247114_ko-KR

liliconcom

Opt DOE 시뮬레이션 결과 분석

친애하는 JMPer,

 

현재 Opt DOE 시뮬레이션 결과를 분석 중입니다. 그러나 시뮬레이션에서 일관된 결과를 얻지 못하고 카운터 프로파일 분석 중에 다른 경향을 얻습니다. 어떤 방법론이나 분석이 유효한 시뮬레이션 결과를 이해하는 데 사용할 수 있는지 궁금합니다.

여기 내 시뮬레이션 프로세스가 있습니다. DOE 매트릭스는 표 1에 있습니다.

1. 적합 모델(시뮬레이션 1):
   1. 시뮬레이션 1에 4개의 입력을 입력하고 매크로 기능에서 표면 응답 모드를 선택합니다.
   2. 동일한 요인에서 상호작용 옵션 제거, 예: 입력 A * 입력 A
   3. 표준 최소 제곱 및 효과 레버리지로 시뮬레이션을 실행합니다.
   4. Table 2는 Input A/C를 기반으로 한 Fit 요약 및 Output Trend의 Rsquare를 보여줍니다. (Input A/C는 프로세스의 핵심 요소입니다)
2. 2단계 스크리닝 적합(시뮬레이션 2):
   
   1. 출력 A를 선택하여 2단계 선별 검사를 실행합니다.
   2. 출력의 상호 작용 및 개별 출력과 같이 정의된 중요 요소를 사용합니다.
   3. 다음을 사용하여 시뮬레이션 실행 표준 최소제곱과 효과 레버리지.
   4. Table 2는 Input A/C를 기반으로 한 Summary Of Fit의 Rsquare와 Output Trend(Input A/C는 프로세스의 핵심 요소임)

출력 B 및 출력 C는 더 높은 입력 또는 더 낮은 입력을 기반으로 추세를 예측할 수 있습니다(물리적 이유로). 그러나 출력 A는 어떤 시뮬레이션이 추세를 보여줄지 보고 싶은 중요한 응답입니다. 적합성 요약의 Rsquare를 기반으로 시뮬레이션 1이 시뮬레이션 2보다 낡아 보입니다. 그러나 시뮬레이션 2의 출력 경향은 시뮬레이션 1보다 나에게 더 논리적입니다. 따라서 두 시뮬레이션 결과 모두에 대해 더 나은 분석을 위해 입력을 공유할 수 있는 사람이 있는지 궁금합니다. 귀하의 의견을 공유해 주십시오. 귀하의 시간과 도움에 감사드립니다.

 

고맙습니다,

 

베스트,
앤디

 

 

1 번 테이블. DOE 매트릭스

다리#	무늬	입력 A	입력 B	입력 C	입력 D	입력 E	입력 F	출력 A	출력 B	출력 C
1	+−−++−	300	200	100	삼	25	1	0.0%	2,463	61
2	−+−+−+	200	400	100	삼	15	5	0.0%	3,572	45
삼	++−−++	300	400	100	1	25	5	0.0%	3,990	47
4	−−−−−−	200	200	100	1	15	1	0.0%	3,245	31
5	+−−−−−+	300	200	100	1	15	5	0.0%	3,017	34
6	−−−++++	200	200	100	삼	25	5	0.0%	3,842	76
7	−+−−+−	200	400	100	1	25	1	0.0%	3,431	48
8	+−+−−	300	400	100	삼	15	1	0.0%	2,409	51
9	000000	250	300	110	2	20	삼	0.0%	3,336	66
10	000000	250	300	110	2	20	삼	0.0%	2,564	66
11	−++++−	200	400	120	삼	25	1	0.0%	3,289	62
12	−−+−++	200	200	120	1	25	5	0.0%	2,698	53
13	+−++−+	300	200	120	삼	15	5	0.0%	3,017	47
14	+++−−−	300	400	120	1	15	1	0.0%	3,460	31
15	−++−−+	200	400	120	1	15	5	2.8%	3,503	28
16	−−++−−	200	200	120	삼	15	1	0.0%	2,835	42
17	+−+−+−	300	200	120	1	25	1	0.0%	2,304	42
18	++++++	300	400	120	삼	25	5	0.0%	3,431	69
19	포르	150	300	120	0	0	0	7.1%	3,642	16
20	포르	150	300	120	0	0	0	8.3%	3,093	15

 

표 2. 시뮬레이션 1 및 시뮬레이션 2 결과.

