最終的スクリーニング計画 (DSD) の適切な使用と不適切な使用2011年に、同僚のクリス・ナハツハイム教授と私は、最終的なスクリーニング計画(DSD) に紙が入っている品質技術ジャーナル。 1年後、私はこう書きましたJMP ブログ投稿相関セル プロットを使用してこれらの設計を説明します。 DSD はその導入以来、塗料製造、バイオテクノロジー、グリーン エネルギー、レーザー エッチングなどのさまざまな分野で応用されています。
新しいエキサイティングな方法論が登場すると、最先端の研究者はそれを試してみたくなるのが自然な傾向です。 これらの研究者が肯定的な結果を報告すると、他の研究者も新しい方法を試してみることが奨励されます。
もちろん、私は DSD の大ファンですが、共同発明者として、DSD の実践者のコミュニティに対する責任を感じています。実験計画法 (DOE)使用目的と誤用の可能性について明確にする必要があります。
では、いつ DSD を使用すればよいのでしょうか?
名前が示すように、DSD はデザインをスクリーニングします。 最も適切に使用されるのは、関心のある応答に影響を与える可能性のある潜在的に重要な因子が多数存在する実験の初期段階で、一般に非常に少数の影響力の高い因子を特定することが目標である場合です。
スクリーニング実験なので、因子が 4 つ以上ある場合にのみ DSD を使用します。 さらに、因子が 4 つしかなく、DSD を使用したい場合は、6 因子の DSD を作成し、最後の 2 列を削除します。 結果として得られる計画は、4 つの因子のうちの 3 つで完全な 2 次モデルを適合させることができます。
DSD は、ほとんどの因子が連続している場合に最も効果的に機能します。 これは、各連続因子に 3 つのレベルがあり、調査者が各連続因子に直線ではなく曲線を当てはめることができるためです。
DSD の使用が不適切となるのはどのような場合ですか?
以下では、最適な分割プロット計画は、変更が難しい因子 wp をソートすることによって作成された最終スクリーニング計画よりも大幅に優れています。 以下のポイント 4) を参照してください。
1) 設計領域に制約がある場合
DSD の使用の背後にある暗黙の仮定は、任意の因子のレベルを他の因子のレベルとは独立して設定できるということです。 設計領域の制約によって特定の要素の組み合わせが実行不可能になる場合、この仮定は破られます。 たとえば、ポップコーンを調理する場合、調理時間を長くしながら出力を最高設定に設定したくありません。 そんなことをしたら、焦げてしまうことはわかっています。
このような問題を回避するために、因子の範囲を内側に引き込みたくなるかもしれませんが、これを実行すると、アクティブな効果を検出する DSD の能力が低下します。 たとえその領域の形状が立方体や球形でなくても、実行可能な領域全体を使用することをお勧めします。
2) 要因の一部が混合物中の成分である場合
同様に、2 つ以上の要素が混合物の成分である場合、DSD の使用は不適切です。 ある成分のパーセンテージを上げる場合は、他の成分のパーセンテージを下げる必要があるため、これらの要素はその性質上、独立して変化することはできません。
3) 2水準以上のカテゴリー因子がある場合
DSD は、いくつかのカテゴリ因子を 2 つのレベルで処理できますが、ほとんどの因子がカテゴリ因子である場合、DSD の使用は非効率的です。 また、カテゴリカル因子に 3 つ以上のレベルがある場合、DSD は一般に望ましくない選択です。 The Design of Experiment (DOE) LinkedIn グループでの最近のディスカッション3 レベルのカテゴリー因子に対応するために DSD を変更する試みが含まれていました。 これは可能ですが、カスタム デザイン ツールを使用する必要がありました。 JMP DSD の因子を共変量因子として扱い、カスタム デザイン アルゴリズムによってレベルが選択された唯一の因子として 3 レベルのカテゴリカル因子を追加します。
4) DSD が分割プロット計画として実行される場合
また、結果の計画が分割プロット計画になるように、1 つの因子の設定を並べ替えることによって DSD を変更することも不適切です。 6 因子 DSD の場合、ソートされた因子には 3 つの設定しかありません。 低設定では 5 ラン、中設定では 3 ラン、高設定では 1 ランが発生します。 このような設計を使用すると、並べ替えられた因子の効果に関する推論が統計的に無効になることを意味します。
5) 対象となるアプリオリ モデルに高次の効果がある場合
DSD の場合、三次項は主効果と混同されるため、三次効果を特定することは不可能です。
通常の 2 レベルの部分実施要因計画や Plackett-Burman 計画も、上記のほとんどの場合には不適切です。 したがって、それらは実行可能な代替手段ではありません。
上記の場合、DSD を使用する代わりに何ができるでしょうか?
