DoE の手順の簡素化
私はここの部門で DoE を使用するためのロードマップを作成しています。 ここに私の考えがあります。 間違っていたら訂正してください。
ステップ1。 因子が連続的であるか、2 レベルのカテゴリカルであるかを特定します。 次に、主効果と二次効果を識別するため、DSD を使用します。二次効果は主効果と直交しており、2 因子交互作用と完全には混同されません。 二次効果は交互作用効果と相関している可能性があります。 ほとんどの因子が連続的で 2 レベルのカテゴリー (触媒の種類、酸、または塩基) であるため、これは有機合成に最適です。 カテゴリカル因子が 3 レベルの場合でも DSD を使用できますか?
ステップ2。 因子が連続的でなく、2 レベルのカテゴリカルでない場合は、カスタム計画を使用します。
DoE における標準的なアプローチは、スクリーニング (主効果) を行って、高次の効果を追加する拡張を行うことだと思います。
しかし、私たちの研究室では DoE プロトコルを簡素化したいと考えています。 ほとんどの場合、因子は 6 以下しかありません。 カスタム設計を使用してスクリーニング (主効果のみ) を行わずに、そのまま最適化を進めることはできますか?
どちらの方法でもメリットとデメリットは何ですか?
最後に、カテゴリカル数値と離散数値を混同しています。 詳しく説明して例を挙げていただけますか？ 評価はカテゴリー的なものですか? 1、3、5 にしか設定できない機器を持っていますが、これはカテゴリカルな数値ですか、それとも離散数値ですか?
ありがとう
ありがとう。
実験計画法Re: DoE の手順を簡素化するこんにちは@Alainmd02 、
どういたしまして ！
私は DSD とその使用の可能性についてのみ回答しましたが、読んだところによると、このトピックは DSD の使用だけよりもはるかに広いようです。
の回答を読むと、 @スタットマンと@Mark_Bailey彼らが書いたことだけを強調したいと思います: 設計を選択する前に、やるべき多くのステップがあります: 変更する要素についての反省 (要素の数、タイプ、レベルの数、変更の容易さ/変更の困難など) 、分析対象の効果 (主効果、交互作用、非線形効果、...?)、考えられるノイズ源 (ランダム変動、日次変動、キャリブレーションおよび/またはバッチ/実行変動 .... ）、応答の精度と分散、およびこれらの入力との関連性が目標です（有意な効果をスクリーニングするだけですか？） 値を予測しますか?) と期待される精度 (たとえば、測定精度と比較して予測をどの程度正確にする必要があるか)。
あらゆる状況に対応できる完璧なデザインはありません。
- 混合/配合について : 混合係数 (たとえば、合計が 100% になる配合/レシピ内の成分や固定値など) を扱っている場合、これらの係数を混合係数として設定する必要があります。得られる計画のタイプに影響を与えます (因子は合計 = 100% または固定値などの制約によってリンクされるため)。
-> 混合計画 (シェッフェ立方体/単体重心、単体格子、極頂点、空間充填など)
-> または混合モデル (混合因子ではない他の因子もある場合)。
- DSD の有効性について: 前にも述べたように、DSD は優れていますが、あらゆる状況において最良の妥協策であるとは限りません。 どの効果を確認/検出したいか、要因 (数と種類)、および測定の精度に応じて、DSD の代わりに反復を使用して D 最適計画を実行し、より良い推定値を得る方が賢明な場合があります。 DSD と同じ (またはそれ以下) の実験数における実験空間内の応答分散。
- 共変量因子については、応答に影響を与える変数ですが、他の要因のように制御することはできません。この要因の値が事前にわかっているか、可能な値のセットがあり、この既定の値または可能な値のセットから選択する必要があります。
詳細については、こちらをご覧ください:開発者チュートリアル - 実験設計時に共変量を効果的に処理する - JMP ユーザー コミュニティ
また、JMP 17 のリリースにも注目してチェックしてください。あなたやあなたの同僚が DoE を設計するのに役立つ「Easy DOE」メニューがあるはずです:)
これがあなたの反省に役立つことを願っています、
ビクター
Re: DoE の手順を簡素化する私はこのフォーラムを通じてあなたと議論する立場にありません。
ノイズに対処する戦略を常に持つべきだと私は信じています。 一定に保つことは、推論空間を狭めるため、ひどいアイデアです。 常にジレンマとなるのは、設計の精度に悪影響を与えずに推論空間を増やす方法です。 これらの戦略には、私がリストしたものが含まれています。 それらを理解できない場合は、それらについて学ぼうと努めるべきです。 分割プロットには多くの用途があります (変更が難しい因子はそれらの目的の 1 つにすぎません)。 Box and Jones の「堅牢な製品実験のための分割プロット設計」を読むことをお勧めします。
