最近、JMP は英国王立化学協会および Chemistry World と提携して、実験計画に関する 1 週間の一連のセミナーを開催しました。
このシリーズは表向き、米国の東部と西部を対象とするはずでしたが、以下の参加者マップが示すように、その点で事態は少し収拾がつかなくなりました。
一連のセミナーには、次のような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 人の参加者がおり、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。 そして、ライブセッションでは約 400 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。
チームが回復した後 (そして関節リニメントの効果が発揮された後)、私たちは集まって、Web 上のシリーズの FAQ に載せ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、テキスト エクスプローラーでこれらの質問を実行し、上位 5 つを導き出しました。 それらと私たちの答えは次のとおりです。
質問 1: 中心点の目的は何ですか? 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 要素設計空間がある場合、それを 3D プロットにマッピングすると、通常は立方体のように見えます。 中心点は立方体の中心に位置し、すべてのエッジ、面、頂点から等距離になります。
中心点の主な目的は、データ セット内の曲率 (または、曲線的な動作) を警告するのに役立つことです。 いくつかの中心点を合わせ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悩まされる必要はありません。 モデル中心の DOE (最適設計) や最終スクリーニング設計 (DSD) などのその他の最新の DOE 戦略に焦点を当てる場合、中心点は必要なときに自動的に含まれます。 中心点を研究する必要があるモデル項を含めるだけで、残りはアルゴリズムが処理します。 変動を研究するために中心点をさらに追加したい場合 (検証セット用の材料はすでに確保されています!)、それらを簡単に追加できます。 正しい数値を把握するには電力分析を行うだけです。
質問 2: 実験を繰り返す必要がありますか? なぜ？ 繰り返し測定を反復として使用できますか?
これに対する答えは、行う実験の種類によって大きく異なります。 物事を「スクリーニング」する目的に近い場合は、変動性ではなく全体的な傾向を探しているため、複製の重要性はそれほど高くありません。 あなたかもしれないDSD を行っていない場合は、いくつかの中心点を追加して変動を把握し、曲率のスクリーニングを行います。 しかし、それだけです。 モデルの構築や改良を行っている場合、リソースと時間があれば、おそらく複製を行うべきです。
繰り返される測定（たとえば、同じ因子設定を数回続けて実行する、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）では、ではありません複製された実行。 ちょっとややこしいので、複製するそして繰り返すまたは繰り返し測定これらは同じもので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run (DOE の意味で) は、ランダム化された実験の繰り返しです。 DOE テーブルを取得してスプレッドシートに入力するとします。 次に、完全な DOE の 2 番目のコピー同じスプレッドシート上でその下にある場合、それはまだ複製された DOE ではありません。 ここで、DOE の 2 つのコピーの行順序をランダム化すると、それは複製のある DOE になります。
やってるなら繰り返された測定値の平均値を取得し、その平均値をその治療組み合わせの値として使用できますが、それらは測定値と同じではありません。複製された走る。 重要な点は、レプリケーション含まれていますランダム化したがって、潜在的な変数の影響を弱める可能性があります。 繰り返し測定このプロパティを持っていません。
質問 3: DOE には何件の回答を含めることができますか? 彼らとどのように協力すればよいでしょうか?
追加要因DOE に依頼すると、必要な実行の観点からコストが増加します。反応基本的に無料です。 応答変数を無制限に測定して、因子の変化がすべての応答にどのような影響を与えるかを理解できます。 JMP Prediction Profiler を使用して最適なプロセス設定を見つける場合、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と有利です。 JMP は、データ収集後に、提供されたすべての情報 (望ましさの上限/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 の成功をどのように評価するかを確実に検討し、すべての回答で要因につい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: 係数の範囲が適切かどうかはどうやってわかりますか?
経験則の 1 つは、係数設定に基づいて、実行の一部が望ましくない結果をもたらす (つまり、ゴミ箱に捨てられる) と予想される場合、その予想はおそらく正しいということです。 ただし、範囲が広すぎて、測定可能な結果がまったく得られなくなることは望ましくありません。
これを別の言い方で表現すると、次のようなアドバイスになります: B因子の範囲を大胆に設定する。 最低値を設定する低い、そしてあなたの高揚感高い。 自分が快適に感じる範囲だけを見たいという大きな誘惑があります。なぜなら、その範囲で最適化が達成されているのではないかと思うからです。 その誘惑を避けてください。 因子の範囲が大きいほど、モデルの結果がより明確になり、推定の精度が高くなります。
範囲が広いため、設計空間の一部の領域でプロセスが使用可能なデータを生成できないのではないかと心配な場合は、多くの場合、その領域への実行の割り当てを禁止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、因子の範囲を広すぎるように設定すると、因子と応答の間の曲線的な関係により、範囲の中央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。 カスタム計画では、目的のモデルに多項式項を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、生成された計画には、エンドポイント間の中間因子値に設定された実行が含まれます。
より一般的には、設定の違いを明確に確認できるよう、十分に広い範囲を実験でカバーする必要があります。 また、曲線の変曲点が見えるように設定を十分に離して、どこが「良い」か「悪い」かを把握できるようにする必要があります。 そうしないと、最適化すると、結果が設計空間内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もわかりません。
質問 5: クラシックなデザインとモダンなデザインの違いは何ですか?
古典的な計画は、実験者が従わなければならない固定計画であり、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、目前の状況に応じた独自の計画を生成します。 最新の設計では、指定された実験予算の範囲内で、実験者が提起する統計的な質問に対して可能な限り最良の答えを提供しようとします。
モダンなデザインは、クラシックなデザインの自然な延長です。 最新の DOE を実行すると、古典的な設計から覚えているものは何も失われませんが、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るモデルにデザイン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、デザイン中心つまり、ユーザーはデザインを定義し、ユーザーは自分の質問をその事前定義されたデザインに適合させることが期待されます。 多くの場合、現代的なアプローチと古典的なアプローチは同じ設計になります。これは、古典的な設計が標準モデルに適合するのに最適であるためです。 最新の設計を使用すると、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、古典的なアプローチが機能しない状況でも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。 結果を見ると、これらの質問がどれくらいの頻度で上がっているかを見るのは興味深いことでした。 このとき、多くの教師が言ったことを思い出しました。「質問してください。他の人も同じ症状を持っている可能性が非常に高いため、恥ずかしくて質問できません。」
とにかく、一つ見逃したと思いますか？ DOE に関して他に疑問に思っていることはありますか? どうぞコメント欄に投稿してください。回答を得るために何ができるか見てみましょう。 それまでは、楽しく実験してください!
素晴らしいブログ投稿です！実験者向けのトップ FAQ にご回答いただきありがとうございます。
素晴らしいブログです！
ここには載っていなかったのですが、練習中によく遭遇した「どのデザインが良いですか？」という質問です。 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。
