247114_ja-JP

liliconcom

Opt DOE シミュレーション結果の分析

JMPer 様

 

現在、Opt DOE シミュレーション結果を分析中です。 ただし、シミュレーションからは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も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だろうか。

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。

1. モデルの適合 (シミュレーション 1):
   1. シミュレーション 1 に 4 つの入力を入力し、マクロ関数で表面応答モードを選択します。
   2. 同じ要素から相互作用オプションを削除します。例: 入力 A * 入力 A
   3. 標準の最小二乗法と効果レバレッジを使用してシミュレーションを実行します。
   4. 表 2 は、入力 A/C に基づくフィットの概要の R2 と出力トレンドを示しています (入力 A/C はプロセスの重要な要素です)。
2. 2 レベルのスクリーニングを当てはめます (シミュレーション 2):
   
   1. 出力 A を選択して、2 レベルの適合スクリーニングを実行します。
   2. 出力の相互作用や個々の出力など、定義された重要な要素を使用します。
   3. でシミュレーションを実行します標準の最小二乗と効果レバレッジ。
   4. 表 2 は、入力 A/C に基づく適合概要の R2 と出力トレンドを示しています (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、出力 A は重要な応答であり、どのようなシミュレーションが傾向を示すかを確認したいと考えています。 Summary Of Fit の R2 乗に基づくと、シミュレーション 1 はシミュレーション 2 よりも粗いように見えます。 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、誰かが何らかの入力を共有できないだろうかと思います。 ぜひご意見を共有してください。 貴重なお時間を割いてご協力いただき、誠にありがとうございました。

 

ありがとう、

 

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ハイ	減らす	減らす	2つのトレンド	増加	増加	減らす
入力 A が Low	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
フィット感のまとめ アールスクエア	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解析

Mark のモデル構築方法 (希少性、階層性、遺伝という優れた原則に基づいて、1 次から始めて 2 次を追加する) の別のアプローチは、飽和した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 (推定値が実用的な意味を持つことを確認)、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 (R2 乗と R2 乗調整デルタを考慮)、残差に特に注意してモデルを再実行して、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 人の同様に有能な研究者は、通常、異なる出発点から開始し、異なるルートをたどって、それでも同じ答えに到達する可能性があります。 求められるのは均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学」）。

Re: Opt DOE シミュレーション結果の解析訂正ありがとうございます。 再度、ご提案いただきありがとうございます。Re: Opt DOE シミュレーション結果の解析

あなたはこう尋ねました、「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? 」

 

まず最初に、これはシミュレーションではありません。 線形モデルに当てはめるための回帰分析です。

 

一部実施要因計画に基づいて実験の分析に取り組む一般的な方法がいくつかあります。 先ほど述べたように、階層の原則が成り立つと信じて最初に主効果を選択し、次に遺伝の原則が成り立つと信じて能動因子の相互作用項を追加する 2 つの段階を使用してそれにアプローチできます。 多くの場合、このアプローチはモデルを選択する上で成功する方法です。 このモデルは、他のすべてのモデルと同様に、新しい経験的観察 (拡張実行) で検証する必要があります。

 

あなたはこう尋ねました、「のスクリプトを共有していただけますか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。 いつものようにモデルのフィット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解析

@Mark_Bailey詳細な説明をありがとうございました。 私は現在のマトリックス設計に対する意見を認めました。

DOE マトリックスは、いくつかの 2 因子交互作用を含む部分階乗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、私はこれまでステップワイズプラットフォームを使用したことがありません。 のスクリプトを共有していただけますかtepwiseプラットフォームシミュレーション?

 

改めて、ご意見や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、

 

ベスト、
アンディ

Re: Opt DOE シミュレーション結果の解析

それで、コンピュータシミュレーションのための実験を計画したのですか？ つまり、因子水準はコンピュータシミュレーションのパラメータ値として使用されるということですか？

 

代わりに、あなたの質問は次のようなものであると解釈します回帰結果。 2 つの中心点と 2 つの点を含む 16 回の実行による 2 レベルの部分実施要因計画このためにrun 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 レベルの要素のみを対象としています。 2 レベルのデザインを使用しましたが、中心点を含む 3 番目または 4 番目のレベルを追加し、このために走る。 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わけではありませんが、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、これは探索ツールとして、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 のモデルを検索しました。そのため、非線形応答が検出されましたが、それを入力 E に帰するかどうかは任意です。 に基づいています。遺伝原理それ以上は何もありません。 この実験ではそれを証明することはできません。 成果 B には、これらの要因による固定効果はないようです。 出力 C には最も複雑なモデルが含まれています。 これには 2 つの二次効果が含まれており、これが推定できる最大のものであり、どの項の選択もまた任意です。 この段階での通常のアクションは、最終的な決定に必要なすべての二次項を推定するために 2 レベルの計画を強化することです。

 

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潜在的な項 (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。 ここでは、段階的回帰を使用してモデルを選択し、出力 A と出力 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を示します。

 

 

別のアプローチは、主効果のみから開始し、重要でない因子を削除してから、重要な因子が関与する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。

 

この設計を使用すると、多くの混同され相関する効果があることに注意してください。応答に関する不完全な情報が提供されます。 したがって、重要な効果を明確にするための次のステップとしては、拡張が最適である可能性があります。 いずれにせよ、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に対する新しい独立した実行で経験的に検証される必要があります。