Opt DOE シミュレーション結果の分析親愛なるJMPer、
現在、Opt DOE シミュレーションの結果を分析中です。 ただし、シミュレーションから一貫した結果が得られず、カウンター プロファイル分析中に異なる傾向が得られます。 どのシミュレーション結果が有効であるかを理解するために、何らかの方法論や分析を使用できるのではないかと思います。
これが私のシミュレーションプロセスです。 DOE マトリックスは表 1 にあります。
- モデルの適合 (シミュレーション 1):
- シミュレーション 1 に 4 つの入力を入れ、マクロ関数で表面応答モードを選択します。
- 入力 A * 入力 A など、同じ因子から交互作用オプションを削除します。
- 標準の最小二乗法と効果てこ比でシミュレーションを実行します。
- 表 2 は、入力 A/C に基づくフィットの要約と出力傾向の R2 乗を示しています (入力 A/C はプロセスの重要な要素です)。
- 2 レベル スクリーニングの適合 (シミュレーション 2):
- 出力 A を選択して、適合 2 レベル スクリーニングを実行します。
- 出力の相互作用や個々の出力など、定義された重要な要因を使用します。
- でシミュレーションを実行します標準最小二乗法と効果てこ比。
- 表 2 は、入力 A/C に基づく適合の要約と出力トレンドの R2 乗を示しています (入力 A/C はプロセスの重要な要素です)。
出力 B と出力 C は、(物理的な理由により) より高い入力またはより低い入力に基づいて傾向を予測できます。 ただし、アウトプット A は、どのようなシミュレーションで傾向が示されるかを確認したいという重要な回答です。 Summary Of Fit の Rsquare に基づくと、Simulation 1 は Simulation 2 よりも悪いように見えます。 ただし、シミュレーション 2 の出力傾向は、シミュレーション 1 よりも論理的です。 したがって、両方のシミュレーション結果をより適切に分析するために、誰かが入力を共有できるかどうか疑問に思います。 ご意見をお聞かせください。 あなたの時間と助けに感謝します。
ありがとうございました、
ベスト、
アンディ
表1。 DOE マトリックス
| 足＃ | パターン | 入力 A | 入力 B | 入力C | 入力 D | 入力 E | 入力F | 出力 A | 出力 B | 出力 C |
| 1 | +−−＋＋− | 300 | 200 | 100 | 3 | 25 | 1 | 0.0% | 2,463 | 61 |
| 2 | −＋−＋−＋ | 200 | 400 | 100 | 3 | 15 | 5 | 0.0% | 3,572 | 45 |
| 3 | ++--++ | 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 | 3 | 25 | 5 | 0.0% | 3,842 | 76 |
| 7 | −＋−−＋− | 200 | 400 | 100 | 1 | 25 | 1 | 0.0% | 3,431 | 48 |
| 8 | ++−＋−− | 300 | 400 | 100 | 3 | 15 | 1 | 0.0% | 2,409 | 51 |
| 9 | 000000 | 250 | 300 | 110 | 2 | 20 | 3 | 0.0% | 3,336 | 66 |
| 10 | 000000 | 250 | 300 | 110 | 2 | 20 | 3 | 0.0% | 2,564 | 66 |
| 11 | −++++− | 200 | 400 | 120 | 3 | 25 | 1 | 0.0% | 3,289 | 62 |
| 12 | −−＋−＋＋ | 200 | 200 | 120 | 1 | 25 | 5 | 0.0% | 2,698 | 53 |
| 13 | +-++-+ | 300 | 200 | 120 | 3 | 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 | 3 | 15 | 1 | 0.0% | 2,835 | 42 |
| 17 | +−＋−＋− | 300 | 200 | 120 | 1 | 25 | 1 | 0.0% | 2,304 | 42 |
| 18 | ++++++ | 300 | 400 | 120 | 3 | 25 | 5 | 0.0% | 3,431 | 69 |
| 19 | POR | 150 | 300 | 120 | 0 | 0 | 0 | 7.1% | 3,642 | 16 |
| 20 | POR | 150 | 300 | 120 | 0 | 0 | 0 | 8.3% | 3,093 | 15 |
表 2. シミュレーション 1 とシミュレーション 2 の結果。
| JMP分析 | シミュレーション 1 | シミュレーション 1 | シミュレーション 1 | シミュレーション 2 | シミュレーション 2 | シミュレーション 2 |
| マトリックス | 出力 A | 出力 B | 出力 C | 出力 A | 出力 B | 出力 C |
| 入力 A 高 | 減らす | 減らす | 2つのトレンド | 増加 | 増加 | 減らす |
| 入力 A が低い | 増加 | 増加 | 2つのトレンド | 減らす | 減らす | 増加 |
| 入力Cハイ | 増加 | 増加 | 減らす | 減らす | 増加 | 減らす |
| 入力Cロー | 減らす | 減らす | 増加 | 増加 | 減らす | 増加 |
フィットのまとめ
R2乗 | 0.96 | 0.78 | 0.84 | 0.95 | 0.59 | 0.85 |
