スピーカー
|
トランスクリプト
|
| ブラッド・ジョーンズ |
こんにちは、ご参加いただきありがとうございます。 私の名前はブラッドリー・ジョーンズです。JMPの開発部門で働いています。今日は、21世紀のスクリーニングデザインについてお話します。 |
| |
そして、JMPは、過去にわたってスクリーニング実験の革新者でした。 |
| |
まあ、私は過去10年かそこらと言うでしょう。 そして私は3つについて話すつもりです |
| |
さまざまな種類のスクリーニングデザインと、それらが何であるか、それらの使用方法、そして、どちらを優先してもう一方を使用する必要があるかを説明します。 |
| |
したがって、これから説明する3つのスクリーニング設計は、A最適スクリーニング設計、最終的なスクリーニング設計（DSD）、およびグループ直交過飽和設計（GO SSD）です。 |
| |
それでは、最初にA最適なスクリーニング設計を紹介しましょう。 また、A最適設計は、モデルのパラメーター推定値の平均分散を最小化します。 |
| |
そして、それを覚えておいてください...それを覚える方法、A-optimalは平均を意味するので、Aは平均です。 |
| |
対照的に、D最適設計は、情報行列の行列式を最大化することにより、パラメーター推定値の周りの信頼楕円体の体積を最小化します。 たくさんの言葉です |
| |
そして、そのすべてが決定要因から真実である理由を理解するのは難しいです。 ただし、D-optimalのD-optimalは行列式を表すことを覚えておいてください。 |
| |
では、なぜ私はA最適なスクリーニング設計を行うべきだと言っているのでしょうか。 D-optimalデザインは、20年間カスタムデザイナーのデフォルトでした。 なぜ変更する必要がありますか？ |
| |
さて、私の最初の理由は、A-optimality...A-optimality基準がD基準よりも理解しやすいということです。 |
| |
誰もが平均が何であるかを知っています。 |
| |
パラメータ推定値の平均は次のとおりです。 |
| |
直接関連 |
| |
パラメータ推定値の平均分散は、特定のアクティブな効果を検出する能力に直接関係しています。 |
| |
このグローバルな信頼楕円体について話しているD基準は、何も教えてくれません |
| |
任意の1つのパラメータを正確に推定するための特定の機能。 |
| |
ですから、最適性の基準は理解しやすいと思います。 |
| |
しかし、それ以上に、A最適設計がD最適設計と異なる場合、A最適設計の方が統計的特性が優れていることがよくあります。 そして、多くの場合、A-およびD-最適設計...A-およびD-最適スクリーニング設計は同じになるでしょう。 |
| |
しかし、それらが異なる場合もあれば、異なる場合もあります、男の子、私はA-optimalデザインの方が本当に好きです。 |
| |
だから私は例であなたをやる気にさせたいです。 私が持っている最初の例は私が持っていることです...私が4つの連続した要因を持っていると仮定します。 |
| |
そして、これらの因子のすべての主な効果とそれらの2つの因子の交互作用すべてをモデルに適合させたいと思います。 したがって、4つの主効果と6つの2因子交互作用がありますが、12回の実行しかできません。 |
| |
そこで、JMPのデモンストレーションを行います。 そのデモンストレーションでは、この場合のD最適設計、この場合のA最適設計を作成し、これら2つの設計を比較します。 |
| |
ここでJMPジャーナルを開き、最初のケースに進みます。これは、2要素の交互作用と12回の実行を伴う4要素です。 |
| |
そして、これは私が実際にD-optimalデザインを作成する必要がないところにそれを作るスクリプトです。 それがD-optimalであると信じてください。 これがD最適設計です。 デザインのすべての数値がプラスマイナス1であることがわかります。 |
| |
そして、これがA最適設計であり、ここに驚きがあります。 この最初の列では、X1に4つのゼロがあることがわかります。 |
| |
一方、X2、3、および4にはすべてプラスとマイナスがあります。 少し驚きです。 これが...これらすべての要素が連続していることは良いことですが、これら2つの設計を比較してみましょう。 |
| |
それで、比較を始めるために、パラメータの推定値の相対的な効率を見てみましょう。 |
| |
これは、A最適設計からD最適設計への効率です。 したがって、...数値が1より大きい場合、それはA最適設計がD最適設計よりも効率的であることを意味します。 |
