スクリーニング設計-複製を行わずに、効果が有意でないかどうか、またはデータ全体が良好でない（有意な変動）かどうかをどのように知ることができますか？化学プロセスの堅牢性を示すために、選択したパラメーター（温度、当量、時間、試薬比）が最終製品の品質（純度）に影響を与えていないことを規制当局に示す必要があることがよくあります。これを示すために、規制当局はスクリーニング設計の実施を好みます。通常、プロセスが堅牢であるように、パラメータが調査対象の範囲内で悪影響を及ぼさないことを示したいと思います。
私の質問は、実験者が最高の精度で実行し、データが、どの要因（または相互作用項）も品質に影響を与えていないことを示しているかどうかです。それで問題ありません。実験者が良くないデータを収集し、モデルが影響力のある要因がないことを示している場合、データとモデルを信頼できるかどうかをどのように判断するのですか？とにかく、特にバリエーションを確認するためのレプリケート実行がない場合はありますか？
決定的なスクリーニング設計には必ずしも反復実験が含まれていないことがわかります。それでは、応答に有意な変動があるかどうかを知る方法はありますか？
DOERe：スクリーニング設計-複製を行わずに、効果が有意でないかどうか、またはデータ全体が良好でない（有意な変動）かどうかをどのように知ることができますか？私はいくつかの考えを突き刺します。
まず、応答の変動が、私の心の要因変動から隠されている可能性のある信号を圧倒している場合、次の3つの原因のいずれかがあります。
1.測定システムの過度の変動。 このシナリオでは、応答変動の主な原因は主に測定システムの変動です。 測定システムのための継続的なプロセス制御システムがありますか？ 測定システムに固有の「通常の」変動を知っていますか？ そうでない場合、因子の変動による「影響なし」の結論が本物であるのか、それとも過度の測定システムの変動によって引き起こされる単なる幻想であるのかがわかりません。
2.応答の変動を増加させる方法で実験プロセスに影響を与えるノイズ/迷惑変数。 実験の実施中は、これらのタイプの影響に常に注意を払うことが重要です。 確実に知ることはできないので、これはトリッキーなものです...しかし、実験の実施と計画の間、おそらく独立した第三者による注意深い目が役立つ場合があります。
3.実際には何も起こっていません...
全体として、あなたの質問は仮説検定の中心にあります。「要因に対して何も起こっていない」という帰無仮説を「受け入れる」ことはできません...それを拒否できないだけです。 あなたが説明した場合、あなたが本当に言えるのは、それぞれの推定可能な効果がゼロに等しいという帰無仮説を棄却できないということだけです。
Re：スクリーニング設計-複製を行わずに、効果が有意でないかどうか、またはデータ全体が良好でない（有意な変動）かどうかをどのように知ることができますか？まず、コミュニティへようこそ。 私たちはあなたにいくつかのアイデアを与えるように努めます、そしてあなたの状況に関するより多くの情報で遠慮なく答えてください。
ピートはいくつかの優れた点を挙げました。 これが私の追加の考えです：
1.私にとっての頑強さは変化するノイズに対するモデルの一貫したパフォーマンス（定量的にモデルごとのノイズの相互作用がない）。 ノイズは、周囲条件、入ってくる化学物質の純度、バットの清浄度、測定システムのエラー、特に制御されていないXの変動、制御レベル内のXの変動など、または私がノイズを定義するときに発生する可能性があります。管理/制御したくない要因）。
2. Xの値を同時に記録しながら、応答変数のデータを収集できますか。 このデータを使用して、線形回帰を実行します。 応答変数の変動が比較的小さく、Xとの関係がないことを期待します。 これは、Xもあまり変化しない可能性があるためです（これが、実際には因果関係がある場合でも、因果関係の証拠がほとんどない理由です）。
3.彼らが本当に求めているのは（おそらく）スクリーニング設計を行うことではありません。これは、Xを大胆に変更し、潜在的な因果関係を発見することを目的としているためですが、許容範囲設計のようなものです。 おそらくそれはセマンティクスですが、彼らが知りたいのは、Xの通常のランダムな変化が応答変数に影響を与えるかどうかです。 したがって、xの自然変動の極値を表すレベルを選択し、ある種の因子計画を実行します。 他のノイズ源（ブロッキング、繰り返し、スプリットプロットなど）も処理するために、何らかの戦略を採用する必要があると思います。
4.「」の意味がわかりません。実験者が良くないデータを収集した場合」。 これは、測定システムが疑わしいことを意味しますか？ その場合、測定システムを研究する必要があります。実験を行う場合は、反復測定を行って測定コンポーネントを推定し、おそらくその変動を平均して設計の精度を高めます。