のユーザー向けJMP 、答えは簡単です。カスタム デザイン ツールを使用します。
JMP のカスタム デザイン ツールは、上記のシナリオの任意の組み合わせに対応するように構築されたデザインを生成できます。 カスタム デザイン ツールの背後にある基本原則は次のとおりです。
「デザインに合わせて問題を変えるのではなく、デザインは問題に合わせるべきです。」
最終的な考え
DSD は、作成されたシナリオにおいて非常に役立つ設計です。 スクリーニング設計として、これらには多くの望ましい特徴があります。
1) 主効果は直交します。
2) 主効果は、2 因子交互作用 (2FI) および 2 次効果に直交します。
3) 連続因子の二次効果はすべて推定可能です。
4) 2FI は、相関関係がある可能性はあっても、他の 2FI または二次効果と混同されません。
5) 13 以上の実行を持つ DSD の場合、任意の 3 因子サブセットに完全な 2 次モデルを当てはめることが可能です。
6) DSD は、2 つのレベルを持ついくつかのカテゴリー因子に対応できます。
7) DSD のブロックは非常に柔軟です。 あればメートル因数を指定すると、2 から 2 までの任意の数のブロックを含めることができます。メートル。
8) DSD は、現場では少なくとも 2 つだけ必要なため安価です。メートル+1ラン。
9) 必要以上の因子を含む DSD を作成し、余分な因子を削除することで、DSD に実行を追加できます。 結果として得られる設計は、上記の最初の 7 つのプロパティをすべて備えており、より多くの二次効果を特定できるだけでなく、より強力な機能を備えています。
私の意見では、上記の特性により、ほとんどの因子が連続しているスクリーニング実験には DSD が最適な選択肢となります。
ただし、明確にしておきたいのは、 DSDは万能薬ではありません。 言い換えれば、DSD はすべての実験計画の問題に対する解決策ではありません。
私は DSD の大ファンですが、共同発明者として責任を感じています使用目的と誤用の可能性について明確にする必要があります。
Re: 確定的スクリーニング計画 (DSD) の適切な使用と不適切な使用ありがとう@ブラッドリージョーンズ@pepees @seanschubert 、
この例について追加の質問があります@pepees提供された。 「参照」を導入するという概念がよく理解できなかったと思います。
私の最初の質問は、比率は他の要因の影響を受けることなく独立して変更できるため、混合物の「比率」に対して DSD を実行する実現可能性を尋ねることでした。 この比率は、後でパーセンテージに計算し直すことができます (混合問題)。 たとえば、混合比 A:B:C:D = 30:5:10:1 は、A:65%、B:11%、C:22%、D:2% とパーセンテージに逆算できます。
ゴムの例では、すべての単一成分が基準 (ベース樹脂 100phr) によって正規化されており、それらの合計は 100 になるはずです。 それでは「材料を混ぜる」状況と変わりません。 1 つの材料 (または成分) の量を変更すると、導入できる他の材料の量に影響します。 したがって、各要素を独立して変更できないため、DSD を使用することはできないのでしょうか?
「リファレンス」の導入の概念と、リファレンスをどのように活用できるかが理解できなかったと思います。 これについて詳しく教えていただけますか?