| |
また、A最適設計では効率が低いパラメーターが1つありますが、残りのすべてのパラメーターは |
| |
パラメータは、少なくともD最適設計の場合と同様に推定され、それらの多くは、A最適設計によって最大15％適切に推定されます。 |
| |
もう一つお見せしたいのですが、これです。 |
| |
これは、これら2つの設計の相関セルプロットであり、D最適設計にはすべての種類の相関があることがわかります... |
| |
ここでは対角線から33.33まで。それは3分の1です。 |
| |
そして、他にもたくさんありますが、A-optimalデザインには3つしかありません |
| |
ゼロではないペアワイズ相関。 この他のすべて...このペアワイズ相関のセットでは、実際にはゼロであり、主効果はすべて互いに直交しており、最初の主効果は2つの因子の交互作用すべてに直交しています。 |
| |
2つの因子の交互作用の多くは、互いに直交しています。 この直交性のすべては、それがより簡単に作れるようになることを意味します |
| |
D最適設計よりもA最適設計のモデル選択の決定。 そして、あなたが興味を持っていると思うもう1つのことは、A最適設計のG効率がD最適設計より87％以上優れていることです。 G効率とは、 |
| |
最大...これは、パラメーターの空間内での予測の最大分散の尺度です。 だから |
| |
D最適設計の最大分散予測は次のとおりです。 |
| |
の最大分散と予測のほぼ2倍の大きさ |
| |
A-最適な設計。 |
| |
と |
| |
また、A最適設計のI効率は、D最適設計よりも14％以上優れています。 したがって、これらすべての理由から、この場合、A最適設計がD最適設計よりも優れていることは明らかだと思います。 |
| |
では、少しクリーンアップさせてください。 |
| |
スライドに戻ると、これはあなたが今見た写真です。 |
| |
でも、代わりにJMPで見せたかったのです。 それでは、私がA最適設計を好む別の理由に移りましょう。 |
| |
A-最適な設計では、パラメーターのグループに異なる重みを付けることができます。 では、それはどういう意味ですか？ D最適設計では、次のことができます。 |
| |
理論的には、さまざまなパラメータに重みを付けます...一部のパラメータは他のパラメータよりも多くなりますが、 |
| |
そうすることで、作成されるデザインを変更しません。 |
| |
...どのような重み付けを使用しても、同じ...同じデザインが得られるため、D最適設計での重み付けは役に立ちません。 実際には、 |
| |
I最適設計を含むほとんどの分散最適化基準では、重み付けはより強調するのに役立ちません |
| |
パラメータの設計で。 ただし、A最適設計では、パラメーターに重みを付けると、別の設計を実現できます。これは、一部の設計で役立つ場合があります。 |
| |
ケース。これが私の加重A最適設計例です。 現在、5つの連続因子があり、すべての主効果と2つの因子の交互作用すべてをモデルに適合させたいとします。 ので、私は持っています |
| |
5つの主効果と10の2因子交互作用があり、20回の実行しかできません。 それで、私はそれを理解したので、主な効果を正確に推定できることにもっと関心があります |
| |
主な効果は、2つの因子の交互作用よりも大きくなります。 私は欲しい...私はそれらの本当に良い見積もりを得たいです。 |
| |
だから私がやろうとしているのは作ることです...もう一度、この場合のためにD-最適なデザインを作るつもりです。 この場合、加重A最適設計を作成します。 次に、デザインを比較します。 だからここに写真があります |
| |
デモの。 これがD最適設計です。繰り返しになりますが、すべてプラスマイナスであることがわかります。 |
| |
これがA最適設計です。ここでは、2つの因子の交互作用よりも10倍重要になるように、主効果に重みを付けています。 そして今、私はこれら2つのデザインを比較したいと思います。 |
| |
さて、この場合、 |
| |
私は今、D-最適設計のD効率を比較的... A-最適設計と比較して見ています。したがって、A-最適設計は次の場合に優れています。 |
| |
数字は1未満です。 そして、すべての主な効果について、A最適設計がそれらを推定するためのより良い仕事をしていることがわかります |
| |
D最適設計よりも。 もちろん、そのために支払う必要のある代償があります。これは、2つの因子の交互作用を重み付けする場合、それらを推定するための精度がわずかに低下するためです。 |
| |