Re：スクリーニング設計-複製を行わずに、効果が有意でないかどうか、またはデータ全体が良好でない（有意な変動）かどうかをどのように知ることができますか？お返事ありがとうございます。何かを明確にしましょう。
因子A、B、Cは、化学反応における生成物の純度に影響を与える可能性があるとしましょう。ただし、極端な場合にのみテストされます。純度にごくわずかな影響しか及ぼさない他の多くの要因（Xと呼びましょう）があります。これらの他の要因は、純度にごくわずかな影響しか及ぼさないか、プロセスがプラントに進むときに設定値で正確に制御できるという高い信頼性があるため、研究には含まれていません。
現在、この研究の目標は、他のすべてのノイズ要因を一定に保ちながら、要因A、B、およびCを体系的に変化させて、実験室で（可能な限り大規模な操作を模倣する小規模で）実験を行うことです。
これらの反応を実行している化学者が実験を細心の注意を払って実行しなかったという仮定の状況では、つまり、研究に必要なポイントでA、B、およびCファクターを維持せず、指定された値でノイズファクターを制御しません。ノイズ要因の組み合わせが、要因A、B、およびCの系統的な変動から生じる実際の信号をぼかす状況である可能性があります。そのような状況では、結果は、要因がテストされた範囲内の純度に影響を与えないことを示している可能性があります。
実験が意図したとおりに行われなかったため、結果が信頼できないと言う方法はありますか？特に、マトリックスに反復実験がない場合はどうでしょうか。
Re：スクリーニング設計-複製を行わずに、効果が有意でないかどうか、またはデータ全体が良好でない（有意な変動）かどうかをどのように知ることができますか？statmanに感謝します。P_Bartellへの返信をご覧ください。
私が提供した追加の詳細を参照してください。
Re：スクリーニング設計-複製を行わずに、効果が有意でないかどうか、またはデータ全体が良好でない（有意な変動）かどうかをどのように知ることができますか？私が考えることができる唯一のテクニックは、あなたが説明するシナリオに使用できるかもしれないということです。それは、実験的試行が規定どおりに実行された場合に期待されるものに対して経験的結果を調べることです。 明らかに、予想される応答と観察された応答の間に違いがあり、それは疑惑を引き起こすのに十分な大きさである必要があります...しかし、それはあなたのための私の唯一の考えです。
潜在的に役立つ有益な手法は、信じるモデルを含むJMP予測プロファイラーを使用することかもしれません...次に、「新しい」実験の特定の組み合わせについて、「予測された応答から実際の応答がどれだけ離れているか」を尋ねます。 。有益な基準として予測区間を使用します。
あなたが説明したシナリオは、一般的にDOEの懐疑論者のチームとのプロジェクトで一度私に起こりました...私はチームの統計家であり、チームの多くはDOEが黒魔術に似ていると感じました。 選択した最適なxに基づいて確認トライアルを実行しました。 結果は、事実上すべての回答に近いものではありませんでした。 そこで、チームは「何が悪かったのか」を見つけるために、最高のシャーロックホームズモードに入りました。 オペレーターが意図的に重要なx要素の1つを「私たちがいつも使用しているもの...シートに書かれているこのばかげたレベルではない」として選択したことが判明しました。 オペレーターをループに入れなかったことを恥ずかしく思います...私たちは、プロセスの知識を確認するためにその「ばかげたレベル」を望んでいました。 そのため、オペレーターが実際に選択したものを見つけたら、JMP Prediction Profilerを速歩し、xファクターに不適切なレベルを入力しました... loそして、私たちが観察したお粗末な結果を驚くほど正確に予測したプロファイラーを見てください。 その会議の終わりまでに、DOEの懐疑論者でさえも勝利しました。
Re：スクリーニングデザイン-複製を行わずに、効果が重要でないかどうか、またはデータ全体が良くない（重要な変動）かどうかをどのように知ることができますか？これは、「悪いデータ」の根本原因を検出するのに役立たない2番目のアイデアですが、個人的な経験から生まれたものです。 私の雇用主（主に新しいプロセス/製品開発スペース）での多数のプロジェクトについて数年間のDOEコンサルティングを行った後、実際に実験を実行する人々が「自分の手で物事を手に入れる」ことを好むにはあまりにも頻繁に気づきました。実験的な実行で、私たちがやりたかったことを法律の文言に従わないでください。
