247114_ko-KR

liliconcom

Opt DOE 시뮬레이션 결과 분석

친애하는 JMPer님,

 

현재 저는 Opt DOE 시뮬레이션 결과를 분석하고 있습니다. 그러나 일관된 결과 양식 시뮬레이션을 얻지 못하고 카운터 프로파일 분석 중에 다른 경향을 얻습니다. 어떤 방법론이나 분석이 어떤 시뮬레이션 결과가 유효한지 이해하는 데 사용할 수 있는지 궁금합니다.

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

1. 모형 적합(시뮬레이션 1):
   1. 시뮬레이션 1에 4개의 입력을 입력하고 매크로 기능에서 표면 응답 모드를 선택합니다.
   2. 동일한 요소에서 상호 작용 옵션을 제거합니다(예: 입력 A * 입력 A).
   3. 표준 최소 제곱 및 효과 레버리지로 시뮬레이션을 실행합니다.
   4. 표 2는 입력 A/C(입력 A/C는 프로세스의 핵심 요소임)를 기반으로 적합도 및 출력 추세 요약의 R제곱을 보여줍니다.
2. 2단계 스크리닝 적합(시뮬레이션 2):
   
   1. 출력 A를 선택하여 2단계 스크리닝에 적합하게 실행합니다.
   2. 출력의 상호 작용 및 개별 출력과 같은 정의된 중요 요소를 사용합니다.
   3. 로 시뮬레이션 실행 표준 최소 제곱 및 효과 레버리지.
   4. 표 2는 입력 A/C(입력 A/C는 프로세스의 핵심 요소임)를 기반으로 하는 적합치 요약 및 출력 추세의 R제곱을 보여줍니다.

출력 B 및 출력 C는 더 높은 입력 또는 더 낮은 입력(물리적 요인으로 인해)을 기반으로 추세를 예측할 수 있습니다. 그러나 출력 A는 어떤 시뮬레이션이 추세를 보여줄지 보고 싶은 중요한 응답입니다. Summary Of Fit의 Rsquare를 기준으로 시뮬레이션 1이 시뮬레이션 2보다 더 나은 것으로 보입니다. 그러나 시뮬레이션 2의 출력 추세는 시뮬레이션 1보다 나에게 더 논리적입니다. 따라서 두 시뮬레이션 결과에 대한 더 나은 분석을 위해 누군가 입력을 공유할 수 있는지 궁금합니다. 귀하의 의견을 친절하게 공유해 주십시오. 귀하의 시간과 도움에 감사드립니다.

 

감사합니다,

 

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
높은 입력	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
적합성 요약 알스퀘어	0.96	0.78	0.84	0.95	0.59	0.85

Re: Opt DOE 시뮬레이션 결과 분석

Mark의 모델 구축 방법(1차로 시작한 다음 희소성, 계층 및 유전의 탁월한 원칙을 기반으로 2차 추가)에 대한 다른 접근 방식은 포화된 모델로 시작하는 것입니다. Daniel 플롯(정상/하프 정규), Pareto 플롯(추정값이 실질적인 의미가 있는지 확인) 및 Bayes 플롯(그런 종류의 것에 관심이 있는 경우)을 사용하십시오. 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 인용구 중 하나:

"동일한 문제를 제시한 두 명의 동등하게 유능한 조사자는 일반적으로 다른 출발점에서 시작하여 다른 경로로 진행하지만 동일한 답에 도달할 수 있습니다. 추구하는 것은 획일성이 아니라 융합이다" (상자, Hunter Hunter "실험자를 위한 통계").

Re: Opt DOE 시뮬레이션 결과 분석정정해주셔서 감사합니다. 다시 한 번 귀하의 제안에 감사드립니다.Re: Opt DOE 시뮬레이션 결과 분석

"라고 물으셨습니다. 귀하의 경험을 바탕으로, 적합 2 수준 스크리닝으로 정의된 주요 효과에 시뮬레이션을 집중해야 합니까? "

 

우선 이것은 시뮬레이션이 아닙니다. 선형 모델에 적합하기 위한 회귀 분석입니다.

 

부분 요인 설계를 기반으로 실험 분석에 접근하는 몇 가지 일반적인 방법이 있습니다. 내가 말했듯이 두 단계를 사용하여 계층 구조의 원칙이 유지된다고 믿고 주요 효과를 선택한 다음 유전의 원칙이 유지된다고 믿으면서 활성 요소에 대한 상호 작용 항을 추가할 수 있습니다. 이 접근 방식은 종종 모델을 선택하는 성공적인 방법입니다. 이 모델은 다른 모델과 마찬가지로 새로운 경험적 관찰(증강 실행)로 확인해야 합니다.

