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?
암사슴Re: DOE: "하향식" 접근 방식이 보다 전통적인 "상향식" 요인 분석으로 수렴됩니까?귀하의 제안을 포함하여 적합하지 않은 데는 여러 가지 이유가 있습니다. 나는 지금 당신의 논의에서 그 부분을 다루지 않을 것입니다.
DOE는 일반적으로 보다 광범위한 품질 프로그램 또는 계획의 일부로 간주됩니다. 디자인은 관련 요인과 반응을 식별하기 위해 이전 작업을 따릅니다. 이 결과는 예를 들어 Seven Quality 도구를 사용하여 얻을 수 있습니다. 그것은 Six Sigma 또는 Quality by Design 프로젝트에서 나올 수 있습니다. 과학 데이터가 아닌 일화적인 경험을 바탕으로 "하지만 우리는 알고 있습니다..."와 같은 숨막히는 말을 자주 접했지만 주제에 대한 전문 지식은 항상 필수적입니다. (만약 우리가 이미 너무 많이 알고 있다면 무슨 일이 일어나고 있는지 설명하거나 그것에 대해 무엇을 해야 하는지 알지 못하는 이유는 무엇입니까?) 많은 관련 도구에는 많은 아이디어를 수집한 다음 연구를 위해 구성하고 우선 순위를 지정하는 것이 포함됩니다.
Re: DOE: "하향식" 접근 방식이 보다 전통적인 "상향식" 요인 분석으로 수렴됩니까?소위 말하는 "하향식" 접근 방식에는 아무런 문제가 없습니다. 그러나 최악의 시나리오를 생각해 보십시오. 설계에 대한 몇 가지 요인을 제어한 다음 데이터에 적합하지 않은지 확인합니다. 오, 우리는 더 많은 요소를 추가해야 합니다. 그러나 첫 번째 실행 세트에서 이러한 요소는 어디에 설정되었습니까? 그들은 변화하고 있었습니까? 이러한 질문에 대한 답변에 따라 다시 시작해야 할 수도 있습니다. 기록된 경우에도 실험 실행이 무작위화되지 않았음을 걱정해야 합니다.
Mark가 제안한 것처럼 대부분의 다른 접근 방식은 변경하고 싶은 요소뿐 아니라 변경하고 싶지 않은 디자인에 영향을 미칠 수 있는 요소도 식별합니다. MAY 그룹에 있는 해당 그룹은 어떤 방식으로든 설명되어야 합니다(일정하게 유지, 차단 변수가 되는 등).
Re: DOE: "하향식" 접근 방식이 보다 전통적인 "상향식" 요인 분석으로 수렴됩니까?내 생각은 다음과 같습니다.
우리가 지속적으로 "최적화"하는 데에는 두 가지 근본적인 이유가 있습니다.
1. 우리는 모든 것을 시작하지 않습니다. 우리가 연구하는 요인은 항상 모든 요인의 작은 부분 집합입니다. 초기 연구에 무엇을 포함할지(또는 포함하지 않을지에 대한) 결정이 내려집니다. 이것은 대부분 직관, 직감, 경험, 협업의 기능입니다. 조사관이 데이터 없이 연구에서 요인을 삭제한다는 점은 흥미롭습니다. 후속 연구에서 이러한 요인은 어떻게 됩니까?
2. 재료/기술의 새로운 또는 대체 응용 프로그램이 지속적으로 발명되고 있습니다.
귀하의 제안이 DOE와 반드시 관련이 있는 것은 아니지만 실험 사용을 크게 개선하는 조사의 몇 가지 중요한 요소를 놓치고 있다고 생각합니다. 예를 들어, 어떤 변동 구성요소(x 세트)가 가장 큰 영향력을 갖는지 이해하기 위한 유도 샘플링은 안정성 평가를 제공하고 측정 불확실성을 평가합니다. 반복은 철저한 이해(귀납-연역 주기)를 개발하는 열쇠입니다. 나는 또한 일반적인 조사자들이 소음 모델이 추가 조건에서 일관된 "성능"을 가질지 여부를 평가하기에 충분한 실험 전략에서. 설계 요소에 대한 최적의 전략을 개발하는 데에는 큰 편향이 있고 노이즈 전략에는 거의 없습니다.
Re: DOE: "하향식" 접근 방식이 보다 전통적인 "상향식" 요인 분석으로 수렴됩니까?감사 @STAT - 그리고 @Dan_Obermiller 그리고 @Mark_Bailey – 피드백을 위해. 당신의 의견은 매우 도움이됩니다.
@statman , "우리는 결코 모든 것을 시작하지 않는다"는 나의 정신적 교정을 위한 훌륭한 포인트입니다. 그리고 귀하의 의견은 다음과 같습니다. 소음이 있습니다. 가장 큰 영향력을 발휘하는 요인에 대해 명확하고 체계적인 조사를 아직 수행하지 않은 개발 프로젝트에서 제가 관심을 갖고 있는 사례가 늦게 나타납니다. 동시에 우리는 공칭 성능 대역과 그 안의 잡음을 정의/이해하려고 노력하고 있습니다.
@Dan_Obermiller , "기타" 요소인 "MAY" 그룹을 설명하는 방법에 대한 아이디어를 제공합니다. 나는 "능동적 무지"가 불편했지만 테스트 매트릭스에서 명시적으로 탐색하지 않더라도 이러한 요인 설정을 식별하고 문서화하는 수단을 볼 수 있습니다.
