DOE: 「トップダウン」アプローチは、従来の「ボトムアップ」因子分析に収束しますか?私は R&D で DOE を使用することに比較的慣れていません。私は長い間懐疑的でしたが、最近、DOE が提供する大きな力に気づき、JMP を私の選択ツールとして採用しました。 DOE 方法論の適用方法を学習する過程で、私はその好ましい実装を一種の「ボトムアップ」アプローチと考えるようになりました。測定された結果に寄与する可能性のあるすべての要因を特定することから始め、次に各要因の影響を選別し、最も重要なものを特定できる設計。 関心のあるシステムを表すモデルを生成し、そのモデルから大きく寄与しない要因を削除し、それらのドライバーでモデルを改良することができます。 私たちのモデルがまだ私たちの観測をうまく表現していないことに時々気付くかもしれません. これは、モデルを拡張することで解決できます。 要素が束になった複雑なシステムの場合、この従来のアプローチは大きなテスト マトリックスになります。 一部実施要因とカスタム/最適設計を利用することで、その行列のサイズを縮小できることを知っています。 懐疑的なクライアントと複雑なシステムにとって、これは依然として難しい販売になります. しかし、「トップダウン」アプローチから始めることについて、何か悪いことはありますか? 主題に関する知識を使用して、パフォーマンスの要因であると思われるいくつかの要因を特定し、それらをテスト マトリックスと観測データの統計モデルに使用できますか? これにより、観測データがうまく適合する場合は、素晴らしいことです。 しかし、このモデルが観測に十分に対応できない場合、モデルのこの明らかな欠点を利用して、追加の要因 (最初に取っておいた大きなバンドルの一部…) を組み込むことでモデルを改善できます。さらにテスト？ 「トップダウン」アプローチと「ボトムアップ」アプローチの数学は、同じモデルに収束する傾向があるのではないでしょうか? それとも、私の「トップダウン」アプローチの概念は、カスタム デザインのバリエーションにすぎないのでしょうか?
DOE
