Ciao, tutti, E Benvenuto A JMP Scoperta.
Andrea Carlo E Brughiera Correre.
IO Avere UN presentazione Oggi quello è andando A evidenziare
Alcuni Di IL caratteristiche In JMP 17 Pro quello Volere aiuto Voi fuori
In IL mondo Di miscela Modelli.
Molti Di Voi Sono coinvolto In formulazioni,
E A Essere onesto, quello è Che cosa noi abbiamo stato facendo UN quantità ultimamente.
Erano UN quantità Piace ambulanza cacciatori, Dove BENE Appena andare Dopo
IL ultimo cosa quei clienti Sono interessato In.
Ma quello è Che cosa erano vedendo UN quantità ultimamente, È gente Quello Sono facendo miscela Modelli
Quello Sono In realtà abbastanza complesso E Di più COSÌ di lo faremmo mai Sapere.
Noi Appena deciso Noi volevo Fare Alcuni più profondo indagine
con Alcuni Di IL nuovo tecniche che sono fuori uso,
E Quello JMP 17 esegue per noi.
Andrea, volevo Voi Piace A Ottenere iniziato E Forse Dare UN poco morso Di sfondo
SU IL Totale idea Di Che cosa UN miscela modello È,
E Alcuni Di IL altro tecniche?
Va bene, quindi andiamo inizio fuori con UN Carino, facile grafico.
Andiamo Prendere UN Aspetto Sopra Qui A IL complotto SU IL Sinistra.
Erano In UN sperimentale collocamento,
così ora IO supponiamo noi abbiamo avuto due fattori,
Ingrediente UN E Ingrediente B, E Essi allineare da 0-1.
Se c'è NO miscela vincoli, Poi qualunque cosa In IL nero piazza
È UN fattibile punto In Questo fattore spazio,
e così Nostro progetto routine È andando A Dare noi punti in qualche luogo In Questo spazio.
Tuttavia, Se c'è UN miscela vincolo
Dove questi Avere A aggiungere su A uno, Poi soltanto IL rosso linea È fattibile.
Noi Volere A Ottenere UN condizionale ottimale
dato Quello vincolo, E Noi Volere A FINE su
in qualche luogo In Quello linea per Entrambi Nostro progetto E Nostro analisi.
Se Noi mossa su A tre miscela ingredienti,
UN, B E C, Tutto capace A variare da 0-1,
Poi Noi Ottenere UN cubo per Quello 0-1 vincolo per ogni Di loro.
Ma con IL miscela vincoli, Quello prende IL modulo Di UN aereo
intersecanti UN cubo, E Quello dà noi Questo triangolo,
COSÌ soltanto Questo rosso triangolo È pertinente fuori Di Quello intero spazio.
Se Noi Avere quattro dimensioni, Se Noi Avere quattro miscela fattori,
Poi Quello ammissibile fattore spazio È In realtà UN tre- dimensionale sottoinsieme,
UN piramide entro Là.
Guardare Indietro A IL tre- miscela collocamento.
Vedere Questo triangolo? Quello è IL consentito regione.
BENE, quello è Perché JMP dà noi questi ternario trame.
Per questi grafici ternari,
Che cosa JMP Volere Fare È, Se Voi Avere Di più di tre miscela fattori,
È lo farai Avere due fattori mostrato A UN tempo,
E IL terzo asse Volere Essere IL somma Di Tutto IL altro miscela fattori.
Noi Potere Aspetto A questi trame ternarie, Piuttosto di avendo A Avere UN piramide
Quello erano guardare per tutto.
Noi Avere A decidere, facciamo noi Volere UN Design per riempire lo spazio
O UN ottimale progetto?
Ora, normalmente In UN non miscela collocamento, lo faremmo normalmente utilizzo UN ottimale progetto,
E per IL maggior parte parte, Noi non lo farebbe prendere in considerazione UN Design per riempire lo spazio.
C'è UN pochi motivi Quello Noi Volere A prendere in considerazione
UN Design per riempire lo spazio In miscela impostazioni.
Spesso In IL formulazioni mondo, Se Voi andare pure lontano,
c'è UN poco morso Di più sensibilità A andando pure lontano In tuo fattore spazio,
fabbricazione Esso pure Largo, Poi tuo intero processi non riesce.
S supporre Quello accade Sopra Qui Dove X2 È.
Supponiamo Esso non riesce qualunque cosa sotto 0,1.
Tu sei andando A perdere UN Bene pezzo delle tue corse Perché IL ottimale progetto
tende a Mettere maggior parte Di tuo corre SU IL confine Di IL fattore spazio,
COSÌ tu sei andando A perdere questi.
Tu sei non andando A Essere in grado di correre tuo pieno modello
con IL residuo punti, E tu sei non andando A Avere
Qualunque Bene informazione Di Dove Quello fallimento confine È.
Per IL Progettazione di riempimento dello spazio, Se Voi Avere Alcuni Tipo Di fallimento
inferiore a 0,1, tu sei perdere UN più piccola numero Di punti.
Tuo residuo punti Ancora Dare Voi UN Design per riempire lo spazio
In IL esistente spazio Quello Voi Potere utilizzo A adatto IL modello effetti,
e adesso erano andando A Essere capace A modello Quello fallimento confine.
Anche In IL miscela mondo, Noi Spesso Vedere più alto ordine effetti attivo:
interazioni O curvature, polinomi,
di Noi Potrebbe Vedere In IL non- miscela collocamento.
Se Noi non specificare quelli, Perché Qualunque Di questi Modelli Sono ottimale,
condizionale SU IL bersaglio modello Noi Dare, COSÌ Se Noi non specificare UN effetto operatore
per IL ottimale modello, Noi Potrebbe non Essere capace A adatto Esso
Dopo IL fatto, Perché Essi Potrebbe Essere alias
con altro effetti Quello Noi Avere.
Questi riempimento dello spazio corre atto come qualcosa di UN presa- Tutto Di possibile corre,
COSÌ c'è UN coppia Di motivi
Quello Noi Potrebbe Volere A prendere in considerazione spazio Riempimento corre,
Ma Noi Volere A Prendere UN Aspetto analiticamente.
Cosa c'è IL differenza In prestazione fra questi,
Dopo Noi correre Attraverso modello riduzione, non Appena A IL pieno modello,
Perché erano non lo farò e basta Essere utilizzando IL pieno modello.
Quello è IL progetto fase domanda.
Quando Noi raggiungere IL analisi,
ogni volta tu sei guardare A questi miscela esperimenti In JMP,
JMP automaticamente giri spento IL intercettare per Voi,
Perché Se Voi Volere per adattarsi a pieno modello
con Tutto Di tuo misto rimanere effetti, Voi non posso includere IL intercettare.
Lo farai Ottenere Questo avvertimento
Perché IL miscela- fatto effetti Sono costretto A uno,
E Essi aggiungere su a cosa IL intercettare È, COSÌ Loro sono alias.
Anche, Se Noi Volere A Aspetto A più alto ordine effetti,
Noi non posso Essere Piace UN risposta superficie Dove Noi Avere puro quadratico termini.
Noi Avere A Aspetto A questi Scheffé Cubo termini
Perché Se Noi Tentativo A Aspetto A IL interazioni
più IL puro quadratico termini, Poi Noi Ottenere altro singolarità.
Quelli Sono UN coppia Di rughe In IL analisi.
Tuttavia, andando inoltrare con IL modello selezione metodi,
Inoltrare Selezione O lazo, Quale Sono IL base metodi
Di IL SVEM metodi che erano andando A Essere guardare A,
Noi Volere A prendere in considerazione A volte girando spento Questo predefinito 'NO intercettare' opzione.
Che cosa Noi Trovare È per IL Metodo del lazo Noi In realtà Avere A Fai quello
In ordine A Ottenere ragionevole risultati.
Dopo Noi adatto Nostro modello, Ora Noi Volere A Fare modello riduzione
A calcio fuori irrilevante fattori.
Noi abbiamo avuto UN coppia Di diverso modi Di facendo Quello In base JMP .
Probabilmente Che cosa persone Fare maggior parte frequentemente È Essi utilizzo IL effetto riepilogo
A andare indietro SU IL P- valori, E calcio fuori IL piccolo P- valori.
Ma Questo È bello instabile Perché Di IL multicollinearità
da IL miscela vincolo, Dove calciando fuori uno effetto
Potere drasticamente modifica IL valori p Di IL residuo effetti In IL progetto.