JMP 분석	시뮬레이션 1	시뮬레이션 1	시뮬레이션 1	시뮬레이션 2	시뮬레이션 2	시뮬레이션 2
행렬	출력 A	출력 B	출력 C	출력 A	출력 B	출력 C
입력 A 높음	줄이다	줄이다	두 가지 경향	증가하다	증가하다	줄이다
낮은 입력	증가하다	증가하다	두 가지 경향	줄이다	줄이다	증가하다
입력 C 높음	증가하다	증가하다	줄이다	줄이다	증가하다	줄이다
입력 C 낮음	줄이다	줄이다	증가하다	증가하다	줄이다	증가하다
적합 요약 알스퀘어	0.96	0.78	0.84	0.95	0.59	0.85

Re: Opt DOE 시뮬레이션 결과 분석

Mark의 모델 구축 방법에 대한 다른 접근 방식(1차 주문에서 시작하여 희소성, 계층 구조 및 유전의 우수한 원칙을 기반으로 2차 추가)은 포화 모델로 시작하는 것입니다. Daniel 플롯(정규/반정규), Pareto 플롯(추정치가 실질적인 의미가 있는지 확인) 및 Bayes 플롯(그런 종류의 경우)을 사용합니다. 중요하지 않은 항을 제거하고(Rsquare 대 Rsquare 조정 델타 고려) 모델이 일반적인 가정을 충족하는지 확인하기 위해 잔차에 특히 주의하면서 모델을 다시 실행합니다.  

 

내가 가장 좋아하는 인용문 중 하나:

"동일한 문제를 제시한 동등하게 유능한 두 조사자는 일반적으로 다른 출발점에서 시작하여 다른 경로로 진행하지만 동일한 답에 도달할 수 있습니다. 추구하는 것은 획일성이 아니라 융합이다" (Box, Hunter Hunter "Statistics for Experimenters").

Re: Opt DOE 시뮬레이션 결과 분석수정해주셔서 감사합니다. 다시 한 번 제안해 주셔서 감사합니다.Re: Opt DOE 시뮬레이션 결과 분석

"라고 물었다. 경험에 비추어 볼 때, 두 가지 수준의 적합성 선별로 정의된 주요 효과에 시뮬레이션을 집중해야 합니까? "

 

우선 이것은 시뮬레이션이 아닙니다. 선형 모델에 맞는 회귀 분석입니다.

 

부분 요인 설계를 기반으로 한 실험 분석에 접근하는 몇 가지 일반적인 방법이 있습니다. 내가 말했듯이 계층 구조의 원칙이 성립한다고 믿는 주효과를 먼저 선택하고 유전의 원칙이 성립한다고 믿으면서 활성 요인에 대한 상호작용 항을 추가하는 두 단계를 사용하여 접근할 수 있습니다. 이 접근 방식은 종종 성공적인 모델 선택 방법입니다. 이 모델은 다른 모든 모델과 마찬가지로 새로운 경험적 관찰(증강 실행)로 검증해야 합니다.

 

"라고 물었다. s에 대한 스크립트를 공유할 수 있습니까? tepwise 플랫폼 시뮬레이션? "

 

스크립트가 필요하지 않습니다. 평소와 같이 Fit Model을 사용하여 분석을 시작합니다. Y 역할에 응답 데이터 열을 지정합니다. 효과에 대한 선형 예측 변수에 항을 지정합니다. 그러나 Personality를 Standard Least Squares에서 Stepwise로 전환하십시오.

 

JMP > Books > Fitting Linear Models > Stepwise 장을 참조하십시오.

Re: Opt DOE 시뮬레이션 결과 분석

@Mark_Bailey 자세한 설명 정말 감사합니다. 현재 매트릭스 디자인에 대한 입력을 확인했습니다.