つまり、これはトレードオフですが、あなたは...あなたはもっと...または2つの因子の交互作用の主効果にもっと興味があると言ったので、それが私が得たものです。 |
| |
しかし、ここにこれを比較します...相関の比較は、D最適設計よりもA最適設計を好むもう1つの理由です。 |
| |
D最適設計では、より多くのペアワイズ相関があります。 A最適設計では、すべての主効果が2つの因子の交互作用すべてに完全に直交していることに注意してください。 |
| |
相関セルプロットのこの領域全体が...白であることがわかります。これは、相関がゼロであることを意味します。 |
| |
X1とX2が両方ともX3と4または5に直交していること、つまり、それらのペアワイズ相関がゼロであることを除いて、主な効果は互いに直交していません。 |
| |
しかし、いくつかの小さな相関関係があります |
| |
の間に |
| |
X1とX2、およびX3、4と5の間。 |
| |
.2の相関。 |
| |
しかし、このプロットには多くの直交性があり、 |
| |
の中に |
| |
D最適設計。 |
| |
したがって、本当に必要な場合、2つの因子の交互作用を推定するよりも主効果をより適切に推定できるようにしたい場合は、D最適設計よりもA最適設計の方が優先されます。 |
| |
ジャーナルも閉じるので、すべてを閉じたくありません。 |
| |
さて、スライドに戻ります。 |
| |
では、いつA-optimalスクリーニングデザインを使用したいですか？ |
| |
良い、 |
| |
DSDとGOSSDについてお話します |
| |
この後、ただし適切でない場合は常に、A最適なスクリーニング設計を使用します。これは、実際の状況でよくあることです。 |
| |
多くのカテゴリ要素があり、一部のカテゴリ要素に3つ以上のレベルがある場合、DSDまたはGOSSDのいずれも使用できません。 |
| |
特定の因子レベルの組み合わせが実行不可能な場合、たとえば、設計空間のあるコーナーを実行しても意味がない場合、 |
| |
次に、A-optimalデザインを使用する必要があります。これは、JMPのカスタムデザイナーによってサポートされており、実行不可能な組み合わせを処理できるためです。 |
| |
許可されていない組み合わせまたは不等式制約のいずれかを介して。 または、たとえば、適合させたい非標準モデルがある場合は、 |
| |
フィットしたい |
| |
3方向の相互作用 |
| |
いくつかの要因があり、DSDまたはGOSSDはそこでは適切ではありません。 そして最後に、いくつかの効果を他の効果よりも重視したい場合 |
| |
あなたの唯一の選択はA最適なデザインを使用することです。 |
| |
これでA最適性のセクションは終わりです。次に、最終的なスクリーニング設計に進みます。 これらのデザインは2011年に最初に文献に発表されたため、現在は10年経過しています。 |
| |
そして、これは彼らがどのように見えるかです。 これが6つの要素の決定的なスクリーンデザインですが、決定的なスクリーニングデザインはいくつもの要素に対して存在するので、それは... |
| |
彼らは非常に柔軟です。 |
| |
なに...最初と2回目の実行を最初に見ると、次のことに気づきます。 |
| |
実行番号1のすべての場所がプラス1、実行番号2がマイナス1、行番号1がマイナス1のすべての場所、行番号2がプラス1です。 |
| |
そのため、実行1と実行2は互いに鏡像のようになり、これらすべての実行のペアを見ると、すべてそのようになっています。 すべて...すべての奇数 |
| |
runは、偶数の実行ごとのミラーイメージです。 そして最後に、ゼロの行で終わります。 |
| |
私たちが気付くかもしれないもう一つのことは、それぞれにいくつかのゼロがあるということです |
| |
設計の要素。 |
| |
つまり、これは、すべての要因の2次効果を推定できるため、有用なことです。 |
| |
この全体的なセンターランにより、すべての因子のすべての2次効果、および切片項を推定できます。 |
| |
それで、決定的なスクリーニングデザインを実行することのプラスの結果は何ですか？ 良い、 |
| |
アクティブな2因子交互作用がある場合、主効果の推定にバイアスがかかることはないため、2因子交互作用と二次効果は、すべて主効果と無相関です。 |
| |
また、この設計では、単一のアクティブな2因子交互作用、および単一の...単一の2次効果を識別できます。 そしてそれと...最後の、非常に便利 |
| |