Re: Opt DOE シミュレーション結果の分析マークのモデル構築方法 (1 次から始めて、希少性、階層、遺伝の優れた原則に基づいて 2 次を追加する) の別のアプローチは、飽和モデルから始めることです。 ダニエル プロット (正規/半正規)、パレート プロット (推定値が実際に重要であることを確認する)、およびベイズ プロット (そのようなことに興味がある場合) を使用します。 重要でない項を削除し (Rsquare と Rsquare 調整済みデルタを検討)、残差に特に注意してモデルを再実行し、モデルが通常の仮定を満たしていることを確認します。
私のお気に入りの引用の 1 つ:
「同じ問題を提示された 2 人の同等に有能な調査員は、通常、異なる出発点から出発し、異なるルートを進み、同じ答えに到達する可能性があります。 求められるのは画一性ではなく収束だ」 （ボックス、ハンターハンター「実験者のための統計」）。
Re: Opt DOE シミュレーション結果の分析訂正ありがとうございます。 繰り返しますが、あなたの提案に感謝します。Re: Opt DOE シミュレーション結果の分析あなたは尋ねた」あなたの経験に基づいて、シミュレーションは、適合 2 レベル スクリーニングによって定義された主効果に焦点を当てる必要がありますか? "
まず、これはシミュレーションではありません。 線形モデルを当てはめる回帰分析です。
一部実施要因計画に基づく実験の分析にアプローチするには、いくつかの一般的な方法があります。 私が言ったように、階層の原則が成り立つと信じて最初に主効果を選択し、次に遺伝の原理が成り立つと信じて能動因子の交互作用項を追加するという 2 つの段階を使用してアプローチすることができます。 このアプローチは、多くの場合、モデルを選択するための成功する方法です。 このモデルは、他のすべてのモデルと同様に、新しい経験的観測 (拡張実行) で検証する必要があります。
あなたは尋ねた」 s のスクリプトを教えてくださいtepwise プラットフォーム シミュレーション? "
スクリプトは必要ありません。 通常どおり、モデルの適合から分析を開始します。 Y ロールで応答データ列を指定します。 効果の線形予測子の項を指定します。 ただし、パーソナリティを標準最小二乗法からステップワイズに切り替えます..
JMP > Books > Fitting Linear Models > Stepwise の章を参照してください。
Re: Opt DOE シミュレーション結果の分析@マークベイリー詳細な説明をありがとうございました。 現在のマトリックス設計へのインプットを確認しました。
DOE マトリックスは、いくつかの 2 因子交互作用を伴う部分実施要因計画用に設計されており、プロセスの重要な因子を定義しようとしました。
簡単な質問です。 あなたの経験に基づいて、シミュレーションは、適合 2 レベル スクリーニングによって定義された主効果に焦点を当てる必要がありますか? 定義された効果を分析し、予測プロファイルをプロットすることに気付きました。
また、以前は段階的なプラットフォームを使用したことがありません。 s のスクリプトを教えてくださいtepwise プラットフォーム シミュレーション?
繰り返しになりますが、ご意見とご意見をお寄せいただきありがとうございます。
ありがとうございました、
ベスト、
アンディ
Re: Opt DOE シミュレーション結果の分析では、コンピュータ シミュレーションの実験を計画したのですか? つまり、因子レベルはコンピューター シミュレーションのパラメーター値として使用されますか?
代わりに、あなたの質問を次のように解釈します回帰結果。 2 つの中心点と 2 つのこのためにruns は、完全な 2 次モデルの推定をサポートしていません。 この場合、二次項のパラメーターを推定しようとしてはなりません。
スクリーニング プラットフォームは、2 水準因子のみを対象としています。 2 レベルの設計を使用しましたが、中心点とこのために実行します。 このプラットフォームは、必ずしも間違った情報を提供するとは限りませんが、2 つ以上のレベルがある場合、必ずしも正しい情報を提供するとは限りません。
それでも、探索ツールとして、また完全な回帰分析につながる出発点として役立ちます。 これを使用して、入力 E、入力 D、入力 A、および入力 E*入力 E を含む線形予測子を使用して、出力 A のモデルを見つけました。したがって、非線形応答が検出されましたが、それを入力 E に帰属させることは任意です。 それはに基づいています遺伝原理そしてそれ以上のものはありません。 この実験では確立できません。 出力 B には、これらの要因による一定の効果はないようです。 出力 C には、最も複雑なモデルがあります。 これには 2 つの 2 次効果が含まれます。これは推定される可能性のある最大のものであり、どの項の選択も任意です。 この段階での通常のアクションは、特に 2 レベル計画を拡張して、最終決定のためにすべての 2 次項を推定することです。
もう 1 つのアプローチは、推定される可能性のあるすべての項 (主効果と交互作用) から開始して、Stepwise プラットフォームを使用することです。 以下は、ステップワイズ回帰を使用してモデルを選択する出力 A および出力 C 用に保存されたモデル式で起動された予測プロファイラーです。
もう 1 つのアプローチは、主効果のみから開始し、重要でない要因を削除してから、重要な要因を含む交互作用を追加してテストすることです。 このアプローチは、階層と遺伝の原則に基づいています。
この計画を使用すると、多くの交絡効果と相関関係があることを覚えておいてください。応答に関する不完全な情報を提供します。 したがって、オーグメンテーションは、重要な効果を明らかにするための最良の次のステップかもしれません. とにかく、ここで選択された最終モデルまたは拡張後に選択された最終モデルは、まだテストされていない治療法について、新しい独立した実行で経験的に検証する必要があります。