ありがとう！
Re: 確定的スクリーニング計画 (DSD) の適切な使用と不適切な使用また、有効成分の量 (低、中、高) という要素を導入すると、変化する比率と変化する量の影響を確認することもできます。
実際の混合実験にプロセスやその他の要素を追加すると、（解像度が低い場合でも）実験のサイズが実際に爆発的に増大するため、調査の早い段階でこの種のバックドア混合実験を行う方が効率的であると主張する人もいるでしょう。
Re: 確定的スクリーニング計画 (DSD) の適切な使用と不適切な使用ゴム産業では、以下に示すように、配合は通常、ベース樹脂 100 phr (100 分の 1) を基準にして表示されます。 ジョーンズ博士が指摘したように、割合と比較して「基準」成分を使用する方がはるかに便利です。ゴムの配合に取り組むとき、私は DSD をよく採用し、大きな成功を収めています。
ゴム配合の例:
ベースレジン - 100 phr
フィラー 1 - たとえば 50 ～ 70 phr
フィラー 2 - たとえば 10 ～ 40 phr
治癒効果 - たとえば 1 ～ 5 時間
助剤 - たとえば 0 ～ 2 phr
アクセル - たとえば 0.5 ～ 1 phr
プロセスオイル - たとえば 0.5 ～ 2 phr
抗酸化物質 - たとえば 1 ～ 5 phr
Re: 確定的スクリーニング計画 (DSD) の適切な使用と不適切な使用BJK - 優しいお言葉ありがとうございます。
あなたの質問に答えると、そうです。 成分の比率を係数として使用できます。 k 個の混合因子がある場合、k-1 比率を定義し、その比率を実験の因子として扱うことができます。 これを行う際には、かなり強い仮定を立てていることになります。 比率に関する応答の関数関係が重要であると仮定されています。 これは、反応と成分の比率とは対照的です。
これを行う場合、すべての比率の分母に入れる「参照」成分を選択するとよいでしょう。 一般に、その成分は充填剤である場合に最適です。 それ以外の場合は、すべての実行において一般に大きな割合を占める成分である可能性があります。
Re: 確定的スクリーニング計画 (DSD) の適切な使用と不適切な使用素晴らしいツールを発明してくれたブラッドリー・ジョーンズ博士に感謝します。
私は JMP と DOE スペースを使用する初心者です。 「2 つ以上の要素が混合物の成分である場合、DSD を使用するのは不適切である」と述べました。
これを比率に変換して、この 2 つの要素を 1 つにするとどうなるでしょうか。
たとえば、係数 A と B があり、それらの合計が 50 になる必要があるとします。 これを A:B の比率に変換すると、少なくとも DOE を実行する場合、それは 1 つの要素になり、「混合物中の成分」状況ではなくなります。
DSD の使用はやはり推奨されないのでしょうか? そうでない場合、混合タイプの成分にはカスタム デザインを使用する必要がありますか?
ご存知かと思いますが、多くの医薬品製剤作業では、医薬品賦形剤の総質量に対して各成分の % または比率を変える「混合成分」タイプの状況が発生します。
ありがとう！
Re: 確定的スクリーニング計画 (DSD) の適切な使用と不適切な使用Varun_Bhatt への返信:
モデル項が別のモデル項 (たとえば 2 つの 2FI) と +1 または -1 の相関がある場合、これらの項は交絡していると言います。 その場合、対象の応答に対するそれらの影響を分離するための純粋にデータ駆動型の方法はありません。
ただし、相関の大きさが 1 未満の場合は、応答に対するモデル項の個別の効果を推定できるようになります。 ただし、これらの効果の推定値の分散は、2 つの項に相関がない場合よりも大きくなります。 この現象を分散インフレーションと呼びます。 相関の大きさが大きいほど、分散の膨張も大きくなります。
効果の大きさに比べて誤差分散が小さい場合、分散の増大は大きな問題ではありません。 分散のインフレをいつ心配すべきかについての従来の経験則が間違っているのはこのためです。
Re: 確定的スクリーニング計画 (DSD) の適切な使用と不適切な使用この部分について詳しく教えてください。」相関関係がある可能性はあっても、2FI が他の 2FI または二次効果と混同されることはありません。」
要因が交絡している場合と相関している場合の違いを知りたいと思っていました。 それらはどう違いますか？ そして、それらはモデルにどのような影響を与えるのでしょうか?