私は配合の混合設計を提案します (拡張設計ではありません)。
因子が 15 を超える場合は、どの要素をさらに調査する必要があるかを把握する必要があるかもしれません。 ネストされた体系的なサンプリング計画を使用してこれを実行し、この活用度を決定できます。
測定の変動性を理解していない場合は、実験の前にこれを行う必要があります (または、このコンポーネントを処理内にネストする) 。
問題が (平均ではなく) 変動にある場合は、各治療の変動の推定値を取得する必要があります。 これは、複数の「データ ポイント」（反復測定）を収集することで実現できます。 たとえば、部品内またはバッチ内にばらつきがある場合、部品内またはバッチ内で複数の測定値が必要になり、要約統計量を使用してばらつきを推定します。 この統計は、モデル化するための応答変数の 1 つになります。
Re: DoE の手順を簡素化するこんにちは@Victor_G
包括的なアドバイスをありがとうございました。 オマールは面白いですよ！！
Re: DoE の手順を簡素化する次のことを明確にしたいと思います。
1位。 もしそうならDSDを使うと言いました。因子は連続的で 2 レベルのカテゴリカルです。ただし、因子に線形不等式制約がある場合、または因子レベルの組み合わせが許可されていない場合、このツールは適切ではありません。 私はそれがあらゆる状況に適しているとは言いませんでした。
DSD は、ポイント 1 (制約) に答えます。 他の設計よりも効率的であるため、時間、お金、および材料の入手可能性が向上します。 状況に応じて DSD を使用してください。
2番目。いずれかの基準が DSD と一致しない場合。 それなら、汎用性の高いカスタムデザインが最適だと思います。
スクリーニング段階では、二因子交互作用を追加することを推奨しますか、それとも主効果ですでに十分ですか?
それともメインエフェクトのみでエイリアスを最適化しますか？ 時間やお金などが十分にある中で、それを行うための最善の方法は何ですか?
時間やお金などを考えると、いつもお勧めしますかリピート、RCBD、BIB?
分割プロットは、変更が難しい要因に使用されます。
実際のところ、私は共変量係数をいつ使用するかについて完全には理解していません。
ノイズが除去されているかどうかはどうすればわかりますか?
3位スクリーニング段階の後。 重要な要素はすでに知っているので。 Augment Design を使用して、プロセス因子には 2 因子交互作用や二次関数、混合/配合には 3 次効果 (3 因子交互作用と三次) などの高次効果を追加できます。
重要な要因がすでにわかっている場合。 スクリーニング段階をスキップして、2 因子交互作用、プロセス因子の 2 次効果、および混合/配合の 3 次効果を追加してそのまま進めることができます。
レバレッジ/安定性、測定の不確かさ、平均/変動について教えてください。
どうもありがとうございます ：）
Re: DoE の手順を簡素化する追加します@スタットマンこの主題は深く、教科書やコースで十分に取り上げられているので、そこから、あなたの地域の調査員にどのように進めるべきかを伝える方法のアイデアを収集できるかもしれません。 統計に関する本はよく「悪い評判」を受けますが、DOE に関する本は非常に優れています (よく書かれており、理解しやすく、実践的で、実用的など)。 この方法についてさらに詳しく知りたい場合は、お知らせください。 ご要望に応じて書籍をご提案させていただきます。
JMPが提供するDOEに関するトレーニングもあり、JMPを使用して原則と実践的なスキルを習得します。 実際には、クラスがあります2週間以内に。
Re: DoE の手順を簡素化するあなたがやろうとしていることは理解していますが、適切な選択（質問に答えるための最も効果的かつ効率的な設計の選択）のためのプロセスを単純化しすぎている可能性があります。 使用する適切なツールを選択するには、考慮すべきことがたくさんあります。 私が強調しているのは、ツール選択のガイドとなる一連の状況診断を開発することです。 状況を理解していなければ、実験の計画が不十分になる可能性があります。 たとえて言えば、DOE の戦略は、DSD を使用することです。これは、たとえ成果を上げたいとしても、ハンマーであるということです。 あらゆる状況に適した単一の戦略はありません。
適切な設計を選択する際に役立つ基準の簡略リストを次に示します。
- 制約：時間、お金、材料の入手可能性、測定/機器の能力など。 治療回数できる（おそらく交渉が必要になるでしょう）？
- 操作する因子の数 (比較する仮説の数) はどれくらいですか?
