リジェクターの割合を予測するためのカスタムDOEに関するフィードバック背景
私は最近、「でんぷん」、「砂糖」、「塩」を連続因子として変化させた5つの異なる食品サンプルを使用してパイロット研究を実施しました。5つの食品サンプルのそれぞれは、サンプルを受け入れるか拒否するかのいずれかである150人のパネリストによって味わわれました。パネリストを拒否する割合は、3つの継続的な要因の関数としてモデル化したいものです。
私のパイロット研究では、私が期待するものと一致するいくつかの興味深い洞察が得られましたが、サンプルが5つしかないため、モデリングは「Sugar」と「Sugar * Sugar」という用語の使用に限定されていました。曲率があることがわかっているので、GLM-> Normal-> Logitモデルを使用しました。これはパーセンテージであるため、出力を0〜1に制限する必要があります。保存したGLM（「パイロットデータSSS-Prej_Sugarロジットモデル」）を使用してデータテーブルを添付しました。それはアプローチに基づいていますMark Baileyは、以前の投稿で比例データを推奨していました。
次のステップ
次のステップは、「でんぷん」、「砂糖」、「塩」のレベルを変えた食品サンプルをさらにテストして、正確で正確なものを作成できるようにすることです。多変量パネリストを拒否する割合を推定するためのモデル（「Sugar」および「Sugar * Sugar」の用語だけでなく）。主な効果と交差した効果の両方をキャプチャしたいと思います。そのために、DOE-> Custom Designプラットフォームを使用して、次のパラメーターを設定しました。
反応：拒否率、最小化の目標、下限= 0、上限= 1
要因： 「でんぷん」（38〜55）、「砂糖」（15〜36）、「塩」（23〜50）を連続的な簡単な要素として使用し、RSMを使用して用語を交差させました。切片が1つ、主効果が3つ、交差する用語が4つになるように、いくつかの用語を削除しました。
複製： 5
中心点： 0
実行回数： 40（そのための予算があります）
ランダムブロック： 8
デザイン/テーブルは「カスタムデザインSSS-Prejの例」として添付されています
私の質問
1.実験を実行してデータを取得したら、もう一度別のモデルを試すオプションがあります。要約すると、私の目標は、私の3つの要因が拒否者の割合にどのように影響するかを予測し、拒否者の割合の最小値と最大値を見つけることができるようにすることです。少なくとも2つの用語（「砂糖」と「塩」）に曲率があると思います。GLM-> Normal-> Logitを再度使用することに問題はありますか？
2.質問する理由は、「JMP Start Statistics」の本で、スクリーニング実験（反応率を確認するため）に「Reactor20 Custom」データセットを使用して演習を行っていたのですが、演習では「Standard出力（反応率）が理論的に0から1に制限されている場合でも、最小二乗法 "+効果スクリーニングアプローチ。このページこの演習を宿題として説明します。
3.実際には、カスタムデザインのレベルに正確に従うことはできませんが、テスト用にさまざまなレベルの「でんぷん」、「砂糖」、「塩」を含むサンプルのライブラリを選択できます。「砂糖」と「塩」も適度に同一線上にあることがわかります（私はこれをあまり制御できません） 。次の表（「SSS-Prejモデルの候補の例」）を参照してください。上記の懸念を踏まえて、DOEとアプローチの品質について心配する必要がありますか？
あなたが提供できるどんな助けにも感謝します。
分析データ表DOEマックOSRe：拒否者の割合を予測するためのカスタムDOEに関するフィードバック実は要因： 「でんぷん」（38〜55）、「砂糖」（15〜36）、「塩」（23〜50）、用語を削除しなかったので、完全な応答曲面です。以前の投稿を編集したはずですが、その機能が表示されません。
Re：拒否者の割合を予測するためのカスタムDOEに関するフィードバックあなたは総回答を知っています。 さらに、あなたは「受け入れられた」と「拒否された」カウントを知っています。 したがって、バイナリロジスティック回帰またはGLMを、バイナリ分布とロジットリンク関数で使用できます。
治療に正確に従えなくても大丈夫です。 たとえば、Sugar = 15が必要で、17であることがわかっている場合は、応答を記録し、その実行の係数設定を更新します。 このようにして、回帰にはすべての正しいレベルがあります。
Re：拒否者の割合を予測するためのカスタムDOEに関するフィードバックマーク、ありがとう。したがって、この例で言及しなかったいくつかの追加のコンテキスト：
拒否者のみに条件付きの質問があります。これは、サンプルを拒否した理由を尋ねます。拒否者は理由を選択するように求められます。
特に、フレーバーに基づいて拒否したパネリスト全体の割合に関心があります。したがって、合計200人のパネリストのうち30人が製品を拒否し、そのうち10人がフレーバーを示した場合、10/200 = 2％の割合になります。
材料の関数として製品のフレーバーを変更すると、フレーバーリジェクターの割合が変化すると予想されます（たとえば、5％、10％など）。
最終的には、テストされていない澱粉/砂糖/塩の組み合わせ（トレーニングセットの範囲内）を取得し、フレーバーに基づいて拒否する仮想パネリストの割合を予測できるようにしたいと考えています。これにより、実際の製品テストを行う必要がなくなるため、時間と費用を大幅に節約できます。
ここでの私の質問は、その戦略に違いがあるかどうかです「拒否しなかった」、「拒否した」を使用して、rawカウントの多項ロジット回帰を言うのとは対照的にいいえオンフレーバーの基礎」と「拒否されたオンフレーバーの基本です。」あるいは、拒否者のグループだけを見ると、「拒否したかどうか」オンではありませんフレーバーの基礎」または「拒否されたオンフレーバーの基本です。」
カウントを使用して多項ロジット回帰を実行しました。予測プロファイラーを使用すると、「フレーバーに基づくリジェクター」の比率がデンプン/砂糖/塩の含有量の関数として継続的に変化し、実際の比率と一致することがわかりました。ただし、すべての生データをグループの比率に変換し、GLM->通常->ロジットを実行することについて私が気に入っているのは、予測の信頼区間（たとえば、9％、7-11％の拒否）を取得することです。
また、前述の「JMP開始統計」の例では、スクリーニング実験用の「Reactor 20 Custom」データセットを使用して、「JMP開始統計」の本の演習を行っていました（反応率）、ただし、出力（パーセント反応）が理論的に0から1に制限されている場合でも、演習では「標準最小二乗」+効果スクリーニングアプローチを使用しました。このページこの演習を宿題として説明します。演習で標準的な最小二乗法が推奨される理由はありますか？反応率別のモデリングアプローチとは対照的に、0〜100％以外の値？
