最近、JMP は英国王立化学会および化学ワールドと提携し、実験デザインに関する 1 週間にわたる一連のセミナーを開催しました。
このシリーズは、表向きは米国の東部と西部を対象にしたものでしたが、下の出席者の地図が示すように、その点では、物事が少し手に負えなくなりました。
セミナーシリーズには、次のパネルが含まれていました。 JMP聴衆から提出された質問に答える専門家。 各セッションには 600 ～ 900 人の参加者がいて、イベントの流れの中ですべての質問に答えるのは困難でした。 ライブ セッションでは 400 件ほどの質問があり、オフライン環境ではさらに多くの質問がありました。
チームが回復したら (そして関節リニメントが魔法のようになったとき)、私たちは集まって、ウェブ上のシリーズの FAQ に掲載する傾向についての質問に目を通しました。 本当の JMP のやり方で、これらの質問を Text Explorer で実行し、上位 5 つを導き出しました。 それらは、私たちの答えとともに:
質問 1: 中心点の目的は何ですか? それらをいつ使用する必要がありますか? 何個必要ですか？
OK、おそらく最初にこれを明確にする必要があります。中心点は、設計空間の中心に存在する実験的な処理です。 3 要素のデザイン スペースがある場合、それを 3D プロットにマップすることができ、通常は立方体のように見えます。 中心点は、すべてのエッジ、面、および頂点から等距離にある立方体の中心に位置します。
中心点の主な目的は、データ セット内の曲率 (または、5 ドルの単語が必要な場合は曲線的な動作) を通知するのに役立つことです。 いくつかの中心点を一緒に使用して、複製の代わりに使用することもできます。 とはいえ、いつ使用するかという問題に頭を悩ませる必要はありません。 モデル中心の DOE (最適設計) や、決定的スクリーニング計画 (DSD) などの他の最新の DOE 戦略に焦点を当てている場合、中心点は必要なときに自動的に含まれます。 中心点を調査する必要があるモデル項を含めるだけで、アルゴリズムが残りの面倒を見てくれます。 変動性を研究するためにさらに中心点を追加したい場合 (そして、すでに検証セットの材料を取っておきました!)、それらを十分に簡単に追加できます。 正しい数を把握するには、検出力分析を行う必要があります。
質問 2: 実験を再現する必要がありますか? どうして？ 繰り返し測定を繰り返し使用できますか?
これに対する答えは、行っている実験の種類によって大きく異なります。 物事の「スクリーニング」目的にこだわっている場合は、変動性ではなく大まかな傾向を探しているため、複製はそれほど重要ではありません。 君はかもしれないDSD を実行していない場合は、変化のアイデアを取得し、曲率のスクリーニングを行うために、いくつかの中心点を追加します。 しかし、それはそれについてです。 モデルの構築や改良を行っている場合は、リソースと時間があれば複製を行うべきです。
繰り返される測定 (例えば、同じ因子設定を次々と数回実行する、または因子設定の 1 回の実行の結果について複数の測定値を取得するなど) では、それらはではない複製された実行。 少しややこしいので複製しますそして繰り返すまたは繰り返し測定それらは同じものである必要があるように聞こえますが、この場合には重要な違いがあります。
あ複製された実行 (DOE の意味で) は、実験のランダムな繰り返しです。 DOE テーブルを取り、それをスプレッドシートに入れるとします。 次に、完全な DOE の 2 番目のコピー同じスプレッドシートのその下にある、それはまだ複製された DOE ではありません...まだです。 ここで、DOE の 2 つのコピーの行の順序をランダム化する場合、それはレプリケートを含む DOE になります。
あなたがしている場合繰り返される測定値の平均を取り、その平均をその治療の組み合わせの値として使用できますが、それらは複製された実行します。 重要な点は、複製含む無作為化したがって、潜在的な変数の影響を薄めることができます。 繰り返し測定このプロパティはありません。
質問 3: 自分の DOE でいくつの回答を得ることができますか? どうすれば作業できますか?