ありがとう
Re: 確定的スクリーニング計画 (DSD) の適切な使用と不適切な使用ブラッド、
DSD の適切な使用についてさらにご意見をいただきありがとうございます。
1 年ほど前、私は約 100 の連続因子を含むコンピューター シミュレーションに DSD を使用しました。これにはすべての 2 次効果も必要で、総実行数は約 200 でした。 結果はカスタム設計の結果ほど満足のいくものではありませんでした。 それ以来、私は因子が多数あるモデリングやシミュレーションには DSD を使用することを避けてきましたが、因子数が少ない (たとえば 12 未満) 場合は DSD が非常に便利であることがわかりました。 M&S 実行では主効果のみを使用し、二次効果を確認するためにはるかに少ない数の因子を使用して別の DSD を実行する必要がありましたか?
マニー
Re: 確定的スクリーニング計画 (DSD) の適切な使用と不適切な使用ジョーンズ博士、
私はかなり長い間 DSD を使用しており、かなりの成功を収めています。 ただし、現在、二値応答 (成長/成長なし) に DSD を使用することを検討しています。 これは DSD で実行できますか? DSD 分析アルゴリズムが組み込まれていないため、応答をどのように分析しますか? それとも他の種類のデザインを使用しますか?
最高、
エウッド・シューリング
Re: 確定的スクリーニング計画 (DSD) の適切な使用と不適切な使用ジョーンズ博士、
徹底的かつ思慮深いご回答をありがとうございました。 ご検討いただきありがとうございます。 私はあなたと直接話し合いを続けます。
乾杯、
請求書
Re: 確定的スクリーニング計画 (DSD) の適切な使用と不適切な使用ロス博士 - あなたの 16,000 回にわたる DOE の経験には非常に感銘を受けました。 長らくJMPをご利用いただきまして誠にありがとうございます。 あなたは私よりも長い間 JMPer を続けています。
以下に、あなたの 5 つの質問と懸念事項に対処します。
1) あなたは、初心者の実験者が連続因子の水準を互いに近づきすぎるように設定する傾向があると指摘しています。 私もこの行為を見たことがあります。 エンジニアは世界は非線形だと思っていると思います。 また、変化が小さければ、線形性からの逸脱も小さいことも微積分からわかっています。 問題は、因子の変化が小さい場合、応答のノイズが推定された直線の傾きの大きなノイズに伝播し、アクティブな因子の特定が困難になる可能性があることです。 したがって、DOE を教える際には、連続因子を大胆に変化させることを学生に奨励します。 DSD が提供するように、各因子に低、中、高の値があると、エンジニアはより自信を持って因子のレベルを分散できるようになると思います。 これは、DSD では強い曲率が存在する場合でもそれを検出できるため、非線形性の心配がなくなるためです。
2. 上記のブログで、因子のほとんどが連続的である場合、DSD は適切なスクリーニング計画であると述べました。 2 レベルのカテゴリ因子が 3 つ以上ある場合、私は DSD を使用することに消極的です。 因子のほとんどまたはすべてが 2 レベルでカテゴリカルである場合、効率的なフォールドオーバー設計をお勧めします。 これらのデザインに関する記事はこちらを参照してください。Anna Errore、Bradley Jones、William Li、Christopher J. Nachtsheim (2017) 効率的な 2 レベルのフォールドオーバー設計の利点と迅速な構築、テクノメトリクス、59:1、48-57、DOI: 10.1080/00401706.2015.1124052
また、研究者は、カテゴリ因子の 2 つのレベル間の違いを説明する定量的尺度を考え出すためにさらに努力することができ、それによってカテゴリ因子をより意味のある連続因子にうまく変えることができると思います。
3. あなたは、中心点によって曲率を検出できると主張しています。 これは事実ですが、湾曲の原因となっている要因を特定することはできません。 このあいまいさにより追跡実験が必要になりますが、DSD を使用する場合はその必要はありません。 私は、実験領域内で強い二次効果が最小になったケーススタディを 1 つ見たことがあります。最小限の応答が望ましく、ここでのスイート スポットは 2 レベルの設計では検出できません。 別のケーススタディでは、最大応答が実験領域内にある場合の強い二次効果が見つかりました。ここ、最大の応答が望ましく、スイート スポットはやはり 2 レベルの設計では検出できません。 DSD 内のすべての二次効果を推定する機能を含めるためのコストは、主効果の信頼区間の長さが 10% (またはそれ以下) 増加することです。 これは、二次効果に関する情報を得るために支払う代償としては小さなもののように思えます。
