니다. 물론 더 복잡한 모델과 검사를 활용할 수도 있습니다.
-
구현되지 않은 특정 기능(내포된 고정 효과, 명목*연속 이외의 상호 작용)과 속도를 높이기 위해 수행할 수 있는 작업(예: 데이터 테이블 내의 모든 데이터를 미리 인쇄하는 대신 반복 시스템으로 이동)이 있습니다. ).
궁금한 점이 있으면 Marianne과 저에게 알려주세요.
편집: 버전 3에 대한 참고 사항을 찾을 수 있습니다. 여기
답: 검정력 시뮬레이터 도구(기존 정밀 연구 CV를 사용하여 분석에 대한 검정력 결정)이 추가 기능의 버전 3을 첫 번째 게시물에 첨부했습니다.
일반적인 버그 수정 외에도 두 가지 눈에 띄는 기능 변경 사항이 있습니다.
첫째, 이 도구는 더 이상 실험 설계를 1,000번 복제하지 않습니다(결과적으로 데이터시트는 1000×[디자인 행] 행 크기가 됩니다). 이렇게 하면 버그 테스트에 도움이 되었지만, 1000개의 모델을 한 번에 실행하는 대신 이제 하나의 모델을 실행하고 결과를 기록하고 무작위 기여 열을 재구성한 후 다음 모델을 실행하는 반복 방법으로 전환했습니다.
이는 실제로 프로세스 속도를 높이는 방법을 많이 제공하지는 않지만 매우 큰 실험 설계를 사용할 때 발생하는 정지/정지 현상을 방지하는 것입니다.
둘째, 이제 도구에는 "오류 처리"를 정의하는 옵션이 있습니다.
"정규 오류" 처리에서는 이전 버전과 동일한 정규 분포 오류를 사용합니다. "미생물 플레이트 오류"를 선택하면 작업이 약간 다르게 수행됩니다. (1) 오류 기여 열은 정규 분포 대신 로그 정규 분포를 갖게 됩니다. (2) 응답은 Log10 변환됩니다. 따라서 "로그 변환 응답"을 선택할 필요가 없습니다. "반응 열 선택" 개요 상자), (3) 분산은 CV 대신 표준 편차로 정의해야 하며, (4) 사용자는 새 시뮬레이션을 실행할 때 반응 수준을 지정해야 합니다.
이 기능은 미생물 플레이트 데이터를 더 잘 설명하기 위해 도입되었습니다. 이 방법론의 이면에 있는 방법론은 아직 활발히 개발 중이며 도구 구현이 확인되었지만 완전히 검증되지는 않았습니다. 따라서 이 오류 처리를 사용하여 얻은 결과를 조금도 고려하지 마십시오. 걱정된다면 이전처럼 플레이트 데이터에 대한 로그 변환 응답과 함께 "정상 오류"를 계속 사용하는 것이 좋습니다.
답: 검정력 시뮬레이터 도구(기존 정밀 연구 CV를 사용하여 분석에 대한 검정력 결정)>한 강사는 실험을 위한 무작위 블록 설계가 원래 현장 시험에서 다양한 수준의 토양 품질, 물 가용성 등과 관련된 많은 문제를 처리하는 데 도움을 주기 위해 식물 과학을 위해 특별히 고안되었다고 말했습니다("블록"). 말 그대로 들판에 있는 작물의 정사각형 미니 플롯이었습니다. 하지만 이것에 얼마나 진실이 있는지는 확실하지 않습니다.
분할 플롯과 같은 용어는 어디서 유래했다고 생각하시나요? 
Fisher는 농경학적 현장 시험을 위한 실험을 설계하고 ANOVA를 고안했습니다. 그리고 우리는 협력자들이 '유사한' 필드 덩어리를 따라 무작위 블록 디자인을 배열하도록 권장합니다.그래서 나는 당신의 현명한 강사를 믿습니다.
답: 검정력 시뮬레이터 도구(기존 정밀 연구 CV를 사용하여 분석에 대한 검정력 결정)그러나 이는 여전히 일반적인 고려사항일 뿐입니다. 어떤 설정이 가장 비용 효율적이고 최고의 성능을 제공하는지 알고 싶다면 Adams의 자세한 계산 설명이나 추가 기능을 사용하세요.