この設計の特性は、3つの因子のみがアクティブである場合、どの3つの因子が存在するかに関係なく、これらの3つの因子に完全な2次モデルを適合させることができることです。 だからそしてそれともし... |
| |
もちろん、これは2つの要因または1つの要因がアクティブになっている場合にも当てはまります。 |
| |
したがって、スクリーニング実験のフォローアップとして、応答曲面実験を行う必要がない場合があります。 |
| |
さて、完全な開示のために、決定的なスクリーニング設計をD最適スクリーニング設計と比較するときに行わなければならないトレードオフがあります。つまり、主効果のパラメーター推定値はパラメーター推定値よりも約10％長くなります。のために |
| |
D-最適なスクリーニング設計。 そう |
| |
ですから、それはその能力に対して支払うべき小さな代償です。 また、すべての...すべての2次効果を推定し、2つの因子の交互作用に対する保護を備えています。 |
| |
それでは、実際の決定的なスクリーニング設計の小さなデモを見てみましょう。 |
| |
そう |
| |
私は最近、Chris Nachtsheimと一緒に、最終的なスクリーニングデザインを分析する方法について論文を書きました。 |
| |
元の論文を提出したとき、レフリーは私たちに実際の例を提供するように頼みました。 新しいものの実際の例を提供するのはちょっと難しいです |
| |
ある種のデザインです。誰もそれを聞いたことがないので、これまで誰もそれをやったことがないからです。 ですが、カスタムデザイナーをインストルメント化するこの方法があるので、デザインを実行するのにどれくらいの時間がかかるかがわかります。 だから私たちは、私たちのセットを持っていました |
| |
デザインを長くする可能性のあるさまざまな要因...作成に時間がかかります。 たとえば、そのうちの1つは |
| |
使用するランダムスタートの数。 ですから、これがすべての時間です...カスタムデザイナーがこれらすべての例のために取った時間です。 その後 |
| |
DOEの最終的なスクリーニングを見ると、Fit Definitive Screeningと呼ばれるこの自動分析ツールがあります。JMPを使用して最終的な画面のデザインを作成する場合は、 |
| |
スクリプトはいつでも利用できるので、何を見ることができます |
| |
分析とは何か。 そして、分析は2段階で行われます。 最初に主効果が適合され、次に2次効果が適合され、次にそれらが組み合わされます。 そして、これは |
| |
この第E因子はタイプ1の過誤ですが、これらの残りのすべての影響は実際にアクティブであり、 |
| |
また、完全な階乗設計を実行しました |
| |
これらすべての要因について、そして |
| |
したがって、この場合の真のモデルは何かがわかります。 そして、因子Eは完全な階乗設計の分析には現れませんでしたが、因子Aの二乗効果とこれらの3つの2つの因子の交互作用を含む他のすべての効果は、特定された実際の効果でした。 |
| |
決定的な画面デザインによって。 そのため、それは論文に挿入され、最終的にはTechnometricsによって公開されました。 |
| |
では、いつDSDを使用しますか？ |
| |
DSDは、ほとんどの要素が連続している場合に最適に機能します。 |
| |
最大3つの2つの要素または2つのレベルのカテゴリ要素を追加する方法を示す論文がありますが、さらに2つのレベルの要素を追加し続けると、 |
| |
DSDはうまく機能しません。 だからあなたは...だからほとんどの要因は継続的である必要があります。 また、因子効果に曲率があると予想される場合は、 |
| |
たとえば、アクティブな2次効果があると思われる場合は、次のようにします。 |
| |
2レベルのスクリーニング設計よりもDSDを使用します。 また、DSDを使用する場合は、いくつかの2つの因子の交互作用を処理することもできます。 つまり、DSDを使用する場合です。 |
| |
そして、今私が言わなければならないのはそれだけですが、直交過飽和設計またはGOSSDをグループ化することに移りたいと思います。 |
| |
すみません。 |
| |
これは、グループ直交過飽和設計の相関セルプロットの写真です。これらの優れた点は、因子が |
| |
グループで。 ここで、1つのグループはW1からW4です。 これらの要因は相関していますが、他のグループの要因とは相関していないため、要因は次のとおりです。 |
| |
グループ間で相互に相関がないが、グループ内では少し相関しているグループ。 そしてもちろん、デザインは過飽和であるため、何らかの相関関係が必要です。 相関関係を非常に便利な場所に配置しているだけです。 |