4. ノイズの発生源を特定することの方が、固定効果を推定することよりも重要な場合があるということは、正しく指摘されています。 このような場合、設計点を複製すると、応答の分散に影響を与える要因を特定し、同時に平均応答に対する要因の影響を評価できるようになると便利です。 要素数のおよそ 4 倍の実行コストで DSD 全体を複製できます。 この点でブロックについて言及しています。 ブロッキングにより、変動の 1 つの原因を特定して定量化し、実行ごとの変動からその影響を除去できます。 環境条件の変化により応答にノイズが発生する場合、ブロッキングは有効な解決策です。 DSD は、2 レベルの部分実施要因計画または完全実施要因計画よりも柔軟にブロックできます。 以下は、DSD をブロックする方法を説明した論文への参照です。
Bradley Jones & Christopher J. Nachtsheim (2015): 最終的なスクリーニング設計のためのブロッキング スキーム、テクノメトリクス、DOI: 10.1080/00401706.2015.1013777
5. あなたの最後の懸念は、DSD の教育と実験への反復的なアプローチに関する懸念です。 私は DSD を「一回限りの」実験として宣伝しているわけではありません。 確かに、従来の一部要因計画のエイリアシング構造は単純で、説明するのが非常に簡単です。 しかし、潜在的に重要なエフェクトを完全にエイリアシングすることは、私の考えでは望ましくありません。 見る
ブラッドリー・ジョーンズ (2016) 21 世紀のスクリーニング実験: 何を、なぜ、どのように、品質工学、28:1、98-106、DOI: 10.1080/08982112.2015.1100462
上記の記事は 3 名の討論者によるディスカッションペーパーでした。 私の再参加者は、最初の DSD 研究に続くシーケンシャル設計を含む多くの問題を扱いました (以下を参照)。
ブラッドリー・ジョーンズ (2016) 再参加、品質工学、28:1、122-126、DOI: 10.1080/08982112.2015.1100468
以下の参考文献では、予測された最適な応答が実験の範囲外にある場合でも、初期 DSD を使用することの相対的な利点について説明しています。 また、最も急な登りを上回る強力なフォローアップ設計アプローチも提供します。
Christopher J. Nachtsheim & Bradley Jones (2018) 応答の最適化とモデル推定のための設計拡張、品質工学、30:1、38-51、DOI: 10.1080/08982112.2017.1382298
DSD の作成方法を実践者に教える必要はないと思います。 多くのソフトウェア パッケージでこれを行うことができます。 研究者に相関セル プロットをよく知ってもらうことは有益だと思います。 JMP は、設計を評価および比較するための多くの診断ツールを提供します。 これらは非常に便利であり、短期コースや大学のコースでその使用法を教えることは、DOE 実践者のコミュニティに利益をもたらすでしょう。 専門家にとって、DSD の特殊な形状を利用して適切なモデルに適合させる方法を知ることは役に立ちます。 これについては、以下の参考文献で説明されています。
Bradley Jones & Christopher J. Nachtsheim (2016): 最終的なスクリーニング計画のための効果的な設計ベースのモデル選択、テクノメトリクス、DOI: 10.1080/00401706.2016.1234979
喜んでこの会話を続け、参考資料の PDF をお送りさせていただきます。 bradley.jones@jmp.com までご連絡ください。
Re: 確定的スクリーニング計画 (DSD) の適切な使用と不適切な使用ジョーンズ博士、私は長年の JMP ユーザー (最初のバージョン以来) であり、業界への貢献に感謝したいと思います。 私は複数の業界にわたる 16,000 件を超える実験の設計と分析に携わってきました。 おそらくこれは間違ったフォーラムですが、いくつか質問/コメントがあります (気分を害さないことを願っています)。皆様のご意見をお待ちしております。
1. 計画のスクリーニングに関して、(特に初心者の実験者にとって) 最も一般的な失敗モードの 1 つは、十分に離れて (十分に大胆に) 設定されていないレベルです。 したがって、それらの影響は認識されず、それらの要因はさらなる研究から除外される可能性さえあります（私の仮説では、エンジニアはあまりにも多くのバリエーションを作成することに消極的であり、彼らは因果関係を理解するよりも解決策をまだ探しているのです）。 レベルの数を 3 に増やすと、この障害モードがさらに複雑になるように思えますか?