Che cosa Questo complotto Spettacoli È Se Noi andare indietro SU P- valori,
Che cosa È IL maggiore valore p quello è preso a calci fuori
E Noi Vedere alcuni saltano in giro Qui E quello è da Quello effetto.
Dato Quello Tipo Di volatilità In IL raccordo processi,
Voi Potere immaginare Se Voi Avere piccolo i cambiamenti
In tuo osservato risposte, Forse Anche da saggio variabilità,
O Qualunque altro variabilità, Appena piccolo i cambiamenti Potere Guida
A grande i cambiamenti In IL ridotto modello
Quello È presentata COME UN risultato Di Questo processi.
Quello alto modello variabilità È qualcosa quello sarebbe Essere Carino
Se Noi Potevo media Sopra In Alcuni modo, In IL Stesso modo Quello Forse
con Bootstrap per est Noi media Sopra IL variabilità
Di IL CARRELLO metodi O IL partizione metodi
E quello è Che cosa IL SVEM metodi volevo Essere guardare A facendo.
In IL sciolto senso, Loro sono Tipo Di IL analogico per quello,
per IL lineare metodi erano guardare A.
Anche Noi Potere vai a Fare un passo saggio E Aspetto A min AICc,
Quale È Forse IL preferito metodo.
Nel nostro scorso diapositiva dello spettacolo Oggi BENE Essere prendendo UN Aspetto A,
per IL base JMP utenti, AICc contro B CIRCUITO INTEGRATO contro valore p selezione
con Nostro simulazione diagnostica.
Dare credito A UN quantità Di IL esistente lavoro E primo su A IL SVEM approccio.
Questi Sono Alcuni Grande Riferimenti Quello noi abbiamo usato Sopra IL anni.
Anche Volere A Grazie Chris Gottwalt per il suo pazienza E rispondendo domande
E condivisione informazione COME hanno scoperto cose lungo IL modo.
Questo è davvero aiutato impostato noi su A Essere capace A Mettere Questo A Bene effetto In pratica.
A proposito di Di In pratica, Dove Avere Noi stato utilizzando Questo abbastanza UN morso
Sopra IL anni È IL collocamento Di liquido nano particella formulazione ottimizzazione.
Che cosa È lipidi nano particella formulazione? Beh, una nanoparticella lipidica,
Se hai ottenuto Qualunque mRNA COVID vaccini Pfizer, Moderna, Poi hai ottenuto questi.
Che cosa questi Fare È Voi Prendere UN miscela Di quattro diverso lipidi, riassunto Qui,
E Essi modulo questi poco piccolo bolle.
Poi quelli Sono elettricamente addebitato,
Poi Essi trasportare lungo con loro UN genetico carico utile,
mRNA, DNA, O altro carichi utili Quello O agire come vaccini
O Potere bersaglio cancro cellule.
IL elettrico carica fra IL genetico carico utile,
poi IL opposto carica In IL nano particella È Che cosa si lega insieme.
Poi Noi lo voglio A Ottenere Attraverso IL cellula E Poi pubblicazione IL carico utile dentro.
IL formulazione i cambiamenti dipendente SU Che cosa IL carico utile È.
UN inoltre A volte Noi Potrebbe modifica IL tipo Di ionizzabile lipidi,
O IL tipo Di Lui lper lipidi A Vedere Quale uno fa Meglio,
COSÌ Noi Avere A rifare Questo processi Sopra E Sopra.
Per IL maggior parte parte, IL scienziati Avere trovato Quello questi
intervalli Di Forse 10-60% per IL lipidi impostazioni
poi UN più stretto allineare Di 1-5%.
Quello è per IL maggior parte parte IL fattibile allineare per Questo processi.
Quello è stato esplorato fuori, E quello è Che cosa IL geometria
Noi Volere A incontro Qui In Nostro applicazione È.
Noi Volere A diciamo, premesso questo strutturarlo erano facendo ancora ed ancora,
facciamo noi Avere UN ideale analisi E progetto metodo per Quello?
UN inoltre Noi Volere A impostato su UN simulazione Quello Se erano guardare A altro strutture,
altro geometrie per IL fattore spazio, Forse Noi Potere generalizzare A Quello,
Ma quello è andando A Essere Nostro messa a fuoco per Giusto Ora.
Dato Quello sfondo,
Io sono andando A permettere Jim Ora riassumere IL SVEM approccio E parlare Di Quello.
SÌ, Grazie Voi.
Questo particolare scoperta presentazione,
Che cosa erano andando A fare è UN poco un po' più centrato SU Presa della corrente,
Purtroppo, Perché IL risultati Sono Veramente Che cosa Questo È Tutto Di
per IL simulazioni Quello noi abbiamo Fatto.
Ma Questo particolare sessione, IO Volere spettacolo Voi Alcuni Di IL JMP 17
Quello Noi Avere nuovo capacità.
Se IO andare E IO Volere A impostato su UN Progettazione di riempimento dello spazio...
Ora, in precedenza Noi non lo erano in grado di fare miscela Modelli con Disegni per riempire lo spazio
giusto da fuori Di IL scatola, Se Voi Volere.
Noi certamente Potevo Mettere vincoli In Là,
Ma Ora Che cosa Noi Volere A Fare È spettacolo Voi Come Voi Potere Fare
UN Spazio F malato Progetto con questi miscela fattori.
Questo È nuovo Quello IO Ora Avere questi Venire In COME miscela,
Quale È Bene Perché Esso Ora porta
Tutto Di quelli colonna proprietà con Esso COME BENE.
Uno cosa Di valore menzionando Giusto ora è
IL predefinito È tu sei andando A Ottenere 10 corre per fattore,
COSÌ 40 corre In UN DoE tipicamente È Bene
E Noi Sono felice perché Nostro il potere è BENE Sopra 90%
O Qualunque cosa Nostro criteri È.
Ma quello è non IL caso [impercettibile 00:09:54] questi miscela Modelli
Perché c'è COSÌ molti vincoli inerente In Esso.
Che cosa Quello È raccontando Me, Purtroppo, È Anche Se IO erano A Avere 40 corre,
Id Ancora soltanto Avere 5% energia da facendo Scheffé Cubo
E Anche Se suo effetti principali soltanto, c'è soltanto 20% energia.
Energia Ora È non Veramente UN progetto criteri Quello erano andando A Aspetto A
Quando Noi Fare questi miscela Modelli.
Ora, tipicamente In Nostro applicazioni,
Purtroppo, Noi non Avere IL lusso Di avendo 40 corre.
In Questo caso BENE Fare 12 corre E Vedere Come Quello arriva fuori.
BENE andare avanti E Fare quello Spazio Riempimento Progetto,
E puoi vedere che è così Forse uniformemente diffusione per tutto IL superficie.
Di corso, Noi Fare sapere che erano delimitato con Alcuni Di questi Ragazzi Qui
Quello Noi non può che andare da 1 -5% SU IL polietilene glicole.
Che cosa IO Volere A fare ora È Appena andare A veloce inoltrare.
Ora andiamo Dire Io ho correre Questo progetto E Io sono pronto A Fare IL analisi.
Questo È Dove SVEM È Veramente fatto Enorme progresso
E Se Voi Ascoltare A Alcuni Di Chris E Fil Ramsey lavoro
fuori Là SU JMP Comunità, lo farai Vedere Questo È UN fare un passo modifica.
Questo È UN gioco modifica In termini Di tuo analitico capacità.
Come volevo Noi Fare Questo In 16?
In JMP 16 Che cosa lo faremmo Avere A Fare È lo faremmo Avere A Venire Attraverso,
e in realtà suo Di valore andando tramite la fare un passo Appena Perché Esso dà Voi
UN poco morso Di intuizione, Anche se IL primario missione
Di Questo riunione O Questo parlare È non SVEM,
Esso Volere Dare noi UN idea Di cosa c'è andando SU.
Che cosa Noi Potere Fare Qui È Noi Potere andare avanti E BENE Fare IL Auto convalida Tavolo.
Questo È IL JMP 16 metodologia.
Che cosa lo farai Nota Qui È noi abbiamo andato da 12 corre A 24.
Noi Appena raddoppiato loro E Voi Vedere IL Validazione Impostato.
IL formazione Maggio Essere i primi 12, convalida IL Prossimo 12.