답: 검정력 시뮬레이터 도구(기존 정밀 연구 CV를 사용하여 분석에 대한 검정력 결정)@jsdejmp
더 높은 수준에서 더 많은 반복을 추가하는 것은 더 낮은 수준에서 반복의 수를 동일하게 유지하지 않고 예제에서와 같이 동일한 총계를 유지하는 경우에도 실제로 더 효과적입니다(설정이 앞서 언급한 대로 중첩되어 있는 한). .
이력서에 관계없이 10x5가 5x10보다 낫다는 것을 확실히 알 수 있습니다! 중첩된 경우 총 10x5는 10번의 시도와 50개의 플롯을 제공하고 5x10은 10개의 시도와 50개의 플롯을 제공합니다. 따라서 플롯 간 변동은 두 경우 모두 50배로 감소하는 반면 시행 간 변동은 10배 또는 5배로 감소합니다.
중첩되지 않은 경우, 즉 시험이 같은 장소에서 5번 실행되므로 계속해서 재사용하는 동일한 10개의 플롯이면 상황이 다르지만 이것이 필드를 실행하는 방식이라고는 상상하지 않습니다. 재판?
답: 검정력 시뮬레이터 도구(기존 정밀 연구 CV를 사용하여 분석에 대한 검정력 결정)아, 그게 더 말이 되는군요. 그 사람이 옳은 말을 한 것 같은데 제가 잘못 기억한 것 같아요
답: 검정력 시뮬레이터 도구(기존 정밀 연구 CV를 사용하여 분석에 대한 검정력 결정)@ABI
귀하의 강사가 농업경제학 현장 시험을 위해 개발된 분할구 설계를 언급한 것 같습니다. 이 설계에서 이름이 유래되었습니다.
답: 검정력 시뮬레이터 도구(기존 정밀 연구 CV를 사용하여 분석에 대한 검정력 결정)제가 할 수 있는 어떤 방법으로든 기꺼이 도와드리겠습니다.
오류는 정규 분포를 따르지 않으며 정규 분포를 근사화하려면 변환이 필요하기 때문에 플레이트 데이터에 대해 로그 변환을 사용합니다.
여담이지만, 현장 시험 문제에 대해서는 확실히 당신의 고통을 느낍니다. 저의 학부 및 대학원 연구는 모두 식물 유전체학에 관한 것이었습니다. 그래서 저는 그 싸움에 맞서 싸웠습니다(누군가가 온실 결과와 현장 시험 결과를 결합하라고 요청할 때까지 기다리십시오. 그냥 아니라고 대답하십시오!). 한 강사는 실험을 위한 무작위 블록 설계가 원래 현장 시험에서 다양한 수준의 토양 품질, 물 가용성 등과 관련된 많은 문제를 처리하는 데 도움을 주기 위해 식물 과학을 위해 특별히 고안되었다고 말했습니다("블록"은 다음과 같습니다). 말 그대로 들판에 있는 작물의 물리적 정사각형 미니플롯). 그래도 이것이 얼마나 진실인지는 확실하지 않습니다.
답: 검정력 시뮬레이터 도구(기존 정밀 연구 CV를 사용하여 분석에 대한 검정력 결정)@ABI , 실험 설계에 접근하는 방법에 대한 잘 정리된 설명과 가이드를 제공해 주셔서 감사합니다. 나는 확실히 이 시스템을 실험적 접근 방식에 적용할 수 있다고 생각합니다. 우리는 CV에 대한 좋은 추정치를 얻기 위해 노력해 왔지만 말씀하신 것처럼 먼저 다양한 무작위 효과가 어떻게 상호 작용하는지 이해해야 합니다. 이 정보 중 일부를 포착하려면 추가 모델링을 수행해야 한다고 생각합니다.
(그런데 CV를 캡처할 때 로그 변환이 왜 도움이 되는지 언급해 주셔서 감사합니다. 방금 QC SOP에 대해 MSQM과 이야기하고 있었는데 그 이유를 잘 모르겠습니다.)