2. 設計の初期段階では、要素の多くは定性的なものです。 設計にあまりにも多くの定性的要素を追加することに対する制限が負担になっているようです。 おそらくこの戦略は、逐次研究の後半の反復としてより適用可能でしょうか?
3. 多くの場合、スクリーニング計画は、方向性を導き出し、重要でない因子を除外すること、またはおそらくさらなる研究のために重要な因子を特定することを目的としています。 これを達成するには本当に二次方程式が必要なのでしょうか? そうですね、レベルが大胆に設定されすぎて重要な効果が失われるケースも考えられますが、それは中心点を使用することでかなり簡単に修正できます。 二次関数が本質的に線形からの逸脱である場合、最適からかなり離れた設計空間にいる場合は、まず線形効果に興味があるのではないでしょうか? 山のふもとの二次方程式では山の頂上にたどり着けないかもしれません。
4. さらに、そしておそらく最も重要なことは、ノイズを処理する戦略が、設計要素の解決策よりも重要である可能性があることです (ご存知のとおり、設計要素の解決策とノイズ効果の解決策の間で、リソースを効率的に使用するために常に苦労することになります)。 。 Randomized Complete Block Design (RCBD) が使用される場合、高次のブロックごとのエフェクトの相互作用が本当に必要なのでしょうか? Balanced Incomplete Block デザインが使用されている場合、エイリアシングを理解するのはどれくらい簡単ですか?
5. 最後に、おそらく医師にとっては最も重要ではないことですが、性分化疾患はどのように教えられますか? 識別可能なエイリアシングや、エイリアスを除去するためのフォールドオーバーなどのアイデアを備えた従来の部分要因計画を使用することは簡単です。 反復の考え方と実践を教え込むことが最も重要です。 DSD は実験に対する反復的で科学的なアプローチにどのように適合しますか?
ご感想をよろしくお願いいたします。
この議論をオフラインにしたいのであれば、それで構いません。 comcast dot net の statman に直接メールしてください。
乾杯、
ビル・ロス
Re: 確定的スクリーニング計画 (DSD) の適切な使用と不適切な使用ブラッド、有益な投稿、そして良い回答のおかげで、DSD についてさらに詳しく学ぶことができました。ありがとうございます。
Re: 確定的スクリーニング計画 (DSD) の適切な使用と不適切な使用ジョーンズ博士に感謝します。この問題は ASQ Technometrics サイトではまだ入手できません。近々公開されるので探してみます。
リチャード
Re: 確定的スクリーニング計画 (DSD) の適切な使用と不適切な使用http://dx.doi.org/10.1080/00401706.2016.1234979
上記は、Technometrics 誌に掲載された、Chris Nachtsheim と私による「最終的なスクリーニング設計のための効果的な設計ベースのモデル選択」というタイトルの論文の URL です。
この論文は、私たちが「偽の因子」と呼ぶもの (つまり、計画の作成には使用されるが、実験の実行時には使用されない因子) を追加する強力な動機を提供します。 JMP 13 では、DSD 設計ツールはこれを「Extra Runs」と呼び、デフォルト値は 4 です。 ただし、このフィールドを 0 に戻すと、最小実行 DSD を取得できます。 これらの追加の実行を追加すると、強力な代替分析アプローチが可能になります。
Re: 確定的スクリーニング計画 (DSD) の適切な使用と不適切な使用以下で説明するように列が削除された例は公開されていますか?