DOE 행렬은 일부 2-요인 상호작용이 있는 부분 요인을 위해 설계되었으며 프로세스의 핵심 요인을 정의하려고 했습니다.

빠른 질문입니다. 경험에 비추어 볼 때, 두 가지 수준의 적합성 선별로 정의된 주요 효과에 시뮬레이션을 집중해야 합니까? 나는 당신이 정의된 효과를 분석하고 예측 프로파일을 그릴 것이라는 것을 알아차렸습니다.

 

또한 이전에는 단계적 플랫폼을 사용하지 않았습니다. s에 대한 스크립트를 공유할 수 있습니까? tepwise 플랫폼 시뮬레이션?

 

다시 한 번, 귀하의 생각과 의견에 감사드립니다.

 

고맙습니다,

 

베스트,
앤디

Re: Opt DOE 시뮬레이션 결과 분석

그래서 컴퓨터 시뮬레이션을 위한 실험을 설계했습니까? 즉, 요인 수준은 컴퓨터 시뮬레이션에서 매개 변수 값으로 사용됩니까?

 

나는 대신 귀하의 질문을 다음과 같이 해석합니다. 회귀 결과. 2개의 중심점과 2개의 런이 있는 16개 런의 2-수준 부분 요인 설계 애드 혹 실행은 전체 2차 모델 추정을 지원하지 않습니다. 이 경우 2차 항에 대한 모수를 추정하려고 해서는 안 됩니다.

 

스크리닝 플랫폼은 2단계 요소만을 위한 것입니다. 2단계 디자인을 사용했지만 중심점이 있는 세 번째 또는 네 번째 수준을 추가하고 애드 혹 실행합니다. 이 플랫폼은 반드시 잘못된 정보를 제공하지는 않지만 두 가지 이상의 수준이 있는 경우 반드시 올바른 정보를 제공하지는 않습니다.

 

그래도 탐색 도구이자 전체 회귀 분석으로 이어지는 출발점으로 유용할 수 있습니다. 입력 E, 입력 D, 입력 A 및 입력 E*Input E를 포함하는 선형 예측기로 출력 A에 대한 모델을 찾는 데 사용했습니다. 따라서 비선형 응답을 감지했지만 입력 E에 귀속시키는 것은 임의적입니다. 를 기반으로 합니다. 유전 원리 그리고 더 이상 아무것도. 이 실험으로 설정할 수 없습니다. 출력 B는 이러한 요인으로 인한 고정 효과가 없는 것으로 보입니다. 출력 C에는 가장 복잡한 모델이 있습니다. 여기에는 두 개의 2차 효과가 포함되며, 이는 추정할 수 있는 최대값이며 어떤 항의 선택이 다시 임의적입니다. 이 단계에서 일반적인 조치는 특히 최종 결정에 대한 모든 2차 항을 추정하기 위해 2-수준 설계를 보강하는 것입니다.

 

또 다른 접근 방식은 추정할 수 있는 모든 잠재적 용어(주효과 및 상호작용)로 시작하는 단계적 플랫폼을 사용하는 것입니다. 다음은 모델을 선택하기 위해 단계적 회귀를 사용하여 출력 A 및 출력 C에 대해 저장된 모델 공식으로 시작된 예측 프로파일러입니다.

 

 

또 다른 접근 방식은 주효과만 시작하여 중요하지 않은 요인을 제거한 다음 중요한 요인과 관련된 교호작용을 추가하고 테스트하는 것입니다. 이 접근 방식은 계층 구조 및 유전 원칙을 기반으로 합니다.

 

이 디자인을 사용하면 많은 혼란스럽고 상관 관계가 있는 효과가 있음을 기억하십시오.응답에 대한 불완전한 정보를 제공합니다. 따라서 증강은 중요한 효과를 명확히 하기 위한 최선의 다음 단계일 수 있습니다. 그럼에도 불구하고 여기에서 또는 보강 후에 선택한 최종 모델은 아직 테스트되지 않은 치료에 대해 새롭고 독립적인 실행으로 경험적으로 검증되어야 합니다.