 

"라고 물으셨습니다. s에 대한 스크립트를 공유해 주시겠습니까? 단계별 플랫폼 시뮬레이션? "

 

스크립트가 필요하지 않습니다. 평소와 같이 모형 적합으로 분석을 시작하십시오. Y 역할에 응답 데이터 열을 지정합니다. 효과에 대한 선형 예측 변수의 항을 지정합니다. 그러나 Standard Least Squares에서 Stepwise로 Personality를 전환하십시오.

 

JMP > 책 > 선형 모형 적합 > 단계적 장을 참조하십시오.

Re: Opt DOE 시뮬레이션 결과 분석

@Mark_Bailey 자세한 설명 감사합니다. 현재 매트릭스 설계에 대한 입력을 확인했습니다.

DOE 매트릭스는 일부 2요인 상호 작용이 있는 부분 요인을 위해 설계되었으며 프로세스의 주요 요인을 정의하려고 했습니다.

빠른 질문입니다. 귀하의 경험을 바탕으로 시뮬레이션이 적합 2 수준 스크리닝으로 정의된 주요 효과에 초점을 맞춰야 합니까? 나는 당신이 정의된 효과를 분석하고 예측 프로파일을 플롯한다는 것을 알았습니다.

 

또한 이전에는 단계별 플랫폼을 사용하지 않았습니다. s에 대한 스크립트를 공유해 주시겠습니까? 단계별 플랫폼 시뮬레이션?

 

다시 한 번 귀하의 의견과 의견에 감사드립니다.

 

감사합니다,

 

베스트,
앤디

Re: Opt DOE 시뮬레이션 결과 분석

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

 

대신 귀하의 질문을 다음과 같이 해석합니다. 회귀 결과. 중앙점이 2개이고 중앙점이 2개인 16개 런의 2-수준 부분 요인 설계 애드 혹 실행은 전체 2차 모형 추정을 지원하지 않습니다. 이 경우 2차 항에 대한 모수를 추정하려고 시도해서는 안 됩니다.

 

스크리닝 플랫폼은 2단계 요인만을 위한 것입니다. 2단계 설계를 사용했지만 중심점이 있는 세 번째 또는 네 번째 수준을 추가하고 애드 혹 실행합니다. 이 플랫폼은 반드시 잘못된 정보를 제공하지는 않지만 2개 이상의 레벨이 있을 때 반드시 올바른 정보를 제공하지는 않습니다.

 

그래도 전체 회귀 분석으로 이어지는 탐색 도구 및 출발점으로 유용할 수 있습니다. 입력 E, 입력 D, 입력 A 및 입력 E*입력 E를 포함하는 선형 예측기를 사용하여 출력 A에 대한 모델을 찾는 데 사용했습니다. 따라서 비선형 응답을 감지했지만 입력 E에 귀속시키는 것은 임의적입니다. 그것은 기반으로 유전 원리 더 이상은 없습니다. 이 실험으로는 확인할 수 없습니다. 출력 B는 이러한 요소의 고정 효과가 없는 것으로 보입니다. 출력 C에는 가장 복잡한 모델이 있습니다. 여기에는 두 개의 2차 효과가 포함되며, 이는 추정할 수 있는 최대값이며 용어 선택은 다시 임의적입니다. 이 단계에서 일반적인 작업은 특히 최종 결정을 위한 모든 2차 항을 추정하기 위해 2-수준 설계를 보강하는 것입니다.

 

또 다른 접근 방식은 추정할 수 있는 모든 잠재적 용어(주요 효과 및 상호 작용)로 시작하는 Stepwise 플랫폼을 사용하는 것입니다. 다음은 모델을 선택하기 위해 단계적 회귀를 사용하여 출력 A 및 출력 C에 대해 저장된 모델 수식으로 시작된 예측 프로파일러입니다.

 

 

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

 

이 디자인을 사용하면 혼란스럽고 상관관계가 있는 효과가 많다는 점을 기억하십시오.응답에 대한 불완전한 정보를 제공합니다. 따라서 확대는 중요한 효과를 명확히 하기 위한 가장 좋은 다음 단계일 수 있습니다. 그럼에도 불구하고 여기에서 또는 확대 후에 선택된 최종 모델은 아직 테스트되지 않은 처리에 대해 새롭고 독립적인 실행으로 경험적으로 검증되어야 합니다.