たとえば、試行のランダム化は、オペレーターがランダムな方法で要因をリセットするのが苦痛であることに気づき、「要因を変更するための苦痛」の実行をグループ化して実験の苦痛を軽減するため、しばしば道に迷いました。 痛い...ランダム化があります...そして分割プロットの設計を指定しませんでした。 そのため、私たちは「悪いデータ」の可能性に自分自身を開放します。
それで、私が主張し始めたのは、実験が実行されたときに立ち会い、オペレーターと一緒に途中で助けようとすることでした。 これにはいくつかの利点があることがわかりました... 1つは、上記のシナリオのように、発生したくない方法で結果に影響を与える可能性のあるものをよく見たということです。 私は、私たちが指定したランダムな順序で実験を実行することを主張します...そしてあなた自身の手に問題を持ち込まないでください。 チームワークの面では...それはまた、私がオペレーターと通りの信用を築くのに役立ちました。なぜなら、白いシャツを着た統計家である私は、研究室や製造現場に出て、手を汚し、時には夜や墓地は他のすべての働く硬直者と一緒に右にシフトします...そして一日中私の象牙のオフィスに座ってプロレタリアに宣言を出しません。
Re：スクリーニングデザイン-効果が重要でないかどうか、またはデータ全体が複製を行わずに良くない（重要な変動）かどうかをどのように知ることができますか？あなたがそれらに同意しないかもしれないけれども、私は私の考えを共有します。 複製された設計は、実験にノイズを含める唯一の方法です。 複製されていないデザインは非常に便利です。 因子関係図を使用して、実験における設計因子とノイズ因子の関係をグラフィカルに表示します。 このようにして、比較の基礎となる要因を理解し、科学的/工学的判断を使用して、そのノイズが将来の状態を表しているかどうかを判断し、そのようなノイズの潜在的な影響についての考えや仮説の展開を刺激する可能性があります。 ノイズを分割することは、推論空間に悪影響を与えずに、設計の精度を高めるのに非常に役立ちます。
あなたの声明 "現在、この研究の目標は、実験室で（可能な限り大規模な操作を模倣した小規模で）実験を行うことです。他のすべてのノイズ要因を一定に保つ。」私には意味がありません。 まず、目標は私見である必要があります、理解するために化学的純度に影響を与える因果構造！ 第二に、ノイズは、定義上、制御できない/制御できない一連の要因です。 データを収集する方法は、実験を使用することです（操作が行われず、データをサンプリングして合理的にサブグループ化する方法を介してソースを分割することに依存する直接サンプリングではありません）。 実験全体でノイズを一定に保つことは、永久に一定に保つ（そしてノイズを制御するための追加費用を支払う）ことを意図しない限り、ひどい考えです。もちろん、ノイズではなく、これらの要素を制御可能にします。
ご存知かもしれませんが、フィッシャーは、結果として得られる推論スペースが非常に狭いため、ノイズが変化して結果に影響を与える可能性があるという現実に直面したときに役に立たないため、これは悪い考えであることに気付きました（フィッシャーの農業実験に関する論文を参照）。 彼は、ノイズを処理するためにブロッキングの手法を導入しました。これにより、ノイズはブロック内で一定に保たれ、ブロック間で意図的に変化するため、推論スペースを拡張し、同時に設計の精度を高めることができます。 また、ロバスト性の尺度である、因子ごとの交互作用の推定も可能にします。
「できることをブロックし、できないことをランダム化する」GEP 箱
シューハートはシューハートサイクルで「できれば小規模で研究を実施する」ことを提案しました。意図されているのは、小規模研究で実際の状況をシミュレートしたいということだと思います。 これは、ノイズの影響を誇張して、非常に短時間でノイズの長期的な変化を捉えることだと思います（実験）。
そうは言っても、あなたの質問に答えるために、私は疑似ベイズ哲学を使用します。 私は科学者/エンジニアに実験の各処理のデータを予測させ（もちろん、エンジニアの仮説によってバイアスをかけます）、すべての可能な結果を予測し（バイアスを軽減するため）、すべての可能な結果に対してどのような行動を取るかを予測します。 これにより、実験分析のコンテキストが提供され、データを評価するための実用的なアプローチが提供されます。 たとえば、予想とは大きく異なる治療の結果が得られた場合、そのデータを説明できますか（仮説または修正された仮説）、そうでない場合は、その治療の実行に疑問を呈したり、他に何が起こっていたかを疑問視したりできます。その治療の実行中（そして、データが一致しない理由を予測した場合、これによりランダム効果を見つける可能性が高くなります）。
ルイ・パスツールの引用から言い換えると、「チャンスは準備された心を好む」。
