複数の応答を使用した応答曲面分析親愛なるみんな、
応答曲面（コスタムデザイナーが作成した）設計で大きなDoEを実行した後、いくつかの質問が出てきました。誰かがここで私を助けてくれるとしたら、それは素晴らしいことです。 私はJMPとDoEのかなり新しいユーザーですが、学びたいと思っています。
1）さまざまな応答（半径、分散度、融点）を測定しました同じ要因（塩、pH、砂糖）で。 一連の要因がさまざまな応答にどのように影響するかを評価するときに、ここで有意性はどのように計算されますか？
これはどのように組み合わされていますか？
2）重要ではない主な要因も見つかりましたが、これらは別の主な要因とともに2次的にも重要です。 二次項を残して、重要でない主な要因を捨てるべきですか？ これはモデルにどのように影響しますか？
3）妥当なデータ（適合性の欠如を除く）があり、明確な良心でそれを評価できることをどのように確認できますか？ 欲求機能を信頼できることをどうやって見ることができますか？
4）応答値が互いに相関しているかどうかを判断できますか（たとえば、融点と半径）？
5）カスタムデザイナーで応答曲面計画を測定しました。 測定範囲外の値を予測できますか？ データのこのような傾向をどのように確認すれば、最適な結果を得るには係数を再度増減する必要があるという情報が得られます。
6）カスタムデザイナーメニューでセットアップを完了した後、応答値の制限を再定義するにはどうすればよいですか？
7）複数の応答値を同時に評価する方法と、それらを個別に評価する場合との違いについては、どこで学ぶことができますか。
たくさんのご協力に感謝します！
分析DOEウィンドウズRe：複数の応答を使用した応答曲面分析すべての質問に対する答えは、DOEに関する基本的な本をほぼ埋めることができます。 私の提案は、作業を一時停止し、無料のSAS「産業問題解決のための統計的思考」コース内のすべてのDOEおよびモデリング関連モジュールを完了することです。 ここでは、すべての質問（および特に質問しなかった多くのトピック）がカバーされています。
Re：複数の応答を使用した応答曲面分析- 応答ごとに個別に最適なモデルを選択してください。 最適なモデルを列式として保存します。 それらをグラフ>プロファイラー>プロファイラーと組み合わせます。
- はい。応答データで線形モデルを使用する場合は、「モデル階層」を維持することを強くお勧めします。 したがって、用語A * Bを含めることにした場合は、それら自体の重要性に関係なく、A用語とB用語の両方も含める必要があります。
- 2つの質問：
- 各応答のモデル選択中に残差分析を使用します。 また、モデル検証の実行はもう実行しましたか？
- 望ましさの機能に対するあなたの信頼は、応答の限界と応答のターゲットについてのあなたの決定に対するあなたの信頼に依存します。
- もちろん。
- 2つの質問：
- 因子範囲を超えて予測することができます。 この形式の予測は、外挿と呼ばれます。 危険です。 JMPは、予測された平均応答の信頼区間を調整しますが、JMPは、モデルが因子範囲を超えて有効であると想定します。 仮定が合理的かどうかを知っているのはあなただけです。
- Prediction Profilerは、複数の応答と要因がある場合に最適なツールです。
- 2つの方法があります：
- データテーブルから、次のいずれかの方法を使用します。
- 列パネルの応答名の後にあるアスタリスクアイコンをクリックして、[応答制限]を選択します。 情報を更新し、[OK]をクリックします。
- 応答列を選択し、[列]> [列情報]を選択し、プロパティリストで[応答制限]を選択して情報を更新し、[OK]をクリックします。
- Prediction Profilerから、Windowsの場合はControlキー、Macの場合はCommandキーを押したまま、望ましさ関数のグラフをクリックし、情報を更新して[OK]をクリックします。 次に、Prediction Profilerの横にある赤い三角形をクリックし、更新を保持する場合は、[Desirability]> [SaveDesirability]を選択します。
- JMPヘルプを使用して、プロファイラーガイド。
Re：複数の応答を使用した応答曲面分析あなたの質問に基づいて、私はあなたが資源を浪費する前にあなたが主題を研究するべきであるというピートに同意します。 つまり、1次モデルを理解し、状況に関連するノイズを完全に理解する前に、通常は最適化タイプの設計である応答曲面から始めることは非効率的であり、多くの場合非効率的です。
もちろん、マークの答えは正しいです。 私は熟考するためにいくつかの考えを追加します：
1.あなたが説明する状況は実際には標準です。 私たちは多変量の世界に住んでいます。 複数の応答変数にわたる最適化には、間違いなくバランスがあります。 [分析]> [多変量メソッド]> [多変量]を実行する必要があります（すべてのYを入力します）。 これにより、ピアソン相関係数が得られ、さらに重要なことに、応答変数間のグラフィカルな関係の散布図行列が得られます。 これは質問4の答えでもあります。
2.階層について...このように考えてください...利用したいアクティブな相互作用がある場合は、その相互作用の両方の要素を管理することをお勧めします。 もちろん、これらの1つ（たとえばA）を設定した場合、Aの設定に関してもう1つ（B）を管理するだけで済みます。 わずかな主効果をモデルに追加すると、調整されたR-SquareとR-Squareの間のデルタが大きくなり、p値が減少する可能性がありますが、モデルが現実的であることがより重要です。
3.ああ、合理的です...すべてのデータの分析における私の最初のステップは、結果が実際的な値から外れているかどうかを判断することです。 応答変数は、統計的評価を正当化するために研究全体で十分に変化しましたか（私はこれを実用的な有意性と呼びます）？ 実験空間は将来の状況を代表するものでしたか（推論空間の問題）？ そうでない場合、外挿は間違いなく疑わしいです。 実験中、ノイズ（特に操作されていない要素）はどのように処理されましたか？
R-Square統計（R-Square Adjustedに重点を置いたデルタ）、RMSE、CV（複数のYにわたる）、p値、および残差分析を使用して、モデル構築をガイドできます。