代わりに 8 因子 DSD を使用し、最後の 3 列を無視した場合、17 回の実行計画が得られ、4 つまたは 5 つの 2 次効果を識別できるはずです。
Re: 確定的スクリーニング計画 (DSD) の適切な使用と不適切な使用要素や相互作用が多すぎると、DSD は間違いなく問題に遭遇する可能性があります。 私は、何世代にもわたって最適化が行われ、多くの機能する触媒コンポーネントと相互作用を備えた触媒システムで 1 つを試しました。 結局かなりの数のランを追加する必要がありました。
Re: 確定的スクリーニング計画 (DSD) の適切な使用と不適切な使用素晴らしい投稿です。 しかし、私を困惑させる質問が 1 つあります。 より高い設計を採用し、余分な列を削除することで、簡単に追加の実行を追加できると述べています。 ランをデザインに「追加」する簡単な方法はないかと考えていました。 たとえば、午前 = 5 回の DSD 実行を行った後、さらに電力が必要だと判断し、その後追加の実行を追加したいと考えています。 それ、どうやったら出来るの？ (たとえば、m=7 を取得し、最後の 2 列を削除し、それを m=5 と比較すると、同じ行は取得されなくなります)。 ありがとう！
Bradley Jones は次のように書いています: 検証の計画を立てることは常に良いことです...ブラッドリー・ジョーンズ書きました：
検証の実行を計画することは常に良いことです。 これらは、実験を実行してデータを分析した後に行う実行です。 分析の結果はモデルであり、実験では実行されなかった因子設定での応答予測を行うために使用できます。 応答の目標を考慮して、モデルが最大の改善を予測する係数設定 (複数可) で検証を実行することを選択できます。
これは、因子の範囲を拡張したり、モデルに項を追加したり、現在のモデルの推定値の不確実性を減らすために実行を追加したりする設計拡張とは異なります。
ブラッドリー・ジョーンズは次のように書いています: 私は...の日常的な使用を信じています。ブラッドリー・ジョーンズ書きました：
私は、実験の工業設計におけるほとんどの問題にはカスタム デザイナーを日常的に使用すると信じています。 ほぼすべての因子が連続的であり、その範囲全体にわたって独立して変化させることができる場合、最終的スクリーニング計画は良い選択です。
モンテカルロ コンピューター シミュレーションの研究を行う場合、コンピューター時間だけが費用となる完全実施計画法を使用することがあります。 現在では、通常の 2 レベルの一部実施要因計画よりも優れた選択肢があることに同意します。
Steven Moore は次のように書いています: だから...私は Definitive Sc を使っています...スティーブン・ムーア書きました：
つまり...私はかなり長い間、カスタム デザインだけでなく確定的スクリーニング デザインも使用してきました。 私の意見では、従来の要因計画を使用する理由はもうありません。私は正しいですか、それとも何かが欠けていますか?
Jo Chotix は次のように書いています: それぞれを変えることができるようです...ジョー・チョティックス書きました：
各コンポーネントを個別に変更できるようです。 いくつかの検証の実行を計画する必要がありますか? これらをどのように計画し、設計に組み込むのでしょうか (実行回数、検証のための設計ポイントなど)。 これはデザインを拡張することとどう違うのでしょうか? ありがとう！
Bradley Jones は次のように書いています: DSD を使用するのが適切かもしれません...ブラッドリー・ジョーンズ書きました：
DSD を使用するのは適切かもしれませんが、治療の濃度を変える 4 つの要素が混合物中の成分とみなされるのではないかと懸念しています。 そうであれば、1 つの例外を除いて DSD の使用は不適切になります。 混合物の大部分の成分が不活性な充填剤である場合、他の成分は独立して変更できます。 その場合、DSD を使用しても問題ありません。
Jo chotix は次のように書きました: DSD を使用してデザインすることを考えていました...ジョー・チョティックス書きました：
私は、DSD を使用して in vivo マウス研究の治療計画を立てることを考えていました。 治療の濃度を変更する 4 つの要因 (濃度薬剤、賦形剤ブレンドなど) と、マウスの年齢に焦点を当てた 1 つの要因があります。 これがDSDをお勧めするものなのかどうか疑問に思ったのですが?