| |
だからここに論文があります |
| |
これらのグループの直交過飽和設計と、別のRyanLekivetzを含む多くの共著者のキャストをどのように構築するか |
| |
の開発者 |
| |
JMPDOEグループ。 |
| |
これが私の共著者の写真です。 |
| |
ライアンです。 |
| |
クリスは |
| |
長期、おそらく30年、私の同僚。 Dibyen Majumdarは、シカゴのイリノイ大学の副学部長であり、JonStallrichはノースカロライナ州立大学の教授です。 |
| |
そこで、過飽和設計を行う動機について少しお話しし、GO SSDの構築方法、GO SSDの分析方法、および他の分析アプローチに対する自動分析アプローチとの比較方法について説明します。 |
| |
したがって、過飽和設計は、実行よりも多くの要素を持つ設計です。 したがって、たとえば、関心のある20の要因があるかもしれませんが、実行には費用がかかり、12回の実行の予算しかありません。 だから問題は、これは良い考えですか？ |
| |
SASの同僚の1人が、私が行って過飽和設計についてどう思うか尋ねたところ、「過飽和設計は悪だと思います」と答えました。 |
| |
そう |
| |
耳が少し後ろに引っ張られているように感じましたが、とにかく先に進んで過飽和設計を実装しました。 |
| |
しかし、ランディが自分のやり方を感じた理由は理解できます。 過飽和設計の問題は、計画行列が特異であるため、近似モデルの標準ツールである重回帰を実行することさえできないことです。 また、ファクターエイリアシングがあります。 |
| |
要因は一般的に相関しています。 実際、すべての相関関係は...ほとんどの過飽和設計では、すべての要因が他のすべての要因と相関しているため、何かを無料で手に入れることを期待するべきではないというこの感覚があります。 |
| |
初期の文学では |
| |
それらは1959年にSatterthwaiteによって導入され、1962年にブースとコックスがこの基準を導入しました |
| |
為に |
| |
過飽和設計を最適に選択するようなものです。 |
| |
ここでのこの基準は、基本的に、設計における二乗相関、つまり二乗相関の合計を最小化するものです。 したがって、ジョン・テューキーは、サタースウェイトの論文についての彼の議論で、この用語を最初に使用した、過飽和であると私たちは考えています。 |
| |
それは...論文は議論を交えて出版されました。 |
| |
そして、多くの討論者は非常に厄介でした。 しかし、テューキーの議論から、彼は言います。「もちろん、一定のバランスと呼ばれるサタースウェイトの方法は、私たちを飽和状態にすることしかできません。 |
| |
（George Boxのよく選択された用語の1つ） "飽和設計は、すべての効果がパラメーター推定によって取り上げられる設計です。 |
| |
つまり、すべての実行はパラメーター推定によって行われるということです。 |
| |
しかし、テューキーは「過飽和実験を行うのは完全に自然で賢明だと思います」と言いますが、基本的に他の討論者は |
| |
このアイデアの大部分はパンされ、この分野では30年間何も起こりませんでした。 |
| |
それから1993年に2つの論文が得られました |
| |
ほぼ同時に公開されました。 1つはJeffWuによるBiometrikaにあり、もう1つはDennisLinによるTechnometricsにあります。 |
| |
ジョージア工科大学のコカコーラチェアの教授であるジェフとデニスリンは現在、パデュー大学の学部長です。 |
| |
では、いつ過飽和デザインを使用しますか？ 良い、 |
| |
実行に費用がかかる場合は、確かにそれを使用する必要があります。そうすると、実行回数がファクターよりも少なくなる可能性があるため、実行回数が多くなるためです。 |
| |
標準的な方法を使用している場合よりも安価な設計であり、常に少なくともそこに必要です...少なくとも要因と同じ数の実行が必要です。 |
| |
実験のブレーンストーミングを行ったことがあれば、誰もが自分の付箋を取り出して、重要だと思う要素を書き留めるときに、 |
| |
壁に何十もの粘着物ができてしまい、少なくとも1人が重要だと思った不可能な要素を表していることになります。 |
| |
そして、何が起こるかというと |
| |
その後、ほんのわずかです...過去には、実験対象として選択された要因はごくわずかであり、他の要因は無視されていました。 |
| |