답: 검정력 시뮬레이터 도구(기존 정밀 연구 CV를 사용하여 분석에 대한 검정력 결정)안녕 @MTOF ,
#1에 대한 답변 - 더 낮은 수준에서 반복 횟수를 유지하는 경우에만 더 높은 수준에서 더 많은 것을 추가하는 것이 더 효과적입니다. 예산 제약을 고려하면 질문은 "5회 x 10회를 해야 할까요, 아니면 10회 x 5회를 해야 할까요?"에 더 가깝습니다. 이 실용적인 질문에 추가되는 것은 보다 추상적이고 논쟁의 여지가 많은 질문입니다. 개별 시험이 전체 실험을 구성합니까, 아니면 단지 단일 데이터 포인트를 구성합니까?아무나 그리면 안 되기 때문에 어느 단일 실험에서 치료 결론이 도출되었지만 이 실험에는 상당한 설계 및 운영 비용이 들었으며 해당 데이터에는 적절한 가중치가 있어야 합니다. (다른 작물은 서로 다른 현장 민감도를 갖고 그에 따라 CV도 달라지며 이에 따라 최적의 시도 및 반복 횟수도 다르기 때문에 토끼 굴은 더욱 깊어집니다. 현재 우리는 실험을 실행하는 다른 하청업체도 서로 다른 수준의 작업을 수행할 수 있는지 여부에 관심이 있습니다. 현장을 관리하고 반응을 측정하는 능력. 같은 위치의 날씨와 전년 대비 변동은 말할 것도 없습니다. 대자연이 우리의 노력을 쉽게 좌절시킬 때 항복하는 태도를 키우는 것은 쉽습니다.)
#2에 답장 - 이에 대해 자세히 설명해 주셔서 감사합니다.내가 이렇게 접근할 수 있을지 확신이 없었어요.
답: 검정력 시뮬레이터 도구(기존 정밀 연구 CV를 사용하여 분석에 대한 검정력 결정)안녕하세요 자밀
귀하의 질문에 대한 Adams의 답변에 추가된 내용은 "디자인의 어떤 측면에 더 많은 샘플이 필요한지 식별하는 빠른 방법이 있습니까?"입니다.
1. '더 높은' 수준에 반복실험을 추가하는 것은 더 낮은 수준에 추가하는 것보다 항상 더 효과적입니다(그러나 일반적으로 비용도 더 많이 듭니다).
이는 상위 수준의 반복이 모든 하위 수준에서도 반복을 제공하기 때문입니다. 최소한 우리가 이 도구를 만들었고 현장 시험에서도 사용했다고 가정하는 계층적/중첩 설정이 있어야 합니다. 예를 들어, 현재 설정이 2일 x 2회 계량 x 3개 플레이트(총 2일, 4회 계량 및 12개 플레이트)인 경우 1일을 추가하면 총 3일, 6회 계량, 18개 플레이트가 됩니다.
2. CV 간의 관계는 반복실험을 추가하는 것이 가장 '필요한' 위치를 알려줍니다.
시행 간 CV가 시행 내 CV보다 훨씬 큰 경우 더 많은 시행을 추가해야 합니다(각 시행 내에서 더 많은 반복실험을 추가하면 거의 기여하지 않음). 시행 간 CV가 시행 내 CV보다 훨씬 작은 경우 더 많은 반복 실험(토지나 식물의 구획 또는 복제가 무엇이든)을 얻을 수 있으므로 더 많은 시행을 추가하는 것이 여전히 효과적일 수 있지만 아마도 시험 내에서 반복실험을 추가하는 것이 훨씬 저렴하고 효과적입니다.
답: 검정력 시뮬레이터 도구(기존 정밀 연구 CV를 사용하여 분석에 대한 검정력 결정)안녕하세요 Jameel님,
예, 이 작업을 수행할 수 있습니다(아마도 이 특정 도구 없이도).분석에 대한 랜덤 효과 분산 성분(JMP 등)이 있는 경우 해당 성분 값은 특정 분석 품질 설정의 CV를 추정할 수 있습니다.