Quello è cosa c'è aggiunto E Poi Noi Avere Questo peso.
Questo È IL Bootstrap peso E suo frazionalmente ponderato.
Che cosa accade È Noi Volere andare avanti E correre Questo modello
E Venire su con UN previsto valore,
Ma Poi Noi Bisogno A modifica questi pesi E Poi Mantenere facendo Questo Sopra E Sopra
per il nostro Bootstrap, molto simile UN casuale foresta, idea per IL SVEM.
Ora Che cosa È utile È A Tipo Di Prendere UN presto Aspetto.
Che cosa È IL geometria Di questi pesi?
Noi Potere Vedere Loro sono anti- correlati,
ovvero se in IL formazione impostato che io sono Basso,
Io sono probabilmente andando A Essere alto In IL convalida impostato.
Questo È Tipo Di UN presto poco visivo Di Quello relazione.
Ora Io sono pronto A andare Fare Mio analisi In JMP 16.
Esso volevo Essere analizzato E lo faremmo Appena Fare Nostro adatto modello.
Di corso, Noi Volere UN generalizzato regressione
E BENE andare Attraverso E Fare UN Scheffé Cubo Qui,
Perché suo UN miscela.
Ma ecco Dove Noi Avere A aggiungere In IL fare un passo,
Noi Mettere IL insieme di convalida COME tuo convalida colonna
E Poi Questo convalida peso È andando A Essere Quello frequenza.
Ora IO Potere correre Questo.
Di IL modo Noi Potevo,
In molti Di Nostro istanze erano non normale, erano tronco d'albero normale,
Noi Potevo Mettere Quello In Giusto Là.
Qui Noi Avere Nostro generalizzato regressione capacità
A andare avanti E correre Questo modello E Ecco, Là Sono IL stime.
Che cosa Noi volevo Fare allora veniamo qui Sotto IL Salva IL Predizione Formula.
Poi Qui È uno correre.
Va bene, COSÌ Noi avuto uno correre.
Voi Potere Vedere Quello IL superiore È 15.17, E Noi In realtà sega 15.23,
COSÌ non Cattivo In Questo modello,
Ma Noi volevo Fare Questo Sopra E Sopra.
Noi usato A Fare Esso Di 50 volte O COSÌ.
Ma con JMP 17, Ora Questo Totale processi È automatizzato A noi.
Noi non Avere A Fare Questo 50 volte E Poi Prendere IL media
Di questi predizione formule.
Erano capace A andare direttamente A Esso.
Se IO Venire Indietro A Mio originale progetto Qui con IL risposta,
IO Potere Ottenere Giusto A Esso.
Di IL modo, Questo È dimostrandolo IO Avere un altro vincolo Mettere In Qui.
UN quantità Di volte Noi Avere IL chimici E biochimici Piace A Vedere Quello
A Fare Sicuro Quello IL rapporti basati su molecolare pesi Sono entro motivo.
Non soltanto Fare Noi Avere IL miscela vincoli,
Noi Anche Avere UN quantità Di altro vincoli.
Io sono lavorando con UN gruppo dove Noi Avere Forse 15 diverso ingredienti
E probabilmente 30 vincoli In aggiunta A IL miscela vincoli,
COSÌ questi metodi lavoro e ingrandirsi,
probabilmente È IL migliore modo A Dire Esso, bello BENE.
Ora Questo È 17, COSÌ 17 IO Potere Ottenere Giusto A Esso.
Io sono andando A andare avanti in Adatto Modello, E Malato andare avanti E Fare UN Scheffé cubico.
Da Qui, Che cosa erano capace A Fare è arrivato in UN generalizzato regressione.
In Questo caso, Noi non Bisogno A preoccupazione Di questi Ragazzi In Qui.
Noi Potere modifica Esso A registro normale Se Noi COSÌ desiderio.
Uno Di Mio scelte In IL stima
Invece Di Inoltrare È In fatto SVEM Inoltrare,
COSÌ IO Fare SVEM Inoltrare E Io sono andando A andare Fare 200.
Lo farai vedere quanto velocemente Essi Avere Questo sintonizzato.
Davvero il soltanto cosa Voi Potere Fare In Avanzate controlli
È controllo se O non Voi Volere A forza UN termine In.
IO colpo Andare E istantaneamente Io ho Fatto 200 Bootstrap campioni per Questo problema.
Di corso, IO Ora Potere Aspetto A IL profilatore
E Quello È IL media Di IL 200 corre.
Quello è Tipo Di Mio FINE modello, Se Voi Volere.
Di corso, con Predizione Profilatore,
Là sono centinaia Di cose Voi Potere fare da qui
E Andrea toccherà SU UN coppia Di più Di quelli.
Ma due altro cose Di valore notando Qui,
Malato salva IL Predizione Formula COME BENE E Prendere UN Aspetto A Quello tipo.
Quando IO Aspetto A IL Predizione Formula,
Malato Nota Quello Esso È In fatto Già mediato fuori per Me Qui.
Questo È la media dei 200 diverso campioni Quello Sono fuori Là.
Con Quello, Quello È IL dimostrazione,
E BENE andare Indietro A guardare A IL grafici Là A Dire,
"Quindi cosa È Esso Quello erano vedendo In termini Di IL risultati Di SVEM?"
Andrea, Se Voi Volere A tiro su Quello diapositiva.
Questo È Forse UN presto visivo.
Voi Potere Vedere Quello Se IO Aspetto A quelli Primo tre,
In Questo caso, rosso È Cattivo.
Che cosa erano guardare A Qui È IL nominale copertura.
Questo È UN miscela modello
A IL ottimale previsto macchiare Di prestazione.
Noi Potere Vedere Quello IL standard Fare un passo saggio Ragazzi Sono non facendo pure BENE.
Quello è IL all'indietro E inoltrare AIC.
Questo È IL copertura aliquote.
Lo faremmo Piace Esso A Essere UN nominale 5% errore Quello Noi non In realtà Vedere
IL VERO risposta In IL predizione O In realtà IL fiducia intervallo.
In altro parole, Quando Noi guardò A IL profilo
Quello Noi Appena visto, ci dà UN predizione O fiducia intervallo
era IL VERO valore,
Quale Noi Sapere Perché erano giocando IL simulazione gioco, Giusto?
Noi Sapere Che cosa IL VERO valore È, Che cosa percentuale Di tempo era Quello In Là?
Noi Potere Vedere Quello Noi non Fare COME BENE con Nostro classico metodi.
IL pieno modello, mettendo Tutto IL termini in,
Lazo fa bello BENE A UN 10% valutare O COSÌ,
Ma suo non Fino a Noi Ottenere i metodi SVEM Qui Quello Noi inizio vedendo
Quello erano veramente catturare E ottenere Bene copertura.
UN Bene Forse immagine A Mantenere In tuo mente,
Quello Noi Sono modo sovraperformante Alcuni Di IL altro metodi fuori Là
Quando Esso arriva A IL capacità.
Ora, In termini Di Come Questo simulazione,
Che cosa erano focalizzazione SU Qui È UN poco morso diverso di Che cosa Voi Maggio pensa a,
In termini Di UN simulazione Dove erano alla ricerca A UN modello E detto,
"Come BENE fatto Noi Fare con Questo particolare metodo?"
Noi Potevo misurare Quello di Come IL effettivo contro IL previsto È
E Poi lo faremmo Ottenere una specie di UN Significare quadrato errore.
Noi Fare traccia Quello valore,
Ma Noi Trovare In Nostro lavoro, erano tanto Di più interessato Di trovare
Quello ottimale miscela, Se Voi Volere, con IL ottimale impostazioni Quello raggiungere noi
UN massimo potenza O minimizza alcuni effetti collaterali
O aiuta noi con Questo [impercettibile 00:18:58]
Quello è andando A Essere chiamato il "per cento Di massimo" Quello erano guardare per.
Erano andando A utilizzo Quello COME Nostro primario risposta Qui
In termini Di essendo capace A valutare Quale metodi superare di gran lunga altri.
Suo non Veramente andando A Essere,
Come lontano lontano Sono IO da IL posizione Di IL ottimale valore?
Suo Come lontano è questo risposta che IO previsto come ottimale
Come lontano È Quello da IL effettivo ottimale?
Quello è andando A Essere Nostro misurare Di successo.