そして、それは私には原則がないように思えます、排除してください...データがない場合に多くの要因を排除することは悪い考えのように思えます。 |
| |
あなたがしたいと思うかもしれないもう一つのもう一つのことは、コンピュータ実験でそれらを使用することです。なぜなら、あなたがおそらく非常に複雑なコンピュータ実験を持っているなら... |
| |
コンピュータ実験が持っている数十または数百のチューニングパラメータで、過飽和設計を行うことができます。 |
| |
そして、それは...コンピューター実験の実行に長い時間がかかる場合は特に良いことです。そのため、実行するために何週間も座って待つ必要はありません。 |
| |
非常に大きい |
| |
不飽和実験。 |
| |
では、これらのGO SSDをどのように構築するのでしょうか？ |
| |
これは少し数学ですが |
| |
アダマール行列（H）から始めて、もう1つのアダマール行列（T）をいくつかドロップしました。 |
| |
から行を取得し、これら2つの行列のクロネッカー積（ここではこの興味深いシンボルはクロネッカー積です）を取得し、それによってGOSSDが作成されます。 |
| |
したがって、そのX転置X行列を作成すると、次のようなものが作成されます。この行列はブロック正方行列であり、 |
| |
X転置Xまたは情報行列の他のすべての要素はゼロです。 |
| |
それがグループの直交性を生み出すものです。 これがここにあります |
| |
小さな例。 ここで、このHは直交アダマール行列であり、このTは最後の行が削除されたHです。 |
| |
したがって、Tと...のHとTのクロネッカー積は1つごとに置き換えられます...すべて |
| |
行列TによるHの要素1、および行列によるHのすべてのマイナス1、 |
| |
これはTの負の値です。 |
| |
そう |
| |
Hは4x4、Tは3 x 4であるため、各シングルの代わりに3x4の行列を配置します。 |
| |
Hの要素なので、私たちが思いついたのは、16列12行のデザインです。 |
| |
だからそれは拡大します |
| |
その例。 さて、ここで、これはあなたが使用するときに起こることです...あなたが今話したことをするとき。 したがって、この12の実行と16の列があります。 最初の列は...切片を推定するために使用する列であるため、その要因は考慮されません。 |
| |
そして、これが相関関係です...これがこの設計の相関関係です。 そして、最初の3つの要因は...それらの間でより高い相関関係があり、それらも不均衡です。 |
| |
これらの列には...同じ数のプラスとマイナスがありません。 |
| |
他の...他のすべての要因は同じ相関構造を持っています、 |
| |
そしてそれらはすべて |
| |
バランスの取れた列があります。 |
| |
もう1つの興味深い点は、それらの列が |
| |
フォールドオーバーであるため、各要素セットの主な効果は、これらの要素の2つの要素の交互作用とは無相関です。 |
| |
さて、私の共著者と私が推奨したのは、これらの最初の3つの要因を扱うことです...これらを要因として使用するのではなく、他のすべての要因に直交しているため、これらの列を使用して分散を推定できます |
| |
他の要素の主な効果によって偏りのない方法で...任意の要因。 このようにして、偏りのない推定値を取得します...可能な分散の比較的偏りのない推定値...これはモデリングを行うのに非常に役立ちます。 |
| |
したがって、この特定の決定的な画面の設計プロパティ....またはGO SSD、申し訳ありませんが、GO SSD |
| |
つまり、4つの因子からなる3つの独立したグループがあり、各因子グループのランクは3です。つまり、3つの因子の影響を3つ見積もることができます。 |
| |
この場合の偽の因子列のランクは2です。これは、その1つを使用しているためです。これらの列の1つを使用して切片を推定しているため、2自由度でシグマの2乗を推定できます。 |
| |
そして、その推定は、二次効果が無視できると仮定すると、偏りがありません。 |
| |
だから今、私はの効果を推定することができます... |
| |
4つの要因からなる3つのグループのそれぞれから、そのうちの3つを見積もることができます。 |
| |
そして、2つの自由度を持つシグマの2乗を使用して、各グループの要素を1度でテストできます。 |
| |
これらの因子グループはフォールドオーバーであり、 |
| |
2つの因子の交互作用からの実質的な保護を提供します。 |
| |
したがって、この表は、Technometricsの論文の...に表示されます。 よろしくお願いします |
