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?
DOERe: 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?あなたの提案を含め、適合しない理由はたくさんあります。 あなたの議論のその部分については今は触れません。
DOE は通常、より広範な品質プログラムまたはイニシアチブの一部と見なされます。 設計は、関連する要因と応答を特定するための以前の作業に従います。 この結果は、たとえば、Seven Quality ツールの使用から得られる可能性があります。 シックス シグマまたは Quality by Design プロジェクトに由来する可能性があります。 主題に関する専門知識は常に不可欠ですが、科学的データではなく、逸話的な経験に基づく「しかし、私たちはそれを知っています...」などの息苦しいコメントによく遭遇します。 (すでに多くのことを知っているのに、なぜ何が起こっているのかを説明したり、それに対して何をすべきかを知ることができないのでしょうか?) 多くの関連ツールには、多くのアイデアを収集し、それらを整理して優先順位をつけて研究することが含まれます。
Re: 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?あなたがそれを呼んだように、「トップダウン」アプローチには何の問題もありません。 ただし、その最悪のシナリオを考えてみてください。 計画のいくつかの要因を制御し、それがデータに適合しないと判断します。 ああ、もっと要素を追加する必要があります。 しかし、これらの要因は最初の一連の実行中にどこで設定されたのでしょうか? 彼らは変化していましたか？ これらの質問に対する回答によっては、最初からやり直す必要がある場合があります。 記録されたとしても、実験の実行がランダム化されていないことを心配する必要があります。
マークが示唆するように、他のほとんどのアプローチでは、変更したい要因だけでなく、変更したくない設計に影響を与える可能性がある要因も特定します。 MAY グループに含まれるグループは、何らかの方法で説明する必要があります (一定に保持する、ブロッキング変数になるなど)。
Re: 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?ここに私の考えがあります：
私たちが継続的に「最適化」を行っているのには、2 つの基本的な理由があります。
1. すべてから始めることはありません。 私たちが調査する要因は、常にすべての要因の小さなサブセットです。 初期調査に何を含めるか (または含めないか) を決定します。 これはほとんどの場合、直感、直感、経験、コラボレーションの機能です。 興味深いことに、研究者はデータのない研究から因子を除外します。 その後の研究では、これらの要因はどうなるでしょうか?
2. 材料/技術の新規または代替アプリケーションが常に発明されています。
あなたの提案には、必ずしもDOEに関連するわけではない調査の重要な要素がいくつか欠けていると思いますが、実験の使用を大幅に改善します. たとえば、変動のどのコンポーネント (x のセット) が最大のレバレッジを持つかを理解するための有向サンプリングは、安定性の評価を提供し、測定の不確実性を評価します。 反復は、完全な理解を深めるための鍵です (誘導演繹のサイクル)。 また、一般的な調査員は含まれていないと思いますノイズモデルがさらなる条件で一貫した「パフォーマンス」を持つかどうかを評価するのに十分な実験戦略で。 設計因子の最適戦略の開発には大きな偏りがあり、ノイズ戦略にはほとんど偏りがありません。
Re: 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?ありがとう@STAT - と@ダン_オーバーミラーと@マークベイリー– フィードバックのために。 ご意見大変参考になります。
@スタットマン、「私たちはすべてから始めることは決してありません」は、私の精神的な調整のための素晴らしいポイントです. そして、あなたのコメント re: noise は的を射ています。 私の関心のあるケースは、最大の影響力を発揮する要因の明確で体系的な調査をまだ行っていない開発プロジェクトの後半に来ています. 同時に、公称性能帯域とその中のノイズを定義/理解しようとしています。
@ダン_オーバーミラー、これらの「他の」要因、つまり「5月」グループをどのように説明するかについて、いくつかのアイデアを教えてください. 私は「アクティブな無知」に不快感を覚えましたが、テストマトリックスで明示的に調査しなくても、それらの要因設定を特定して文書化する手段を見ることができます.