그리고 @Mark_Bailey , " 우리가 이미 너무 많이 알고 있다면 왜 설명할 수 없는지..."가 너무 많이 표시되었습니다. 위에서 언급했듯이 게임에서 늦고 틀림없이 "너무 늦은" 시점에 좀 더 체계적인 테스트를 삽입하려고 합니다. 내가 보기에, 그렇게 하는 가장 좋은 기회는 우리의 집합적인 SME가 우리에게 말하는 것의 영향을 명확하게 하기 위해 의도적으로 다른 많은 요소를 제외하고 매우 작은 요소 집합이 필요합니다.
다시 한 번 감사합니다.
Re: DOE: "하향식" 접근 방식이 보다 전통적인 "상향식" 요인 분석으로 수렴됩니까?우리는 당신을 돕기 위해 많은 코멘트를 할 수 있지만 지금은 하나 더 만들고 싶습니다. 나는 종종 디자인이 매우 좁은 범위에 걸쳐 다양한 요인을 갖는 것을 봅니다. 왜요? 우리는 이 동네에서 '답'을 찾을 수 있다는 것을 알고 있거나 생각하기 때문입니다. 다시 말하지만, 그러한 결정 뒤에는 많은 증거가 없습니다. '승자 고르기' 정신의 한 예이기도 하다. 원하는 것을 얻으면 완료됩니다. 그러나 그것이 모든 요인에 대해 더 넓은 지역을 탐색했다면 얻을 수 있었던 최선인지는 모릅니다. 좁은 범위는 또한 실제 효과를 감지하는 설계의 능력을 방해합니다. 런 수를 늘리거나 요인 범위를 넓혀 검정력을 향상시킬 수 있습니다.
또한 DOE는 승자를 선택하는 것이 아닙니다. 그것은 약 모델 큐레이팅 . 설계의 목적은 모델의 매개변수를 추정하고 테스트하는 데 필수적입니다. 기간. 다른 것은 '승자 선택'입니다. 모델의 수명이 길기를 원합니다. 그들은 당신의 현실을 충분히 잘 표현할 수 있어야 도움이 될 것이므로 그들을 돌보십시오.
Re: DOE: "하향식" 접근 방식이 보다 전통적인 "상향식" 요인 분석으로 수렴됩니까?나는 확실히 "승자를 선택하라"는 생각에 약간의 죄책감을 갖고 있으며, 그 비판은 앞으로 염두에 둘 것입니다. 귀하의 "모델 큐레이팅" 코멘트는 내가 추구하는 이상에 더 가깝고 관찰된 결과를 설명하는 수학적 모델을 반복적으로 정제하는 실험 설계의 능력에서 내가 보는 힘에 호소합니다. 게다가, 광범위한 요인을 탐구하려는 당신의 주장은 수용적인 귀에 달려 있습니다. 저는 우리가 그 설계를 한계점까지 밀어붙일 때까지 시스템 설계를 지정하는 방법을 진정으로 알지 못한다고 생각합니다. 현재 관심 있는 시스템에서 가장 가치 있는 다음 데이터는 실패 초기 성능: 우리가 던지는 모든 것이 잘 작동하는 것 같습니다(처음에는 ...).
나는 "하향식" 모델을 개발한다는 내 개념에 결함이 있다고 생각하지만 "하향식" 접근 방식은 게임에서 너무 늦게까지 시간이 너무 많이 걸린다고 생각합니다. "하향식" 접근 방식은 우리가 의도적으로 제쳐 둔 일부 "MAY" 요소를 포함하여 다른 요소를 통합하여 해당 모델을 반복적으로 개선하고 시스템을 더 잘 제어할 수 있는 방법에 대한 토론을 촉진하기에 충분한 모델을 생성하는 데 도움이 될 수 있습니다. 우리가 모르는 것이 너무 많지만 적어도 우리가 뭔가를 제대로 하고 있다는 격려를 제공하는 시스템이 있습니다.
감사.
Re: DOE: "하향식" 접근 방식이 보다 전통적인 "상향식" 요인 분석으로 수렴됩니까?더 생각을 추가하자면... 제가 가장 좋아하는 인용문 중 하나가 많은 상황에 적용됩니다.
"모든 모델이 틀리고 일부는 유용합니다" GEP 상자
실제로 당신이 취하는 접근 방식은 상황에 따라 다릅니다. 상황을 이해하고 진행 방법에 대해 합리적이고 논리적인 결정을 내리는 데 도움이 되는 "단서"가 있습니다. 대부분의 실험에는 미지의 요소가 포함되어 있으므로 누구도 완벽한 실험을 설계할 가능성은 거의 없습니다. 따라서 제 조언은 여러 실험(또는 샘플링 계획)을 설계하고 각 계획에 대해 얻을 수 있는 잠재적 지식(예: 추정할 수 있는 효과, 혼동되는 것, 제한되는 것)을 예측하고 이 지식을 부과된 제약( 예: 자원, 시간). 궁극적으로 할 수 있는 일은 실사를 한 다음 데이터를 얻는 것뿐입니다. 반복할 준비를 하십시오(사실, 가능한 모든 결과와 해당 정보로 무엇을 할 것인지 예측하십시오).