| |
その紙のコピー、あなたが私にメールを書いただけなら。 |
| |
Bradley.Jones@jmp.comです。 |
| |
私の名前だけ@JMP .com。 |
| |
したがって、これらのデザインを作成するために使用できる選択肢はたくさんあります。 これは |
| |
適度に柔軟。 |
| |
そう |
| |
論文では、デザインの作成方法について話しましたが、デザインの分析方法についても話しました。 したがって、これらの...最初のグループの要因は、実際の要因として使用する代わりに、分散を推定するために使用したいと思います。 |
| |
直交群構造を使用してアクティブにします...アクティブグループを識別し、アクティブグループ内で、段階的またはすべての可能な回帰を実行します。 |
| |
グループ内のアクティブな要因を特定します。 そして、私たちが進むにつれて、非アクティブなグループの二乗の合計をシグマの二乗の推定値にプールすることができます。 |
| |
因子のアクティブグループでアクティブな因子を見つける。 |
| |
そして、あなたがあなたの効果の兆候の方向を推測することができ、そしてしばしばあなたが知っているなら...あなたは効果がどれほど大きくなるかわからないかもしれませんが、あなたはそれらがどちらの方向に向かっているのかを知っています |
| |
効果がプラスになるかマイナスになるかを推測できます。 ネガティブだと思う効果がある場合は、関連させることができます...プラスをマイナスに、マイナスをプラスにラベルを付け直して、効果...新しい効果がプラスになるようにします。 |
| |
そして、あなたがすべての負の効果に対してそれをするならば、それぞれのすべての効果が |
| |
各グループはポジティブであり、アクティブなグループを検出できるようにするためのパワーを最大化します。 だから私たちはそれをお勧めします。 |
| |
そこで、GOSSDの分析手順であるGOSSDを標準と比較するためのシミュレーション研究を行いました。 |
| |
一般的な回帰分析...LassoやDantzigセレクターなどの最新の回帰分析では、3つの異なる分析アプローチがあります。 |
| |
ダンツィーグセレクター、なげなわ、そして私たちの2〜2段階のアプローチ。 3つの異なるデザイン、3つの異なるGOSSDがありました。 アクティブなグループの数があります... |
| |
1つのアクティブなグループから...そしてあなたが...よりアクティブなグループを取得すると、もちろん、...デザインがすべてを見つけるのが難しくなります。 その後 |
| |
すべてのグループがアクティブな場合を除いて、すべてのメソッドで電力が高くなります。 そう |
| |
この設計では、3つのグループとすべてがあります...そして、それらすべてをアクティブにすると、ダンツィーグセレクターとラッソのパワーは非常に低くなります。 |
| |
しかし、私たちが提案している2段階の分析には、基本的に、推定可能なすべてのものを推定するための1の力があります。 |
| |
これらの2つのデザインには、7つ...7つのアクティブなグループがあります。 |
| |
したがって、それらすべてがアクティブになると、ダンツィーグセレクターとラッソがアクティブになります。 |
| |
私たちが推奨している2段階の方法とほぼ同じように実行しないでください。 そう |
| |
2段階の方法では、設計の構造を使用して分析アプローチを通知します。 ダンツィーグセレクター、なげなわは...データの構造が何であるかを気にしません。 実際、それらは任意の観測で使用されています |
| |
分析、および計画された実験の分析。 したがって、一般的な手順は、建設的な手順ほどうまくいかない可能性があります。 |
| |
この種のデザインを分析する純粋な目的。 |
| |
434 |
| |
258 |
| |
259 |
| |
260 |
| |
261 |
| |
262 |
| |
263 |
| |
264 |
| |
265 |
| |
266 |
| |
267 |
| |
268 |
| |
269 |
| |
270 |
| |
271 |
| |
272 |
| |
273 |
| |
274 |
| |
275 |
| |
276 |
| |
277 |
| |
278 |
| |
279 |
| |
280 |
| |
281 |
| |
282 |
| |
283 |
| |
284 |
| |
285 |
| |
286 |
| |
287 |
| |
288 |
| |
289 |