Bradley Jones は次のように書いています: 3 つのカテゴリ要素を追加することができます...ブラッドリー・ジョーンズ書きました：
設計を非効率にすることなく、DSD に 3 つのカテゴリ因子を追加できます。 以下は、Chris Nachtsheim と私がこのテーマに関して発表した論文への参照です。
ジョーンズ、ブラッドリー、ナハツハイム、CJ (2013) 「2 レベルのカテゴリー因子を追加した決定的スクリーニング設計」、Journal of Quality Technology、45:2、120-129。
Ewoud Schuring はこう書きました: こんにちは、ブラッドリー、興味深いブログ、...エウッド・シューリング書きました：
こんにちは、ブラッドリーさん
興味深いブログです。実際、DSD 全体が私にとって非常に興味深いです。 しかし、質問があります。
DSD 内のカテゴリカル因子の数の制限はどれくらいですか? 現時点では、3 つの連続因子と 3 つのカテゴリ因子を含む DSD を作成しようとしています。 これは良いアイデアですか? リスクは何ですか? それとも、連続型とカテゴリ型の比率が 1/1 の場合、非効率的な設計になるのでしょうか?
ブラッドリー・ジョーンズは次のように書いています: ポール、いくつかの要素を備えたカスタム デザインブラッドリー・ジョーンズ書きました：
ポール、
いくつかの複製を含むカスタム設計は、非常に安全な応答曲面設計です。 私の経験では、一般に大きな二次効果はほとんどありません。 したがって、すべての 2 次効果を推定できる設計を構築することは、行き過ぎになる可能性があります。 6 因子 DSD は 13 回の実行のみを必要とし、2 つまたは 3 つの 2 次効果を確実に識別できます。 そうすればコストがほぼ 50% 節約されます。
代わりに 8 因子 DSD を使用し、最後の 3 列を無視した場合、17 回の実行計画が得られ、4 つまたは 5 つの 2 次効果を識別できるはずです。
Paul Prew は次のように書いています: こんにちは、ブラッドリー、この投稿を読んでいると...ポール・プリュー書きました：
こんにちは、ブラッドリー。この投稿を読んで、4 ～ 6 因子の適切な設計について考えさせられました。 具体的には、先週、ある化学者が 5 つの連続因子を調査したいと言いました。 一度に 1 つの要素を事前にテストしたところ、それらが重要であることがわかりました。 彼女は DOE について何も知りませんでしたが、上司はそれがより効率的な方法である、統計学者に相談しに行くべきだと言いました。
私たちは、純粋なスクリーニング設計が後退し、非効率であるように見える灰色の領域にいたのです。 そこで、2 次モデル用に設計することを選択し、少数の反復を含む 25 回の実行というカスタム設計を作成しました。
ありがとう、ポール
5 因子 DSD では、6 または 7 因子用に設計して余分な列を削除したとしても、実行回数ははるかに少なくなりました。 JMP を使用して DSD が 2 次モデルに適合する適切な設計として評価するにはどうすればよいでしょうか? DSD とカスタム設計を比較するために、具体的にどのような設計評価ツールをお勧めしますか?
Ron Andrews は次のように書いています: DSD のアプリケーションを見つけました...ロン・アンドリュース書きました：
うまく動作する混合物を使用した DSD 用のアプリケーションを見つけました。 コンタクトレンズの製造に使用されるモノマー混合物の計量仕様を確認する必要がありました。 これは真の混合物であり、解決策ではないため、ほとんどの場合、DSD は適切な選択ではありません。 それをうまく機能させたのは、公称値からのわずかな変動でした。 公称公式を中心点として使用しました。 各コンポーネントは公称値の +/- 1% 変動しました。 実験を分析するために、各混合物の実際の濃度を計算しました。 混合物中の最大の 2 つの成分の間には有意な相関関係がありましたが、設計では 2 つの要素を個別に推定することができました。
私は、これを混合設計の代替例の 1 つとして含むディスカバリ サミット プレゼンテーションの要約を提出しました。 受け入れられるかどうかに関係なく、さらに詳細を提供できます。
