DOE: "하향식" 접근 방식이 보다 전통적인 "상향식" 요인 분석으로 수렴됩니까?저는 R&D에서 DOE를 사용하는 것에 상대적으로 새로운 사람입니다. 저는 오랫동안 회의론자였으나 최근에 JMP가 제공하는 엄청난 힘을 알게 되었고 JMP를 제가 선택한 도구로 채택했습니다. DOE 방법론을 적용하는 방법을 배우는 과정에서 선호하는 구현을 일종의 "상향식" 접근 방식으로 생각하게 되었습니다. 먼저 측정된 결과에 기여할 수 있는 모든 요소를 식별한 다음 각 요소의 영향을 선별하여 가장 중요한 요소를 식별할 수 있는 디자인입니다. 관심 시스템을 나타내는 모델을 생성하여 크게 기여하지 않는 요소를 모델에서 제거한 다음 해당 드라이버로 모델을 개선할 수 있습니다. 우리의 모델이 여전히 우리의 관찰을 잘 나타내지 못한다는 것을 가끔 발견할 수 있을 것 같습니다. 그리고 아마도 우리는 한두 가지 요소를 간과했을 것입니다. 모델을 보강하여 이 문제를 해결할 수 있습니다. 여러 요인이 있는 복잡한 시스템의 경우 이 기존 접근 방식은 큰 테스트 매트릭스를 만듭니다. 부분 요인 및 맞춤/최적 설계를 사용하여 해당 행렬의 크기를 줄일 수 있다는 것을 알고 있습니다. 회의적인 고객과 복잡한 시스템의 경우 여전히 어려운 판매입니다. 하지만: "하향식" 접근 방식으로 시작하는 데 반드시 나쁜 점이 있습니까? 주제 지식을 사용하여 성능 동인이라고 믿는 몇 가지 요소를 식별하고 테스트 매트릭스와 관찰된 데이터의 통계 모델을 식별할 수 있습니까? 이것이 관찰된 데이터의 적절한 적합으로 이어진다면 GREAT입니다. 그러나 이 모델이 관찰을 적절하게 처리하는 데 부족하다면 추가 요소(처음에 따로 두기로 선택한 큰 묶음 중 일부 ...)를 통합하여 모델의 이 명백한 단점을 개선할 수 있습니다. 더 많은 테스트? "하향식" 및 "상향식" 접근 방식의 수학은 동일한 모델에 수렴되는 경향이 있지 않습니까? 아니면 "하향식" 접근 방식에 대한 제 개념이 실제로 맞춤 설계의 변형에 불과합니까?
암사슴