IL modo Questo Volere lavoro È Malato Essere chiedendo Andrea UN pochi idee Qui
In termini Di Che cosa tipicamente arriva su In pratica.
IO sega IL geometria egli ha mostrato Me Presto SU
E IL ottimale progetto era Sempre colpo IL confini.
Che cosa Se IO Piace cose Quello Noi chiamata Di più mescolare, Giusto?
Voi Avere Di più misto cose In IL mezzo,
riempimento dello spazio, Quale È Meglio.
Se IO Fare utilizzo UN ottimale progetto,
Esso valori predefiniti A D Forse, Ma Che cosa Di IO E UN?
Poi Come Di IL età- vecchio DOE aggiungendo punti centrali?
È Quello accorto? O È uno punto centrale?
O Come Di replica?
Noi abbiamo Già discusso Come erano non essendo utile,
COSÌ Che cosa È UN utile misurare Di UN Bene progetto?
Quello è IL progetto pezzo, Ma Anche IL analisi il pezzo è,
È Là UN particolare metodo Quello surclassa tutti,
O Sono Là certo le zone Quello Noi Dovrebbe messa a fuoco SU
utilizzando Lazo E altri,
Quello Noi Dovrebbe Appena utilizzo SVEM per selezione?
Questi Sono pratico domande Quello Venire su da Tutto Di Nostro clienti,
E lo faremmo Piace A condividere con Voi
Alcuni Di IL risultati Quello Noi Ottenere da IL simulazione.
Andrea, Voi Volere A Dare noi
UN poco morso Di più intuizione in Nostro simulazione processi?
Sì, Grazie, Jim.
Prima IO Fare Quello,
IO Appena Volere A punto fuori uno attrezzo
Quello noi abbiamo fatto pesante utilizzo Di In IL analisi Di Nostro risultati,
E Purtroppo, Noi non Avere tempo A scavare in IL dimostrazione,
Ma Esso ha stato COSÌ utile è, entro IL profilatore
A Aspetto A IL produzione casuale tavolo per questi miscela disegni
E A Aspetto A IL risposte particolarmente,
Noi frequentemente Avere potenze di lato effetti.
Noi Avere multiplo risposte,
che vogliamo bilancia Quello fuori con IL desiderabilità funzione,
E Poi erano andando A Aspetto A IL individuale risposte loro stessi.
Quando Noi produzione UN casuale tavolo, Noi Ottenere UN Spazio Riempimento Progetto,
fondamentalmente non UN progetto, Ma Noi riempire su IL intero fattore spazio,
E erano capace A Aspetto A IL marginale impatto
Di ogni Di IL fattori Sopra IL intero fattore spazio.
Per esempio, per IL ionizzato lipidi tipo,
Che cosa BENE frequentemente Vedere È, Noi Potere Vedere Quello Forse uno ha
UN inferiore marginale comportamento Sopra IL intero spazio.
Ma Da erano volendo A ottimizzare,
Noi cura Di Che cosa IL massimo Di ogni Di questi È,
E uno Di questi Volere chiaramente Essere Meglio O peggio.
Erano guardare A IL ridotto modello.
Dopo Lui si adatta loro, BENE andare A IL profilatore E Fare Questo.
Noi Potere Ancora Ottenere IL analitico ottimale da profilatore,
Ma In aggiunta A Quello,
Questo dà noi Di più informazione al di fuori Di Appena Quello ottimale.
Che cosa Noi Potrebbe Fare Qui È per candidato corre,
Perché Noi Sempre corsa Nostro conferma corre
Dopo questi formulazione E ottimizzazione i problemi
È Noi Potrebbe correre IL globale ottimale Qui per H 102,
Noi Potrebbe scegliere fuori IL condizionale ottimale per H 101
E Vedere Quale uno fa Meglio In pratica.
Anche, guardare A IL ternario trame,
Se Noi colore quelli di desiderabilità O di IL risposta,
Noi Potere Vedere IL Di più O meno auspicabile regioni
Di Quello miscela spazio,
COSÌ Quello Potere aiuto noi COME Noi O aumentare IL progetto
O O includere aggiuntivo le zone In IL fattore spazio,
O A escludere le zone.
IO non posso Fare tanto Di più con Quello Giusto Ora,
Ma IO ricercato A punto Quello fuori
Perché quello è UN molto importante parte Di Nostro analisi processi.
Come Fare Noi valutare Alcuni Di questi opzioni
entro Questo tipo Di geometria Di UN fattore spazio?
Noi costruito UN simulazione sceneggiatura Quello Noi Avere condiviso SU IL JMP sito web,
E Esso consente noi A tappo E giocare per diverso campione dimensioni In totale,
Come molti le corse sono In IL progetto?
Noi Avere UN VERO modulo scelta
Quello dà noi IL VERO generando funzione dietro IL processi,
UN progetto tipo, O spazio Riempimento O ottimale.
IL ottimale progetto Ora È andando A Essere Di UN certo minimo misurare
basato SU IL numero Di effetti Quello erano targeting.
Fare Noi Avere UN secondo -ordine modello, UN terzo -ordine modello,
UN Scheffé cubico modello?
Che cosa Fare Noi Avere?
Normalmente, ogni volta Voi costruire UN modello E costume progetto In JMP,
Esso scrive UN modello sceneggiatura fuori A tuo tavolo E Poi Voi utilizzo Quello A analizzare Esso.
BENE, qualcosa noi abbiamo esplorato È permettendo UN più ricca modello
di Che cosa Noi Ottenere, Che cosa Noi bersaglio,
E Sono Noi capace A utilizzo questi metodi con SVEM
E Ottenere aggiuntivo migliorato risultati,
Anche Anche se Noi non l'ho fatto originariamente bersaglio quelli effetti In IL progetto?
IL corto risposta Là È SÌ.
Quello è qualcosa altro Noi Volere A prendere in considerazione,
COSÌ Noi permettere noi stessi con IL efficace scelta
A includere aggiuntivo effetti.
Noi Potere Aspetto A IL impatto Di aggiungendo si replica O punti centrali
E Quello costume DWI dialogo A imporre quelli.
Come fa Quello simulare Nostro risposta?
Perché Qualunque Di IL riassunti Quello Voi Ottenere fuori Di IL progetto
E fuori il design diagnostica Sono inizio targeting IL pieno modello,
O con rispetto A predizione varianti,
D-ottimale, stai guardando standard errori per IL parametri.
Ma Che cosa Noi Veramente cura Di È Come Bene È IL ottimale
Quello erano ottenere fuori Di Questo,
COSÌ quello è Che cosa erano andando A Prendere UN Aspetto A con questi simulazioni.
Per IL maggior parte parte In questi LMP ottimizzazione scenari,
UN quantità Di volte, BENE Venire attraverso due situazioni.
IL scienziati Volere Dire, "Io ho avuto Di 12 corre disponibile,
E Forse suo non Quello importante Di UN processi,
O IL Materiale È molto costoso,
E IO Appena Bisogno A Fare IL migliore IO Potere con 12 corre.Quello è Che cosa Io ho avuto."
O Esso Potrebbe Essere qualcosa Dove hanno avuto UN bilancio per 40 corre,
E Essi Potere adatto UN pieno secondo -ordine modello
più terzo ordine miscela effetti,
E Noi Volere A Tentativo A caratterizzare Questo intero fattore spazio
E Vedere Che cosa IL risposta superficie sembra Piace Sopra IL Totale cosa.
Quelli Sono IL due scenari erano andando A Essere targeting In Nostro simulazione.
Jim, IO pensare Voi avevo Alcuni domande
Di prestazione Sotto diverso scenari.
Che cosa era tuo Primo domanda Là?
IO fatto.
IO Indovinare Quando IO pensare Di UN 12- correre scenario Qui,
E Se IO Appena andare con IL predefinito, Id Ottenere UN D -ottimale
E Esso volevo Essere principale effetti soltanto.
IO riconoscere IO Potevo Fare IL spazio Riempimento Piace IO Appena fatto,
Ma Mio domanda È, Se IO Fare IL predefinito,
Quale uno Di IL analisi metodi volevo Essere preferito?
O È Là uno?
Va bene, COSÌ prendendo UN Aspetto A Quello.
Per IL D- ottimale progetto, COME UN generale regola,
suo andando A Mettere Quasi Tutto Di suo corre lungo IL confine Di IL fattore spazio
E suo non andando A Avere Qualunque interno corre
salvo che Voi Avere quadratico termini O qualcosa Quello richiede Quello.