CV 구성 요소(예: 효과)가 서로 상호 작용하는 방식은 해당 백분율 값보다 더 중요할 수 있습니다. 예를 들어, 더 많은 담당자보다 더 많은 위치가 더 중요할 수 있습니다. 실제로 위치 내 담당자는 실제 복제가 전혀 아니며 실제 복제 측정보다 샘플 반복에 더 가까울 수도 있습니다(따라서 덜 유용합니다. 하지만 실험에 대해 더 자세히 알지 못하면 나는 이것에 대해 정말로 말할 수 없다).
그럼 제가 많이 다루는 예인 마이크로 플레이트 분석을 살펴보겠습니다.세 가지 CV 구성 요소가 있다고 가정해 보겠습니다. 일일 변동, 무게 측정 간 변동, 도금 간 변동의 무작위 효과입니다.
분석 설계에는 다음과 같은 중첩이 포함된 세 가지 CV 구성 요소가 있습니다.
- 요일&랜덤
- 계량[요일]&랜덤
- 접시[요일,계량]&랜덤
따라서 매일 도금하는 동안 X 양의 계량(하위 샘플링)을 얻고, 모든 계량에는 Y 양의 플레이트를 얻습니다.
다음으로, 정밀도를 결정하기 위한 연구를 수행한 후 REML 테이블과 해당 CV에서 분산 구성 요소 값을 얻습니다. 즉, 응답이 로그 변환된 경우 분산 구성 요소의 CV는 "Sqrt 분산 구성 요소"와 같습니다. REML 테이블의 필드입니다. 변환되지 않은 경우 REML 테이블의 sqrt 분산 구성요소/적합 요약 테이블의 반응 평균과 동일합니다.
따라서 일일 CV가 5%(var 구성 요소 0.0025), 무게 측정 CV가 10%(var comp 0.01), 도금 간 CV가 8이라고 가정해 보겠습니다. %(0.0064의 변수 구성요소).
세 가지 구성 요소를 모두 더하면 총 분산 구성 요소 값은 0.0189가 됩니다. 이는 하루, 계량 1회, 플레이트 1개만 만들어지면 CV 13.7%(sqrt[0.0189])로 변환됩니다.
위에 설명된 중첩 전략으로 인해 이 분석에서 품질 설정에 대한 예측 모집단 CV를 계산하는 것은 다음 계산을 따릅니다.
그런 다음 Excel에서는 이를 공식으로 만들고 채워서 다양한 조합을 시도하거나 JMP에서 공식 열을 만들어서 수행하면 됩니다.
예:
위에는 각각 총 5개의 플레이트만 있는 세 가지 디자인이 있습니다. 구성요소 CV가 가장 낮은 일일 변동에도 불구하고 5일×1계량×1플레이트 설정을 사용하면 1일×1계량×5플레이트 설계보다 훨씬 낮은 CV가 발생한다는 것을 알 수 있습니다.
그런 다음 다른 디자인을 가지고 실험하여 현실적으로 가장 좋은 것이 무엇인지 알아낼 수 있습니다.
여기에 세 가지 디자인이 있습니다. 각 디자인에는 20개의 플레이트가 있고 상당히 가까운 CV 값이 있습니다.그런 다음 어떤 설정이 가장 실현 가능하고 비용이 적절한지에 대한 대화가 됩니다. 여러 가지 추측과 확인이 필요할 경우 몇 가지 규칙과 함께 Excel의 해 찾기 도구를 사용하여 도움을 받을 수도 있습니다.
그럼에도 불구하고 결과적으로 더 많은 위치 또는 한 위치 내의 더 많은 담당자가 가치 있는지 여부와 대략 얼마만큼(즉, 다른 위치를 추가하는 것과 각 위치에 10명의 담당자를 추가하는 것 사이의 CV 변화는 무엇인지) 평가할 수 있습니다. 기존 위치?).
이제 이 특정 도구는 마이크로 플레이트 분석이 항상 부정확하고 많은 마이크로 연구에서 "X와 Y 사이에 차이가 없다"는 원하는 목표를 가지고 있기 때문에 만들어졌습니다(즉, 한천 유형 X와 한천 유형 Y 사이에는 차이가 없습니다. ). 그러나 실험에서 실제로 통계적으로 유의미한 차이를 찾을 만큼 충분한 검정력이 부족한 경우 분석법을 변경해야 한다는 결론을 내릴 수 있습니다( 한천 유형 전환 ) 실제로는 효과가 없습니다. 그것은 매우 나쁜 일입니다.
