JMPに精通しているJMPerは、JMPが実験計画の開発と適用に取り組んでいることを知っています。実験設計の歴史を振り返ると、1920年代（1920）からフィッシャーは最初に実験設計の統計的概念を提案し、今日、実験設計は応答面、田口設計、混合設計などの多くの統計的手法を開発してきました。最も最適な設計、均一な設計、過飽和の実験的設計など。 JMPのチーフR＆Dスペシャリストであるブラッドリージョーンズは、革新的な決定論的スクリーニングデザインにより、米国品質協会の個人に対してブレンボ賞を2回受賞しています。
JMP実験計画プラットフォームには、30年以上の開発期間を経て、上記のすべての実験計画法が組み込まれていると同時に、実験計画評価、計画スキームの比較、サンプルの有効性評価などの実験計画補助機能も提供されています。実験計画法のより多くの使用を支援します。設計研究者は、さまざまな実験計画法の中から最も適切で効果的なスキームを選択します。
JMP実験計画プラットフォームの概要
今日本格化しているビッグデータと比較して、実験計画は小さなサンプルデータに適しています。小さなサンプルの場合、適切であるだけでなく、効果的に予測できる最適なモデルをより適切に選択するにはどうすればよいですか？
近年、一般的なAICc（赤池情報量基準）やベイズ推定など、多くの手法が適用されています。今回は、別のまったく新しい方法、つまり、JMP Pro 16によって導入された自動検証のフラクショナルウェイトブートストラップ（FWB）テクノロジを紹介します。
JMP Proは、2つの新しい実用的な手法として、小さなサンプルデータを使用した自動検証とモデル構築を導入しています。新しい実験の必要はありませんDOE予測モデリングのデータ。この手法は、元のトレーニングデータとブートストラップからのランダムサンプリングの概念に基づいて検証セットを形成します。
JMPの自動検証FWBの新技術を紹介する前に、ビッグデータ機械学習における相互検証の適用について簡単に説明します。
まず、データをトレーニングセット、検証セット、さらにはテストセットに分割します。モデルの複雑さの決定プロセスでは、図に示すように、検証セット内でSSE（つまり、グループ間の差の2乗の合計）が最小のモデルが最適なモデルとして選択されます。
モデルの相互検証
実験計画データまたは小さなサンプルデータの場合、限られたサンプルサイズに基づいて2つの相関のないSSEを構築し、そのうちの1つを検証セットとして使用することは可能ですか？この仮定の下で、JMPPro16によって導入された自動検証FWBテクノロジーは小さなサンプルデータを対象としています。
Bootstrapのテクノロジーを使用して、同じ分布と負の相関を持つランダム係数を使用して、実験計画ごとに複数の（カスタマイズ可能な）サンプルのペアを作成します。
生成されたランダム係数のセットを次の計算式に適用します。
控除計算後、次のようになります。
この2つは無関係になる傾向があります。つまり、相互検証の同様の効果を達成できます。このような手法を使用して、JMPは、モデル変数のパラメーター推定値のゼロ以外の比率を記録しながら、ランダム係数のペアのセットに基づいてさまざまな複雑さのモデルのセットを構築できます。
しかし、新たな問題が発生しました。
ランダム係数の2500ペアなど、ランダム係数の複数のペアが生成され、2500モデルが確立されます。どのモデル変数が重要であるかを最終的にどのように特定しますか？最終モデルを決定するのに役立つゼロ以外のスケール制限を定義するにはどうすればよいですか？
ここで、JMPは、予測オブジェクトとは独立していて無相関であるランダムに分散されたnull変数を導入します。モデルを構築するときに、このnull変数が同時にモデリングに導入されます。最終的なマルチグループモデルでは、独立変数パラメーターの推定値がヌル変数の推定値よりも高い場合、独立変数をモデルに含める必要があると見なされます。上記のテキストの説明は完全には表現されていない可能性があります。実際のケースを使用して簡単に説明します。
ケーススタディ
このケースの目的はタンパク質精製中の凝集の問題を減らす、タンパク質含有量、ホルムアルデヒドなどを含む、調整可能な実験およびプロセスパラメータ。 6主な要因。この実際のケースでは、JMP「実験計画」プラットフォームの下で決定論的スクリーニング計画が適用されました。6つの主要な要因に加えて、相互作用要因と高次の項、合計27の要因があります。
実験結果を収集した後、最初に自動検証機能を使用して、各サンプルのペア係数とヌル変数の最初のセットをランダムに生成します。次に、JMPの「フィットモデル」関数を使用して、ヌル変数とモデルを同時に導入します。これに基づいて、モデルを構築するために250ペアのランダム係数が再度生成されます。
最後に、生成された非ゼロの比率によれば、ゼロ以外の比率がヌル変数よりも高い変数（タンパク質濃度、温度、ホルムアルデヒド濃度、ホルムアルデヒド濃度とタンパク質濃度の交互作用項、p <0.05、以下に示す）のみが次のようになります。最終モデル範囲に含まれる重要なモデルアイテムと見なされます。
次に、FWBを使用して計算を自動的に検証し、重要なモデル要素を見つけながら、JMPでモデル構築がどのように実装されているかを詳しく見ていきましょう。
この実際のケースでは、モデルの結果を通じて、3つの主要な要因のみが最終的なタンパク質凝集度に影響を及ぼし、プラスの影響を与えることがわかりました。多くの相互作用因子と高次の項のうち、1つだけ、つまり、ホルムアルデヒドとタンパク質濃度の間の相互作用項が、タンパク質凝集の最終的な程度に大きな影響を与えます。この結果により、プロセスで最適化する必要のあるパラメーターの範囲が大幅に削減され、プロセス調整のプロセスで重要なパラメーターが明確になります。すべてのパラメーターを最適化した後、タンパク質の重合度を初期平均14.8％から最適値2.5％に最適化し、タンパク質製品の安全性と信頼性を大幅に向上させました。
この場合、実験計画の開始時に考慮された27の要因がありましたが、プロセス製品に大きな影響を与えるFWBテクノロジーによって最終的にスクリーニングされたのは4つの要因のみであることがわかりました。これは、実験計画でよく言われる効果の希薄性の原則も検証します。
オリジナル： https://mp.weixin.qq.com/s/BqiTKQcb9wJmFJweUqRrOA