と@マークベイリー、 "私たちがすでに多くのことを知っているのなら、なぜ説明できないのでしょうか…」という言葉は的を射すぎた. 上で述べたように、私はゲームの後半であり、間違いなく「遅すぎる」時点で、より体系的なテストを挿入しようとしています. 私が見ているように、そうするための最良の機会には、非常にわずかな要因のセットが必要であり、私たちの集合的なSMEが私たちに高レバレッジドライバーである可能性が高いと私たちに告げるものの影響を明確にするために、意図的に他の多くの要因を脇に置いています.
ありがとう、もう一度。
Re: 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?私たちはあなたを助けるために多くのコメントをすることができますが、私は今、もう一つコメントしたいと思います. 設計が非常に狭い範囲でさまざまな要因を持っているのをよく見かけます。 なんで？ なぜなら、私たちはこの近所で「答え」を見つけることができると知っている、または考えているからです。 繰り返しますが、そのような決定の背後にある証拠はあまりありません。 これは、「勝者を選ぶ」という考え方の例でもあります。 欲しいものが手に入ったら完成です。 ただし、すべての要因についてより広い地域を調査した場合に得られた最高のものであるかどうかはわかりません. 範囲が狭いと、実際の影響を検出する計画の能力も妨げられます。 検出力は、実行数を増やすか因子範囲を広げることで改善できます。
また、DOE は勝者を選ぶことではありません。 それは約ですモデルのキュレーション. 設計の目的は、モデルのパラメーターを推定してテストするために不可欠です。 限目。 それ以外は「勝者を選ぶ」ものです。 モデルの寿命を長くしたい。 彼らはあなたの現実を十分に表現できるはずなので、世話をしてください.
Re: 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?私は確かに「勝者を選ぶ」という考え方にいくらかの罪悪感を抱いており、その批判は今後も心に留めておきます. あなたの「モデルのキュレーション」のコメントは、私が求める理想に近づき、観察された結果を記述する数学的モデルを反復的に改良する実験計画の能力に私が見る力に訴えます. さらに、さまざまな要因を調査するというあなたの主張は、受容的な耳にかかっています。システム設計を仕様化する方法は、その設計を限界点まで押し上げるまで、本当にわからないと思います。 私の現在の関心のあるシステムでは、最も価値のある次のデータは失敗初期パフォーマンス: 私たちが投げたものはすべて正常に動作しているように見えます (最初は…)。
「トップダウン」モデルを開発するという私の概念には欠陥があると思いますが、「ボトムアップ」アプローチは時間がかかりすぎて、ゲームの後半に遅すぎると思います。 「トップダウン」アプローチは、モデルを繰り返し改善し、システムをより適切に制御する方法についての議論を促進するのに十分なモデルを生成するのに役立つかもしれません. わからないことはたくさんありますが、少なくとも、正しいことをしているという励ましを提供するシステムがあります。
ありがとう。
Re: 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?さらに考えを加えるために...私のお気に入りの引用の1つは、多くの状況に適用されます。
「すべてのモデルは間違っている、いくつかは役に立つ」GEP 箱
実際には、あなたがとるアプローチは状況に依存します。 状況を理解し、どのように進めるかについて合理的かつ論理的な決定を下すのに役立つ「手がかり」があります。 ほとんどの実験には未知の要素が含まれているため、誰も完璧な実験を設計することはまずありません。 したがって、私のアドバイスは、複数の実験 (またはサンプリング計画) を設計し、各計画で得られる可能性のある知識 (たとえば、どのような影響を推定できるか、何が交絡するか、何が制限されるか) を予測し、課せられた制約に対してこの知識を比較検討することです (例: リソース、時間)。 最終的にできることは、デューデリジェンスを行ってからデータを取得することだけです。 反復する準備をしてください (実際、考えられるすべての結果を予測し、その情報をどうするかを予測します)。