Con UN 12 -correre progetto,
c'è 90 gradi Di libertà necessario A adatto Tutto IL principale effetti Qui.
Noi abbiamo avuto UN pochi gradi Di libertà per errore,
Ma soprattutto erano soltanto targeting IL principale effetti Qui.
Come Fare IL analisi metodi Fare?
È Là Qualunque differenza In IL analisi metodi?
Che cosa Noi Fare, E Tutto Di questi erano andando A riassumere,
Noi spettacolo IL per cento Di massimo per Tutto Di Nostro simulazioni Quello Noi Fare,
E COSÌ Noi Potere Vedere Quello distribuzione per ogni Di IL analisi metodi,
Tutto per Questo 12- correre, D-ottimale progetto bersaglio effetti.
Poi Noi Anche spettacolo Qualunque significativo differenze fra questi,
E erano Appena utilizzando T degli studenti
Erano non facendo a due chiavi aggiustamenti, COSÌ Mantenere Quello In mente
ogni volta tu sei guardare a questi significativo valori.
IL vincitore Qui È Nostro fatti in casa SVEM neurale approccio
Perché suo non limitato A soltanto guardare A IL principale effetti,
Essi Potere permettere Alcuni aggiuntivo complessità In IL modello,
E COSÌ Esso vince Qui.
Ora, non Ottenere pure eccitato Di Quello Perché Questo È Di IL migliore
Quello noi abbiamo visto SVEM neurale Fare è dentro questi piccolo impostazioni.
Ma Se Noi Sono corsa Di più di uno candidato ottimale andando inoltrare,
Poi Forse Noi Potere includere UN SVEM neurale, Ma In generale,
Noi non lo farebbe consigliare soltanto attaccarsi con un SVEM neurale
Appena Perché Esso tende A Essere Di più variabile, Avere più pesante Basso code.
Che cosa Sono IL altro risultati?
Noi Vedere IL perdenti In Questo applicazione
O nulla quello è facendo IL separare sparo modello riduzione
Perché Tutto questi effetti Sono significativo In IL modello,
E Qualunque tempo Noi tiro uno Di loro fuori, Noi Sono andando A Ottenere
UN non ottimale rappresentazione Di Nostro processi.
Quello è Perché In Questo caso IL pieno modello fa Meglio di quelli.
Ma cosa c'è interessante È IL SVEM lineare approcci
Sono capace A A meno incontro Quello pieno modello prestazione.
Erano non perdere nulla di utilizzando SVEM In Questo applicazione,
COSÌ quello è UN Carino aspetto Dove Noi non Avere A preoccupazione
Di IL più piccola collocamento.
Sono Noi ferito noi stessi A Tutto di utilizzando AICC?
Ora, qualcosa altro Noi provato Qui È dato IL Stesso,
hai soltanto avuto 12 corre.
Tu sei soltanto targeting IL produzione
E IL D-ottimale criteri In IL costume DOE.
Che cosa Se Noi permettere IL adatto modello A prendere in considerazione secondo -ordine effetti
più ci sono miscela effetti,
COSÌ quale il nostro modello Poi era mirata A Fare?
Che cosa accade, E Noi Vedere Questo JMP Qui,
Questo SVEM lineare metodi Sono capace A utilizzare Quello informazione
E Dare noi Meglio per cento Di massimo, Ottenere ottimale candidati,
E quelli Sono Nostro vincitori Qui Ora È questi SVEM lineare metodi.
Che cosa Noi Vedere È Quello cosa interessante,
IL base metodi per questi SVEM approcci, Guado metodo,
O Guado selezione O IL Lazo Sono non capace A Fare utilizzo Di Quello,
soltanto IL SVEM È, COSÌ quello è UN Carino proprietà.
Essi In realtà colpo fuori Neurale,
Quale È Carino Perché Ora questi Sono nativo A JMP 17
E Essi non richiedere COME tanto calcolo tempo
O Manuale impostato su COME In loro Proprio.
Che cosa Noi inizio A Vedere Qui È IL tema Quello erano andando A Vedere
per tutto IL riposo Di IL giorno È Quello Qualunque Di questi Lazo approcci
con NO intercettare Sono andando A Dare noi sub -ottimale risultati
Perché senza IL intercettare
E IL penalizzazione no lavoro Giusto In lazo,
quindi tu In realtà Volere A giro spento IL predefinito opzione Di NO intercettare
Se tu sei andando A Tentativo A utilizzo SVEM Lazo
O Anche Appena Lazo senza UN intercettare.
Va bene, COSÌ IO Indovinare Esso sembra Piace SVEM Neurale fatto BENE Là.
Ma Ancora, Quello È non nativo.
Noi non posso Fare Quello con JMP 17 professionista, quello è non lì dentro .
Noi Potere, Noi Avere A Avere UN Manuale [impercettibile 00:29:01] sceneggiato.
Sì, lo è non UN Manuale opzione.
Va bene, Questo È Bene,
Ma Io sono Anche UN fan Di IL Spazio Riempimento Progetto,
COSÌ Come fa Quello giocare fuori In termini Di IL analisi metodi?
Per IL Riempimento dello spazio Progetto, Voi Potere Vedere Piuttosto di avendo
Tutto IL punti lungo IL esterno, lungo IL confine,
Ora Noi riempire su IL interno spazio
per Entrambi IL miscela fattori E IL processi fattori,
Quale A volte In pratica Che cosa BENE Fare È,
BENE Prendere IL processi fattori
E girare questi A IL più vicino 0,25 O 0,5
O Qualunque cosa granularità lavori migliore per noi, Ma Questo È Che cosa Esso sembra Piace.
In termini Di IL risultati, Come Fare Essi eseguire?
Ora Che cosa erano andando A Fare È confrontare
IL concatenazione Di IL progetto approccio
lungo con IL analisi metodo E Vedere Quale questi Fare migliore.
Guardare A Ora Ancora permettendo IL più ricca secondo E terzo -ordine modello
per IL selezione metodi E Vedere Quale uno fa migliore.
Quando Noi Aspetto A IL confronto,
IL vincitori Sono IL SVEM lineare approcci,
Lazo soltanto con IL intercettare, non senza IL intercettare,
E IL D- ottimale.
Ancora, dietro IL scene, Voi Avere A Ricordare,
Ora tu sei assumendo per Questo D-ottimale approccio
Quello tuo positivo modello È VERO Sopra IL intero fattore spazio
E hai avuto costante vari Sopra Quello fattore spazio.
Se tu sei preoccupato Di fallimenti lungo IL confine,
Poi quello è qualcosa altro A Prendere in account, E suo non costruito in Questo.
Voi Avere A prendere in considerazione Quello.
Ma Se Voi Sono fiducioso,
Forse hai correre Questo Prima E tu sei soltanto fabbricazione minore i cambiamenti,
Poi IL modo A andare È IL D- ottimale con IL SVEM approcci.
Giù Qui, IL perdenti Sono IL lazo, con NO intercettare.
Noi lo farò Evitare quelli,
E Voi Potere Vedere quelli pesante code giù Qui.
Non IL SVEM lazo, Appena IL Lazo.
In realtà ecco IL SVEM Lazo con NO intercettare qui sotto.
Sì.
Essi Tutto Ottenere questi Fs, COSÌ Essi Tutto fallire.
-Comodamente, [diafonia 00:30:48] . -Sì
Va bene.
Che cosa Spesso Volere Venire su,
se suo progettato su davanti Dove noi abbiamo Fatto Nostro 12 corre,
E IL capo,
Lei ha Alcuni Di più domande E Noi Avere Di più corre.
Se erano andando A Fare cinque Di più corre,
Come fa Quello impatto Alcuni Di questi risultati?
Quando Voi Dire cinque corre, non UN seguire -su studio,
Ma tuo costruire È studio O 12 O 17 corre
In UN separare sparo Giusto Ora È Che cosa tu sei considerando, Giusto?
Sì, esattamente.
Va bene, COSÌ Sì, Noi Potere Aspetto A IL marginale impatto
Perché c'è UN costo A Voi per quelli extra cinque corre.
Cosa c'è IL beneficio Di quelli cinque extra corre?
Utilizzando IL progetto analisi Voi Potevo utilizzo,
Aspetto al FDS complotto E tuo FDS più significa inferiore,
riflettendo più piccola predizione varianti.