- ノイズはどのように管理または分割されますか (繰り返し、RCBD、BIB、分割プロット、共変量など)?
- 一部の要素は他の要素よりも変更が難しいのでしょうか?ランダム化に関して他に制限はありますか?
- 推定したい優先順位の高い効果 (以下を参照) は何ですか?
- 高次の効果が疑われる/予測されますか (相互作用、曲率など)?
- 望ましい解像度は何ですか? (どのような効果を推定/分離したいですか?)
- どのような次数の多項式が必要でしょうか?
私見ですが、要因の種類は実験の選択とはあまり関係なく、実験をどのように分析するか（どのようなモデルまたは分析プラットフォームか）に関係します。
Re: DoE の手順を簡素化するこんにちは@Alainmd02 、
すべてのユースケースに最適なデザインは存在しないと思います。難しいのは、それぞれのユースケースに最も適切なデザインを選択して作成することです。 DSD は効果的なスクリーニング デザインですが、最適性基準を D-Optimal または Alias-Optimal に設定してカスタム デザインを直接使用することで、許容できる (またはおそらくより良い) 他のソリューションを見つけることができるかもしれません。 設計の選択は、因子の数とタイプによっても異なります。因子の数が 5 を超え、カテゴリカル因子の最大数が 1 つまたは 2 つである場合、DSD を検討すると興味深いかもしれません。 5 因子未満、または 2 つ以上のカテゴリ因子がある場合は、カスタム設計が適している可能性があります。
ご質問について:
-> DSD は 2 レベルのカテゴリカル因子のみを処理でき、3 レベルのカテゴリカル因子は許可されません。
-> 重要な要素のみを拡張するので、拡張するのが賢明な方法かもしれません。 すべてを一度に実行しようとすると、拡張手法と比較して、(主効果、交互作用、および場合によっては 2 次効果を含む完全なモデルを構築することが予想されるため) 行うべき実験が多くなる可能性があります。 実験数の違いがそれほど大きくない場合、これは、よりシンプルにするために支払う小さな代償かもしれません。 新しい OMARS 設計は、DSD 設計と完全な RSM 設計の間の妥協点と考えることもできます。
-> 要因の種類についての詳しい説明については、DoE に関する STIPS コースが役立つかもしれません。
非常に簡単に説明すると、カテゴリ因子がある場合、目標は、入力したオプションのセットからレベルを選択することです。 カテゴリ因子に対して二次効果を持たせることはできません。主効果と交互作用のみを持たせることができます。 カテゴリカル因子の N レベルの場合、主効果を推定するための N-1 個の係数が必要になります。 カテゴリカル効果の例としては、演算子 (演算子 1、演算子 2、演算子 3...)、試薬の化学的性質などがあります。 数字では説明できない何か。
離散数値は数値ですが、唯一の制約は、2 つの数値の間に値を含めることはできないことです。 この場合、1、3、または 5 に設定できる機器では、これら 3 つの値のいずれかを選択できますが、たとえば 2,244434 は選択できません。 炉の温度についても同じ例で、いくつかの離散的な数値を指定すると、温度を 180、200、または 220°C に設定できますが、195 °C や 210°C には設定できません。離散数値因子の場合、連続数値因子の場合と同様に、主効果、交互作用、二次効果などを推定できます。
評価の「性質」に応じて、評価はさまざまな種類の応答として見なされます。
- 生徒と教師にとって、メモは継続的な応答となる可能性が高く、
- 評価がコーテーションのような場合 (1: 非常に良い、2: 良い、3: 平均/どちらでもない、4: 悪い、5: 非常に悪い)、それは離散的な数値 (序数の数値) です。
- 評価が A、B、C、... の場合、応答は断定的です。
JMP 17 では、新しいモジュールが同僚にとって非常に役立つと思います。これは「Easy DoE」と呼ばれるもので、要素の種類、考慮すべき設定などが、最終的な設計構築に至るまで段階的なアプローチで説明されています。
この回答がお役に立てば幸いです。 
