Re: 既存の doe 実行にデータを追加する Doeこれが私が提案することです...元のデザインと追加の実行をマージした2番目のJMPデータテーブルを作成します。 これを行う方法は、追加の実行を手で入力することから、データテーブルを連結することまでさまざまです。 次に、分析の前に、Compare Designs プラットフォームを実行して、より大きな設計が元の設計とどのように比較されるかを確認することをお勧めします。 これは、Compare Designs プラットフォームへのリンクです。
設計を比較する
効果の推定可能性に関する設計診断に特に注意を払う。 追加されたポイントが実質的に負の方向に変化した場合、効果を見積もる能力が非常に重要な場合は、そのような合併の望ましさについて決定を下す必要があります。 JMP Custom Design プラットフォームの非常に望ましい特徴の 1 つは、設計がモデル駆動型であることです。したがって、設計は、明確な効果の推定を最適にサポートします。 実験に追加の治療の組み合わせを追加すると、効果を推定する能力に不注意に悪影響を与える可能性があります。
Re: 既存の doe 実行にデータを追加する Doeピーター、こんにちは！ 素敵な説明ありがとうございます。 私の同僚はまた、計画空間のいくつかの特定の点でいくつかの追加の実行を追加したいと考えています。 わかりません、なぜそれをするのですか？ このアプローチの背後にある合理的な理由は何ですか? そのために使用される特定の用語はありますか (参照を見つけるのに役立ちます)? お礼とご挨拶。
Re: 既存の doe 実行にデータを追加する Doeやあ@アジザ、
@P_バーテル2 つの計画 (元の計画と追加の点を含む計画) を並行して実行し、元のモデルで見つかったパラメーター推定値が追加の点を含む計画の推定値と十分に類似していることを検証および計算することを提案します。他の用語/効果を見逃さないでください、および/または新しいポイントで追加される可能性のある余分な自由度で適合性の欠如がないことを確認してください.
追加された新しい値 (およびノイズ) によっては、モデル内の項が変わる可能性があることに注意してください。 あなたがする必要があるかもしれません：
- 2 番目のモデルに新しい用語を追加します (以前に DoE でそれらを推定/検出するのに十分なポイントがなかったか、十分に重要ではなかった場合)。
- 2 番目のモデルの既存の項を削除します (新しい点は、DOE で行われた以前の実験と比較して逆/反対の動作を示すため、影響はもはや重要ではありません)。
- 以前と同じ条件を維持するだけで、パラメーター推定の精度が向上する可能性があります (実験の分散によって異なります)。
1 つの「その他の」オプション (おそらくモデル比較の前に行う) は、新しく追加されたポイント (元の設計からではなく) を検証ポイントとして使用することもできます (機械学習で設定された検証の伝統に従って)。 このようにして、DoE に基づいて作成されたモデルが十分に正確であることを確認し、残差を視覚化し、パフォーマンス メトリックを比較することによって行われる新しい実験に一般化できる可能性があります (目的に応じて、R²、R² 調整済み、RMSE など)。モデル内のポイント (トレーニング セット) と新しく追加されたポイント (検証セット) の間。
トレーニング セットと検証セットのモデルからの結果の間で見つけた違いによっては、モデルをより正確に調査し、モデルの比較方法に進み、新しいポイントを追加することの違いと結果を発見して理解する必要がある場合があります。
これがお役に立てば幸いです:)
Re: 既存の doe 実行にデータを追加する Doe私はあなたの質問についていくつかの考えを提供します：
1.「このアプローチの背後にある合理的な (sic) は何ですか?」 「理屈」のつもりだったのかな？ だからここに私の考えがあります。 実験を行う前に、ランを追加するという観点から始めましょう。 誰かがこれを次のように合理化するかもしれません.最適なデザインには、経験的な結果が最も確実に必要な治療の組み合わせが含まれていないため、これらの組み合わせで2番目の実験を実行するのではなく、それらをデザインに追加しましょう. 主に利便性と実用性の問題。 この種の別の例は、元の実験に「チェック」と呼ばれるものを追加したことです。 私たちにとっての「チェック」は、反応がどうなるかについて非常に良い考えを持っていた治療の組み合わせであり、大きなノイズや迷惑な要因がないことを確認する手段として「チェック」を使用していました.結果のバランスに影響します。 分析に「チェック」を含めたことはありません。 大きな注意点は、最適な DOE アプローチはモデル駆動型であり、意地悪な無意味な組み合わせを追加し、それらの組み合わせを解析に含めると、元の設計で求めていた解析から情報を取得することが誤って難しくなる可能性があることです。
2. 元の実験が行われた後に治療の組み合わせを元のデザインに追加する場合、多くの人はこれを元のデザインの「増強」と呼んでいます。 多くの場合、この背後にある論理的根拠は非常に単純です...元の設計の分析では、目前の実際の問題を解決することはできませんでした...しかし、私たちは正しい方向に進んでいると考えています...そしてよく考え抜かれた (最適な DOE 戦略と戦術を使用して) 元の設計を実行することで、目前の問題の解決に近づくことができます。 例としては...元の設計では推定できなかった交互作用や二次効果を推定する必要がある場合などがあります。 Augment Design プラットフォームを使用すると、JMP でこれを簡単に実現できます。 以下は、例を含む、JMP の拡張設計戦略と戦術、および「ハウツー」について説明している JMP オンライン ドキュメントのセクションへのリンクです。 JMPでのオーグメントデザイン
最後に、参照と例として、Joos and Jones の第 3 章「Optimal Design of Experiments A Case Study Approach」を提案します。
お役に立てれば？
Re: 既存の doe 実行にデータを追加する Doeピーター、非常に洞察に満ちた明確な回答をありがとうございました。 私は今よく理解しています。 教えていただいた参考書も参考にさせていただきます。 私はあなたの支援に感謝します。 心から。
Re: 既存の doe 実行にデータを追加する Doeすでに述べた優れた提案に私の考えを追加します。
「後で」同じ治療の組み合わせの追加の複製を追加すると、研究に追加のノイズが追加されます。 追加の実行を分析する方法には注意が必要です。 あなた (および/またはあなたの同僚) は、複製する処理を「選択的に」選択しているように見えるため、このバイアスに注意してください。 (ランダム化された完全な (および不完全な、BIB) ブロック設計に関する論文を参照してください)、例:
サンダース、D.、 Leitnaker M.、および McLean R. (2002) 「工業研究におけるランダム化された完全なブロック デザイン」品質工学、巻。 14、第1号
変化するノイズに対して複製を実行することにより、推論空間を増やすことは非常に有利です。 これが体系的/意図的に行われる場合、動作中のメカニズム (どの要因が影響を与えるか) と、それらの要因の影響が変化する条件 (ノイズ) に対して堅牢であるかどうかについて、より多くの洞察を得ることができます。 これをランダムに行うと、推論空間が増えますが、設計の精度に悪影響を及ぼします。
Re: 既存の doe 実行にデータを追加する Doeご意見をお寄せいただきありがとうございます。 参考にさせていただき検討させていただきます。 あなたの時間とサポートに感謝します。
既存の Doe 実行にデータを追加する Doeやあ、
私はカスタム doe を設計して実行しました。さらに、フィット分析内にも入れたい同じパラメーターの結果があります。それに対する選択肢はありますか？
ありがとう
実験計画法結果の共有と伝達