Energia È non Quello utile per questi miscela effetti disegni.
Noi non cura Di IL parametri.
Noi Volere A Sapere, Come BENE volevo Noi Fare con ottimizzazione?
Quello è Dove IL simulazione maneggevole, Noi Potere Prendere UN Aspetto A Quello.
Come fa tuo distribuzione Di tuo per cento Di massimo modifica
COME Voi andare da 12 A 17 corre?
È interessante notare che c'è NO beneficio per IL separare sparo 40 ICC
A avendo 17 contro 12 corre.
Ora, Ancora, Giusto Ora erano guardare A IL percentuale Di massimo
Se Voi Aspetto A tuo varianza dell'errore,
la varianza della tua previsione È andando A Essere più piccola,
E Là Potrebbe Essere Alcuni altro [impercettibile 00:32:09] ,
Ma principalmente tuo predizione varianza
È andando A Essere più piccola Se Voi Aspetto A Quello.
Ma Veramente, Noi non cura Quello tanto Di predizione varianza.
Noi Volere A Sapere, Dove È Quello ottimale punto?
Perché Dopo Questo, erano andando A Essere corsa conferma corre
E Forse In repliche A Quello punto
A Ottenere UN idea Di IL processi E saggio varianza Poi.
Ma Giusto Ora,
Noi Sono Appena provando A esploratore fuori IL risposta superficie
A Trovare Nostro ottimale formulazione,
COSÌ con Quello obiettivo In mente, c'è NO beneficio per una quattro giorni ICC.
Ora per IL SVEM metodi,
Noi Fare Vedere Là È UN significativo differenza
E Noi Fare Ottenere UN significativo miglioramento
In termini Di Nostro media per cento Di massimo Noi ottenere,
E Forse non COME pesante code giù Qui.
Ma Ora Voi Bisogno A Sapere È Quello Voi Bisogno A decidere,
È Quello in pratica significativo?
Fai Volere A mossa da 90% A 92% Significare per cento Di massimo
In Questo Primo sparo con cinque extra corre?
Voi Avere A Fare tuo marginale costo
originale beneficio analisi Là COME UN scienziato
E decidere Se quello è Di valore Esso.
Appena guardare A Esso Qui, Che cosa IO pensare Potrebbe Essere utile
Perché Voi Avere A correre conferma corre Comunque
È Se Noi correre IL 12 -correre progetto,
Voi Potere Poi correre UN candidato ottimale O due
basato SU IL risultati Noi Ottenere,
E Poi più UN coppia Di aggiuntivo corre Forse
In UN alto -densità regione per Che cosa Quello sembra Bene,
O Anche aumentare fuori tuo fattore spazio UN poco morso,
E Poi tu sei Ancora corsa UN totale Di 17 corre,
Ma Ora erano andando A Avere Anche UN Meglio senso Di IL Bene regione Qui,
COSÌ quello è qualcosa A prendere in considerazione.
Qualcosa altro Noi Potere Vedere
da corsa IL simulazione con 17 corre È,
andiamo Aspetto A IL prestazione
Di ogni Di IL raccordo metodi entro ogni iterazione,
E c'è In realtà UN sorprendentemente Basso correlazione
fra IL prestazione
Di questi diverso metodi entro ogni iterazione.
Noi Potere utilizzo Quello A Nostro beneficio
Perché erano andando A Essere corsa conferma corre Dopo Questo,
COSÌ Piuttosto di Appena avendo A Prendere uno metodo E uno conferma punto,
uno candidato ottimale punto,
Se Noi erano A, per esempio, Aspetto A questi quattro metodi
E Poi Prendere IL candidato ottimale da ogni Di loro,
Poi erano andando A Essere capace A andare inoltrare con Quale uno tutti fa migliore.
Erano guardare A IL massimo Di questi.
Piuttosto di guardare A UN Significare Di 92% A 94%,
Ora erano guardare A UN Significare Di Di 97% con UN più piccola coda
Se Noi prendere in considerazione multiplo Di questi metodi A una volta.
Va bene, molto utile.
Andiamo Ora Mettere Nostro occhi verso IL 40 -correre disegni.
Molto Bene informazione In termini Di Mio più piccola correre disegni.
Ora con 40, Come fa Esso giocare fuori In termini Di questi analisi metodi?
Sono Noi andando A Vedere coerente comportamento con Che cosa Noi sega In IL 12 -correre progetto?
Poi Come Di IL Spazio Riempimento contro IL ottimale progetto, D-ottimale?
-Id Essere interessato In Quello. -Va bene.
BENE, Primo Prendere UN Aspetto A IL D-ottimale progetto, 40 corre,
E Ora erano targeting Tutto Di IL secondo -ordine effetti,
IL terzo -ordine effetti, miscela effetti,
E erano targeting Tutto IL effetti
Quello Sono veramente presente In Nostro generando funzione,
E Noi Ancora Vedere Quello erano caricato su SU IL confine Di IL fattore spazio
con IL ottimale progetto,
E Poi Se Noi erano andando A Vedere Ora con IL spazio Riempimento progetto,
erano andando A Vedere Ora erano Riempimento su IL interno
Di IL fattore spazio per IL miscele
E per IL altro continuo processi fattori.
Andiamo Vedere Che cosa IL prestazione differenza È.
Primo Di Tutto, messa a fuoco SU IL riempimento dello spazio progetto,
Quale analisi metodi Fare migliore?
E Stesso COME Noi sega In IL 12 -correre esempio Di IL SVEM lineare,
Guado selezione con Quello intercettare, Lazo con IL intercettare fa IL migliore.
IL peggio caso Voi Potere Fare È mantenendo IL pieno modello,
O Poi provando SVEM O separare sparo Lazo con NO intercettare
E IL D-ottimale collocamento, Stesso vincitori, Quale È rassicurante
Perché Ora Noi non Avere A Essere preoccupato Di,
"BENE, stiamo cambiando Nostro progetto tipo. Ora Noi avuto A modifica Nostro analisi tipo."
Suo Bene A Vedere Questo consistenza attraverso IL vincitori Di IL analisi tipo.
IL pieno modello no Fare COME male Qui con IL ottimale progetto, IO pensare,
Perché IL ottimale progetto È targeting Quello modello
E IL perdenti Qui Sono Ancora IL Lazo con NO intercettare.
Poi Neurale È Veramente cadente dietro Qui, dietro IL altro metodi.
Ora andiamo confrontare IL spazio Riempimento A IL D-ottimale disegni,
E Noi Potere Veramente Vedere
IL più grande differenza Qui È entro IL pieno modello,
IL spazio Riempimento disegni Sono tanto peggio di IL D-ottimale progetto.
In qualsiasi momento tu sei facendo progetto diagnostica,
quello è Tutto entro IL contesto Di IL pieno modello.
Per tuo D -ottimalità criteri,
tuo media predizione varianza, quello è Tutto Là.
UN quantità Di volte Quando Voi correre quelli confronti,
tu sei andando A Vedere UN crudo differenza fra quelli
E quello è Che cosa tu sei vedendo Qui.
Tuttavia, In vero vita,
erano andando A Essere corsa UN modello riduzione tecnica.
Con SVEM, Anche IL separare sparo metodi migliorare Esso.
Ma particolarmente con SVEM Qui,
Esso Veramente chiude IL differenza fra IL spazio Riempimento E IL ottimale progetto,
E Noi Vedere bello vicino A medio, E leggermente più pesante coda Qui.
Ma Ora Voi Potere Aspetto A Questo E Dire.
"Va bene.IO perdere UN poco morso con spazio F malato progetto.
Ma Se IO Avere Qualunque preoccupazioni affatto Di IL confine Di IL fattore spazio,
O Se Io sono un po' limitato In Come molti conferma punti IO Potere correre
E IO Volere A Avere qualcosa quello è andando A Essere non pure lontano lontano
da IL candidato ottimale Quello Io sono andando A trasportare inoltrare,
Poi quelli Sono IL benefici Di IL spazio Riempimento progetto."
Ora Noi Potere pesare quelli fuori. Erano non incollato
con Questo drastico differenza fra IL due.
Ancora, quello è basato soltanto contro IL D-ottimale progetto .
IO Indovinare UN quantità Di volte In Nostro DOE lavoro,
Noi Piace A Forse Aspetto A IL I-ottimalità criteri
E Anche IL UN ha Fatto Veramente BENE per noi.