追加中要因DOE への場合、必要な実行の点でコストが増加します。反応基本的に無料です。 因子の変化がすべての応答にどのように影響するかを理解するために、無制限の数の応答変数を測定できます。 JMP Prediction Profiler を使用して最適なプロセス設定を見つけるとき、ユーザーはさまざまな応答の相対的な重要性を反映する重み付けスキームを選択できます。
DOE 内の応答の数に理論上の制限はありませんが、DOE のセットアップ中にすべての応答を定義することは利点があります。 JMP は、データ収集後に、提供されたすべての情報 (希望の上限/下限、LOD 値、ターゲット、重要度) とともにそれらをモデリング プラットフォームに自動的に渡します。 また、DOE の成功を測定する方法を検討し、すべての応答が因子に対して計画しているレベルでの違いを検出できることを確認するのにも役立ちます。
質問 4: 因子の範囲が適切かどうかをどのように判断しますか?
経験則の 1 つは、係数の設定に基づいて、実行の一部が望ましくない結果 (つまり、ゴミ箱に移動する) をもたらすと予想される場合、おそらく正しいということです。 しかし、測定可能な結果がまったく得られないほど範囲が広すぎることは望ましくありません。
これを別の方法で表現できるのは、次のアドバイスです: Bファクター範囲の設定は大胆に. 安値を設定する低い、そしてあなたの最高高い. 快適に感じる範囲だけを見たいという強い誘惑があります。なぜなら、最適な範囲がそこにあると疑うからです。 その誘惑を避けてください。 因子の範囲が大きいほど、モデルの結果はより明確になり、推定の精度が高くなります。
範囲が広いために、プロセスが設計空間の一部の領域で使用可能なデータを生成できないことが心配な場合は、多くの場合、実行がそれらの領域に割り当てられないようにする因子制約を定義することで、この懸念に対処できます。最適な設計でこの戦略を柔軟に使用できることを忘れないでください。
実験者は、因子の範囲を広く設定すると、因子と応答の間の曲線的な関係のために、範囲の中間で発生する最適な設定を見逃してしまうのではないかと心配することがあります。 カスタム設計では、多項式項を目的のモデルに追加することでこれに対処する必要があります。これにより、生成された設計には、エンドポイント間の中間因子値で設定された実行が含まれるようになります。
より一般的には、設定の違いを明確に確認できるように、実験では十分に広い範囲をカバーする必要があります。 また、設定を十分に離して、曲線の変曲点を確認できるようにし、「良い」と「悪い」の場所を知ることができます。 そうしないと、最適化すると、結果は設計空間で極端に高い値または低い値になります。 また、システムが制御不能になる場所に近づいているかどうかもわかりません。
質問 5: 古典的なデザインとモダンなデザインの違いは何ですか?
古典的なデザインは、実験者が従わなければならない固定された計画であり、計画された研究を要件と制約に適合させます。 これらの設計は、ユビキタスで安価なコンピューティングの時代よりも前に開発されました。 最新の設計では、ソフトウェア アルゴリズムを使用して、目の前にある状況に応じた独自の計画を生成します。 現代のデザインは、指定された実験予算の範囲内で、実験者によって提起された統計上の質問に対して可能な限り最良の答えを出そうとします。
モダンなデザインは、クラシックなデザインの自然な拡張です。 最新の DOE を実行することで、従来の設計から覚えていたものを失うことはありませんが、大幅な柔軟性が得られます。 基本的に、現代のデザインは、モデル中心ユーザーが定義した用語で構成されたモデルに設計を適合させるという点で。 ユーザーは、モデルを選択することで、実験で何を学びたいかを決定します。 クラシカルなデザインはデザイン中心の設計を定義するという点で、ユーザーは質問を事前定義された設計に適合させることが期待されます。 多くの場合、古典的なデザインは標準モデルのフィッティングに最適であるため、現代的なアプローチと古典的なアプローチは同じデザインにつながります。 現代の設計では、探索する必要がある不規則な形状の因子空間がある場合など、従来のアプローチが機能しない状況で最適な設計を見つけることができます。
冒険は続く
以上です。 結果を見たとき、これらの質問がどれほど頻繁に出題されたかを見るのは興味深いことでした。 それは、私の先生の多くが言ったことを思い出させてくれました。
とにかく、私たちが1つ見逃したと思いますか？ DOE について他に燃えている質問はありますか? 先に進み、コメントに記入してください。回答を得るために何ができるかを見ていきます。 それまで、楽しい実験を！
素晴らしいブログ！
ここに含まれていなかった質問ですが、練習中によく遭遇した「どのデザインが最適ですか?」 答えに対する私の見解は、初心者が期待するほど単純ではありません。