그러나 거짓음성이 실험에서 그다지 큰 문제가 되지 않는다면 이 특정 도구가 필요하지 않을 수도 있습니다. 꼭 필요하다고 생각하시면 알려주세요. JMP가 매우 큰 데이터 세트에 대해 작동을 멈추게 하지 않도록 약간의 최적화가 필요합니다. 따라서 대규모 데이터 세트로 작업하는 경우에는 이 유형을 우선순위로 두겠습니다. 먼저 최적화
-아담
답: 검정력 시뮬레이터 도구(기존 정밀 연구 CV를 사용하여 분석에 대한 검정력 결정)@ABI , @MTOF , 예제와 도구에 제공한 값을 사용하여 디자인의 어떤 측면에 더 많은 샘플이 필요한지 식별하는 빠른 방법이 있습니까? 예를 들어, 주어진 첫 번째 예에서 더 많은 날에 걸쳐 더 많은 측정값을 추가하면 하루 내에 측정값을 추가하는 것보다 전력이 더 향상됩니까(CV가 4% 대 3%이므로)? CV가 높을수록 효과가 더 많은 측정값을 로드해야 한다는 의미입니까?
농경학적 현장 시험의 경우 시험 내에서 각 치료법을 5번 반복하여 10번의 시험을 수행할 수 있으며 일련의 데이터에서 전체 오류를 사용하여 전체 검정력을 계산할 수 있습니다.JMP 스타일 전력 분석의 경우 추가 데이터는 출처, 위치, 담당자 수에 관계없이 동일하게 처리됩니다. 그러나 현실은 사이트 간 변동성과 사이트 내(대표) 변동성에 차이가 있다는 것입니다.더 많은 위치($$)를 보유하거나 한 위치($) 내에 더 많은 담당자를 보유할 수 있습니다. 저는 개인적으로 더 많은 지역을 선호합니다. 왜냐하면 한 분야에서 더 많은 담당자가 있으면 해당 분야에 대한 더 큰 자신감을 갖게 될 것이기 때문입니다. 더 많은 위치를 통해 우리는 관찰된 치료 차이가 어느 한 곳에서 지나치게 중요하지 않다는 것을 '더 확실하게' 알 수 있습니다. 귀하의 도구가 이 문제를 해결하는 데 도움이 될 수 있습니까?
저는 위치 간 및 위치 내 차이를 평가하고 이를 특정 예산 내에서 최적화하는 실험 설계를 위한 보다 지능적인 알고리즘을 만드는 것을 상상하고 있습니다.예를 들어, "옥수수에서 Jumpstart를 실행할 $X가 있습니다. 위치와 담당자 수를 분배하는 가장 좋은 방법은 무엇입니까?"
답: 검정력 시뮬레이터 도구(기존 정밀 연구 CV를 사용하여 분석에 대한 검정력 결정)안녕하세요 여러분,
매우 큰 실험 디자인을 로드할 때 충돌이 발생할 수 있는 버그를 수정하여 첫 번째 게시물에 첨부했습니다. 현재 사용되는 방법론은 아직 속도에 최적화되어 있지 않으며 대규모 설계에서는 1000개의 시뮬레이션을 실행하는 데 시간이 매우 오래 걸립니다(때때로 설계가 충분히 큰 경우 JMP가 중단/정지되는 경우도 있음). 나는 도구의 속도를 높이는 방법에 대한 몇 가지 아이디어를 가지고 있지만 MTOF와 나는 무작위 효과에 사용되는 분포의 적용 가능성을 향상시키는 방법과 Novozymes가 플레이트 기반 데이터에 접근하는 방법에 대한 일반적인 정밀 검사에 대한 몇 가지 아이디어를 가지고 있습니다. 이 도구가 존재하게 된 주요 동인입니다). 따라서 가까운 미래에는 속도보다 기능 개선이 우선시될 것입니다.
감사해요!