In particolare, esso si diffonde Esso. È c certamente non spazio Riempimento,
Ma A meno Esso si diffonde Esso fuori UN morso Di più di IL D -ottimale.
Fare Noi Avere Qualunque idee Come quelli IO E UN ottimale lavoro?
Sì, Noi Potere scambio quelli fuori in simulazioni.
Uno cosa noi abbiamo Sempre si accorse,
IO Amore IL UN -ottimale disegni In IL non- miscela collocamento.
Suo Quasi Mio predefinito Ora.
IO Veramente Piace loro.
Ma In IL miscela collocamento, ogni volta Noi Tentativo loro,
Anche Prima IL simulazioni, Se Noi Aspetto A IL progetto diagnostica,
IL UN -ottimale Mai fa COME BENE COME IL D O IL IO -ottimale,
E Quello orsi fuori Qui In IL simulazioni,
quello è IL blu Qui per IL ottimale, dà noi inferiore risultati.
Regola Di pollice Qui È,
non fastidio con IL A-ottimale disegni per miscela disegni.
Ora per D contro IO -ottimale, Noi non Vedere Qualunque...
In Questo applicazione per Questo generando funzione,
Noi non Vedere Qualunque differenza fra loro.
Tuttavia, UN motivo A leggermente preferire IL D-ottimale È,
Là tende A Essere Alcuni convergenza problemi per questi LNP impostazioni
Dove hai avuto A piolo Sopra IL uno 5%
E tu sei provando A bersaglio UN Scheffé cubico modello In JMP,
quindi abbiamo si accorse A volte Alcuni convergenza i problemi
per IL I-ottimale disegni E Esso prende più a lungo.
IL D -ottimale, Se c'è non tanto Di UN beneficio,
Poi Esso sembra A Essere IL più sicuro scommessa A bastone con IL D-ottimale.
Ora Noi non lo erano capace A test Quello con IL simulazioni
Perché Giusto Ora In JMP,
Voi non posso sceneggiatura In Scheffé cubico termini in IL DOE
A costruire UN ottimale progetto.
Voi Avere A Fare Quello Attraverso IL GUI.
Noi non lo erano capace A test Quello, Vedere Come Spesso Quello accade,
Ma quello è Perché noi abbiamo portato inoltrare
D-ottimale In questi simulazioni E Noi bastone con quelli.
Se Voi Volere A In tuo applicazioni, Voi Potere Tentativo Entrambi D E IO
E Vedere Che cosa Essi Aspetto Piace
Entrambi graficamente E con IL diagnostica,
Ma IL D-ottimale sembra A Essere eseguendo BENE.
Va bene, IO Indovinare Appena Mantenere tirando IL filo UN poco morso ulteriore È,
UN quantità Di volte BENE Tentativo Alcuni tipo Di UN ibrido progetto .
Perché non Noi inizio fuori con, Dire, 25 spazio Riempimento corre,
E Poi aumentare Quello con Alcuni D-ottimale criterio
A Fare Sicuro Quello Noi Potere bersaglio IL specifica parametri di interesse?
Fa Quello lavoro fuori bello BENE?
Sì, Noi Potere simulare Quello E Noi Prendere UN Aspetto.
O noi abbiamo avuto...
Questo È IL Stesso simulato funzione,
generando funzione noi abbiamo stato guardare A per Voi correre IL D-ottimale,
per farti eseguire il spazio Riempimento,
O UN ibrido, Dove Noi inizio fuori con 25 spazio Riempimento corre
E Poi Noi andare A aumentare E carico In edificio 15 aggiuntivo corre targeting
IL terzo ordine modello, E Che cosa Noi Vedere È Quello Ora,
Noi Avere NO significativo differenza In termini Di IL ottimizzazione
fra IL D-ottimale a 40 corse E IL ibrido progetto,
Ma In IL ibrido progetto,
Noi Ottenere IL beneficio Di quelli 25 corse di riempimento dello spazio.
Noi Ottenere Alcuni interno corre protezione A adatto aggiuntivo effetti
E protezione contro fallimenti lungo IL confine.
Suo UN poco morso Di più lavoro A impostato Questo su.
BENE Fare Questo per alto priorità progetti
Perché soltanto per quelli Perché di quell'extra costo E tempo.
Ma Esso fa apparire A Essere UN promettente metodo.
Giusto.
In pratica Voi pensare Di Dove tuo ottimale È andando A Essere,
c'è UN Bene opportunità Esso Potevo Essere In Quello interno spazio
quello è non riempito In IL D-ottimale lungo IL confini.
IO Indovinare Appena Forse andando Indietro,
rivisitare IL idee Di Che cosa Se IO avevo UN centro punto,
Che cosa Se IO avevo UN punto Quello IO Potevo replicare?
Ancora, Forse SU IL 40- correre progetto,
Se IO avevo cinque Di più cose, COSÌ Appena Qualunque altro poco pepite
Quello Noi imparato lungo IL modo con questi?
BENE, Questo arriva su UN quantità Perché Ora manuale Volere raccontare Voi
A aggiungere cinque A Sette replicare corre.
IL scienziati Sono andando A calcio Voi fuori Se Voi Tentativo A Fare Quello.
UN quantità Di volte Noi Avere A Fare IL discussione
A aggiungere Anche UN separare replicare correre
Perché Esso ha vantaggi al di fuori Di IL raccordo
Perché Ora Voi Ottenere UN modello [impercettibile 00:41:09]
E Appena graficamente Noi Potere utilizzo Quello COME UN diagnostico,
Noi Potere Aspetto A Quello aria varianza parente A IL intero varianza
da IL intero sperimentare.
Suo molto utile A Avere,
E COSÌ suo andando A Essere Carino A Avere UN discussione per Voi A Dire Quello,
"Va bene, erano non ferito tuo ottimizzazione routine
di Compreso Anche UN separare replicare correre."
Quello è Che cosa Noi Vedere Qui per IL 40 corse esempio
di forzare uno Di questi A essere un replicare entro costume progetto.
Noi Sono non ottenere UN significativo differenza A Tutto
In termini Di ottimizzazione.
Suo nessuno dei due aiutando O ferito.
Andiamo andare avanti E Fare Quello,
COSÌ Quello Quando Noi Avere Quello extra pezzo Di informazione andando inoltrare.
IO non Avere IL grafici Qui Perché suo noioso.
Suo IL Stesso cosa In Questo particolare applicazione,
forzare uno Di loro A Essere UN punto centrale.
C'è NO differenza.
Parte Di Quello Potrebbe Essere In Questo caso, IL D-ottimale progetto era dando noi
UN punto centrale O qualcosa vicino A UN punto centrale.
Quello Potrebbe non Avere stato mutevole IL progetto Quello tanto.
Voi Potrebbe Vedere UN più grande differenza
Se Voi andare Indietro A IL 12 corse progetto imporre IL punto centrale.
Ma quello è IL vantaggio Di avendo UN simulazione struttura costruito su
Dove Voi Potere Prendere UN Aspetto A Quello
E Vedere Che cosa È IL pratico impatto andando A Essere per Compreso Quello.
Va bene, Ora Come Di...
IO menzionato IO Avere Questo grande progetto con molti Di vincoli.
Volevo UN vincolo Forse modifica Alcuni Di IL risultati?
BENE, Noi Potevo possibilmente includere IL vincoli
E suo andando A modifica IL consentito regione entro IL...
Graficamente, stai per andando A Vedere UN modifica In tuo consentito regione,
E Noi Potere simulare Quello.
In realtà, Io ho Fatto Quello.
IO non Avere IL grafico su con Me Giusto Ora,
Ma Che cosa Esso fa È c'è non Quello tanto UN impatto, SVEM Ancora fa bene.
Uno differenza Noi fatto Nota È Quello corsa Questo simulazione
E Poi vincolante IL regione un po' È Quello IL spazio Riempimento migliorato
Perché suo avuto UN più piccola spazio A riempire E non COME tanto rumore spazio,
Ma IL D-ottimale Volere eseguire
Appena COME BENE fra IL due con O senza vincolo.
Quello era bello interessante A Vedere.
Ma Tutto Di Questo si applica Appena COME BENE con vincoli
E Niente Di Nota In termini Di differenza per analisi metodi con IL vincolo,
A almeno il relativamente semplice quelli Quello Noi applicato.
