最終的なスクリーニング設計親愛なるみんな、
メソッドを最適化するために RSM を構築する予定です。 8 つの連続因子、1 つのカテゴリ因子、2 つの応答があります。 各要素のレベルは、チームのこれまでの経験に従って決定されました。 要因間に相互作用があるかどうかはわかりません。 ノイズの発生源が特定できないので、ランダム化する予定です。 いくつか調べた結果、選択するのに最も適したデザインは最終的なスクリーニングデザインになると思います。
コメントやアドバイスをいただければ幸いです
ありがとう
実験計画法Re: 最終的なスクリーニング設計効果の疎性の原則が当てはまらない場合、DSD からのデータに基づく不偏モデルの適合は期待できないと思います。 Fit Definitive Screening 法は、この原則の仮定から逃れることはできません。
少なくとも、モデル内の潜在的な効果数をカバーするには、実行を追加して最小数を超える実行を使用し、デフォルトの 4 つを超える追加実行を使用する必要があります。 追加の実行回数は何回ですか? わからない。 DSD でのランの追加は通常、スクリーニング用の設計を選択する際の重要な特性である電力の考慮に基づいています。
別のアプローチは、必要に応じて各項の推定可能性を変更し、可能であれば各項に 3 ～ 4 回の実行を追加できるカスタム設計です。
DSD の経済性は他のスクリーニング設計と同様に魅力的ですが、小規模な設計は項の数が少ない場合にのみモデルを満足させます。
Re: 最終的なスクリーニング設計ありがとう@スタットマンあなたが提供した情報について
」あなたの状況に関する限られた議論に基づいた私のアドバイス」 必要な詳細をお知らせください。喜んで共有させていただきます。 そうすれば、より見やすくなり、より多くのアドバイスをいただけると思います。非常に感謝しています
よろしくお願いします
Re: 最終的なスクリーニング設計ありがとう@Mark_Bailey
あなたの発言に戻りますが、私の要素の半分以上が非アクティブであるかどうかはまったくわかりません。 DSD は最終的にはスクリーニング設計であることに同意しますが、DSD により応答の曲率を確認し、応答曲面モデルを構築する可能性が得られます。 私の読み取りによると、最終的なスクリーニングの分析は、効果の希薄性が維持される順方向段階回帰を使用して行うことができます。 一方、確定的スクリーニング計画を分析したい場合、および多くの効果 (因子の半分以上) が有効である可能性がある場合は、DSD の有利な構造を考慮した Fit Definitive Screening プラットフォームを使用する必要があります (追加の実行を追加し、2 段階でモデルを分析します)
どう思いますか？
Re: 最終的なスクリーニング設計コメントを 2 つだけ追加します@スタットマン、。
まず、これはスクリーニング設計であるため、主要なスクリーニング原則が適用されるスクリーニング状況で使用することを目的としています。 あなたのケースには当てはまらないと思われる最も重要なことの 1 つは、影響の希薄性です。 この種の設計では、機能よりも経済性が重視されます。 実際に活動している要因はほとんどないと仮定します。 8 つの要素のうち半分未満が非アクティブになると予想されますか?
次に、審査の有無にかかわらず、「各要素のレベルはチームのこれまでの経験に基づいて決定されました」は狭すぎません。 範囲は、回帰によってモデル パラメーター (小さい標準誤差) を効率的に推定できるように、応答に大きな変化を引き起こす必要性に基づいて決定する必要があります。 範囲は常に広くなければなりません。 応答が常に望ましいレベルに達するという期待に基づいてそれらを選択すべきではありません。 これは実験であり、テストではありません。 実験では、「勝者を選ぶ」ことをサポートするのではなく、モデリングをサポートする最適なデータを提供する必要があります。
Re: 最終的なスクリーニング設計言った、
あなたは 2 つの従属変数を記述する応答曲面 (RSM は方法論です) を理解しようとしていると思います。 これを行うには多くのアプローチがあります。 私は GEP 博士から教えられた逐次的アプローチに偏っています 箱。 これは科学的手法によるアプローチであり、仮説 (実験の要因によって表される) から始めて、データを使用してそれらの仮説に対する洞察を提供します。 これを行う「正しい」方法はありません。最も効率的かつ効果的な方法は次のとおりです。状況に応じて。 このアプローチ通常多数の変数をスクリーニングするためのフラクショナル 2 レベル計画から始まります (希少性と効果の階層の原則に基づいています)。 次に、スペースを改善の方向に移動し、変数の数を減らします。 作業を繰り返すにつれて、高次の項をモデルに追加し始めます。 これらの高次の効果は、階乗 (相互作用) または多項式 (曲率) の場合があります。 一連の作業は、表面を理解するのに非常に役立ちます。 こういう仕事が一番いいよ管理されたメカニズム (物理的、化学的など) を理解し、統計的研究の結果を解釈できる科学者またはエンジニアによって作成されます。 科学者/エンジニアは、要因の考えられる効果 (およびその効果が調査対象の空間で線形であるかどうか)、相互作用、および相互作用を説明 (仮説) し、予測する必要があります。非常に重要なノイズ。 おそらく、一次モデルを理解することから始めるべきでしょう。そして騒音の影響非線形関係を調査する前に、これはあなたが何を行っているか、そして知らないかによって決まります。 あなたの状況に関する限られた議論に基づく私のアドバイスは、時間をかけてノイズが何であるかを特定し、そのノイズに対処する戦略を立てることです。 また、ランダム化よりもブロック化（または反復、分割プロット、共変量など）の方が優れた戦略であると考えています。 ノイズの影響を理解したいため、ノイズのサイズを数値的に推定するだけでなく、ノイズを割り当てることが望ましいからです。 ランダム化によりノイズの偏りのない推定値が得られると期待されますが、設計の精度が損なわれる可能性があります。
「ランダム化できるものはブロックし、できないものはブロックする」、GEP 箱
私は、決定的なスクリーニング設計を使用するなと言っているわけではありません (Brad Jones は、この設計戦略をコミュニティにもたらす素晴らしい仕事をしました)。現時点で取得する必要がある情報と、取得するリソースを比較検討する必要があるだけです。その情報。
旅の幸運を祈ります。