Giusto, Va bene, erano Quasi corsa corto SU tempo Qui, Andrea,
Ma IO Fare Avere UN preoccupazione.
Noi Avere UN specificato erroneamente progetto
E Noi volevo Piace A avvolgere su
E Partire IL gente con UN pochi chiave asporto.
Ecco UN esempio Dove Ora Questo funzionale modulo
fa non incontro Qualunque Di IL effetti erano considerando
E erano relativamente Piatto SU Questo perimetro
Dove UN quantità Di quelli saranno i progetti ottimali
quindi vedrò come fare Quello lavori fuori.
Anche Nota IL [impercettibile 00:43:52] Colesterolo impostato A UN coefficiente zero
e un vero generando funzione.
Ora prendendo Quello VERO funzione andando A profilo ehm produzione proprio nel tavolo
E Voi Potere Vedere Come Carino Esso È A Essere capace A complotto questi cose
A Vedere IL risposta superficie utilizzando Quello produzione Giusto In IL tavolo.
Ecco Veramente tuo VERO risposta superficie, E Questo È tuo risposta superficie,
Ma cosa c'è interessante È Esso sembra Piace c'è UN illusione Qui.
Esso sembra Piace Colesterolo È di grande impatto per tuo risposta.
Esso sembra Piace Esso colpisce tuo risposta, Ma In la realtà IL coefficiente È zero.
Ma IL motivo Esso sembra Piace Quello È Perché Di IL miscela vincolo.
Quello è Perché suo difficile A analizzare fuori,
Quale IL individuale miscela effetti Veramente simulare tuo risposta.
Erano non COME interessato Di Quello
come siamo Di detto, cosa c'è UN Bene formulazione andando inoltrare?
In Questo collocamento, Noi aggiungere UN poco morso Di rumore, 4% CV,
Quale È usato frequentemente In IL farmaceutico mondo.
In Questo caso, IL Significare erano utilizzando È IL Significare A IL massimo,
Quale In Questo caso È uno,
E Poi Anche UN tanto Di più estremo 40% CV.
Questo sembra Di più Piace UN sonar
E Loro sono provando A Trovare Titanico O qualcosa.
Fiduciosamente nessuno Di tuo farmaceutico applicazioni Aspetto Piace Questo,
Ma Noi Appena Volere A Vedere In Questo estremo caso Come cose lavoro fuori.
Che cosa Noi Vedere È In IL piccolo 12 corse esempio
con relativamente piccolo processi variazione È processi più saggio variazione
È questi linea di base disegni andato fuori E SVEM, Tutto lo stesso metodi,
E Poi Se Noi andare su A 40 corse,
IL riempimento dello spazio non lo è capace A Mantenere su COME BENE,
ma D-ottimale Volere Veramente Fare meglio ora,
Anche Anche se suo relativamente Piatto fuori Là E IL misurare Dove maggior parte Di IL corre Sono,
suo capace A scegliere su IL firma Di IL superficie Qui.
Ora, ecco IL differenza fra IL pieno modello
E Poi IL riempimento dello spazio E il D- ottimale.
Non COME grande Di UN differenza per IL SVEM metodi,
Ma Voi Fare Ancora Avere UN pochi coda punti giù Qui.
Poi Loro sono Tutto non eseguendo COME BENE COME IL SVEM lineare,
Anche Anche se IL SVEM lineare
È soltanto approssimativo Quello curvatura per Quello risposta superficie.
Se Noi andare su A IL super rumoroso visualizzazione, NO uno fa UN Veramente Bene lavoro,
Ma Ancora tuo soltanto opportunità è con IL spazio Riempimento approcci.
Ma Poi Quando Noi andare su A IL più grandi campione misurare,
Anche In IL viso Di Tutto IL processi variazione, processi rumore,
È Ora IL opzione era capace A rimbalzo fuori Sopra Quello rumore Meglio
E È capace A Fare Meglio utilizzo Di quelli corre di IL spazio Riempimento.
UN coppia Di considerazioni Là.
Cosa c'è tuo correre misurare? Come saturato è tuo modello?
Come tanto processi variazione Fare Voi Avere parente A tuo processo significa,
va in IL bilancia Di IL spazio Riempimento contro ottimale.
Se Noi Prendere UN Aspetto A Che cosa Sono IL Candido ottimale punti
erano ottenere fuori Di IL spazio Riempimento contro ottimale.
Io sono Scusa, per IL spazio Riempimento,
Poi Che cosa Noi Vedere È erano SU bersaglio per Questo È ionizzabile E aiutante.
Erano SU bersaglio per Tutto Di Nostro approcci tranne per questi scorso con NO intercettare.
Loro sono Mai SU bersaglio,
Loro sono Sempre spingendo Voi spento in qualche luogo altro.
Voi Potere Vedere graficamente Come Quello mancanza Di intercettare.
Ora, Se Noi permettere IL intercettare, allora siamo SU bersaglio.
Quello Veramente È importante A deseleziona Quello NO intercettare opzione per lazo.
Per Tutto IL persone Quello Sono non utilizzando JMP Pro
E non Avere SVEM,
Voi Potrebbe Dire, BENE, Va bene, cosa c'è tuo simulazione?
Qui, Che cosa È Meglio? AICc, contro BIC, contro Valore P.
Purtroppo, Appena utilizzando IL numero Di simulazioni noi abbiamo correre,
c'è non COME coerente approccio COME Là È con SVEM.
Se hai avuto UN grande numero Di corre, dove c'è o specificato
O correttamente specificato O specificato erroneamente, IL inoltrare O all'indietro AICc Fare BENE.
Pieno modello fa peggio, mentre In IL più piccola collocamento,
IL pieno modello fa Meglio Perché Tutto quelli termini Sono pertinente.
Anche IL Valori P Qui, pure.
Ora, Voi Vedere, 0,01 fa IL peggio, 0,01 fa IL migliore In grande collocamento.
Non consistenza, quale valore P usi?
0,01, 0,05, 0,1 .
IL Valore P da Questo visualizzazione È UN non sintonizzato ottimizzazione parametro,
COSÌ Forse migliore A Evitare Quello E bastone con IL AICc
Se tu sei In base JMP.
Tuttavia, Noi Avere visto Ora Quello
la SVEM approcci per questi ottimizzazione i problemi
Fare Dare Voi Quasi universalmente Meglio soluzioni
di IL separare sparo metodi.
Voi Potere Ottenere Meglio soluzioni con JMP P ro, con SVEM.
Grande.
IO Indovinare Noi Volere A Appena avvolgere su.
Alcuni Di IL chiave risultati Qui, Andrea.
Sì, E Anche, Jim, Qualunque altro Commenti?
Fare Voi Avere Qualunque altro Commenti pure Di questi ottimizzazione i problemi O nulla?
Interessante cose noi abbiamo visto recentemente?
Noi Avere, erano su contro tempo per Sicuro, Ma noi abbiamo Fatto Alcuni bello Sorprendente cose
Quello noi abbiamo Venire su con nuovo ingegnerizzato legname
quello è Meglio di suo mai stato
E propellenti Quello Sono avendo fisico proprietà
E prestazione Quello Noi non l'ho fatto visto Prima.
Noi Avere preso UN fare un passo,
UN salto In termini Di Alcuni Di IL capacità
Quello noi abbiamo visto In Nostro miscela modello.
Potere Noi riassumere con IL evidenziato proiettile giù Là,
Quello SVEM sembra A Essere Nostro modo A andare,
E Se Voi soltanto avevo uno Forse SVEM inoltrare selezione,
lo farai Essere coperto bello BENE.
SÌ, quello è Giusto, Perché Io sono Sempre impaurito.
Anche Anche se IL scorso lazo a volte Esso sembra meno con intercettare,
A volte Esso sembra leggermente Meglio.
IO non Sapere Se suo Forse uno O due casi erano in modo significativo Meglio,
Ma Sempre collo E collo con inoltrare selezione,
Ma Io sono Sempre impaurito Quello Io sono andando A dimenticare A giro spento NO intercettare
E Poi Dare me stessa qualcosa quello è peggio di facendo
O COME Cattivo COME facendo IL pieno modello.
Io sono Sempre impaurito Di facendo Quello.
SVEM inoltrare selezione con de colpa collocamento sembra Piace UN Bene sicuro modo A andare.
Perfetto.
BENE, con Quello, Noi in piedi pronto A Prendere tuo domande.
