4가지 요소가 포함된 맞춤형 설계에 복잡한 제약 조건 추가안녕하세요,
저는 4가지 요소(요소 A, B, C, D)를 사용하여 맞춤형 디자인을 만들고 있습니다.
요인 B와 D와 관련된 제약 조건에 대해 질문이 있습니다.
- 요인 B는 실제로 동일한 실험에서 순차적으로 수행되는 반응의 수입니다. 이는 1개의 반응, 2, 3개 이상의 반응을 순차적으로 수행할 수 있습니다. 나는 범위를 1-3으로 설정했습니다(지금은 3개 이상의 반응에 순차적으로 관심이 없기 때문에 더 높지는 않습니다).
- 요인 D는 순차적인 반응 사이에 내가 기다리는 시간입니다. 따라서 요인 B가 1보다 큰 경우에만 요인 D를 정의합니다. 범위는 0.1~10초입니다.요인 B가 1이면 요인 D는 0이 됩니다. 즉, 순차적으로 이루어진 반응의 개수(인자 
가 1개일 때 단지 1개의 반응이었기 때문에 인자 D는 존재하지 않으며, 따라서 다른 반응이 없으므로 1초도 기다릴 필요가 없습니다. 순차적으로 수행됩니다.
맞춤 설계 모델에서 이 제약 조건을 어떻게 정의할 수 있나요?
고마워요!!
추신: 저는 Mac을 사용합니다.
실험 설계맥 OSRe: 4가지 요소가 포함된 맞춤 설계에 복잡한 제약 조건 추가통찰력을 주셔서 감사합니다. @마크_베일리 그리고 @Victor_G !!
Re: 4가지 요소가 포함된 맞춤 설계에 복잡한 제약 조건 추가감사합니다, @Victor_G , 제공되는 모든 자료는 물론 신속하고 명확한 답변을 원하시면! 정말 유용해요!!!
Re: 4가지 요소가 포함된 맞춤 설계에 복잡한 제약 조건 추가다시 안녕 @ADouyon ,
첫 번째 개요로서, 그렇습니다. 맞습니다. 검정력(=효과가 실제로 활성화된 경우 효과를 감지할 확률)은 가능한 한 높아야 하며, 예측 분산 및 설계 공간 플롯의 비율은 가능한 낮아야 합니다. 하지만 님의 답변대로 @마크_베일리 , 실험 계획에서 필요한 것을 다른 디자인과 우선적으로 비교할 것입니다(모든 것을 높고/완벽하게 유지하는 것은 종종 불가능하거나 매우 많은 수의 실험을 희생해야 하기 때문입니다):
- DoE를 사용하여 주효과(및 교호작용)를 선별하는 경우 주로 예측 분산 및 설계 공간의 비율에 관심이 있는 것이 아니라 요인(교호작용) 간의 중요한 효과를 탐지하는 데 관심이 있습니다. 따라서 전력 분석에 더 집중하게 됩니다.
- 프로세스/공식을 최적화하기 위해 DoE를 사용하는 경우 예측 응답을 최대한 정확하게 얻고 싶으므로 예측 분산이 가장 낮습니다. 따라서 실험 공간에 대한 예측 분산과 설계 공간의 비율 플롯을 다른 설계와 비교합니다.
여기(및 다음 페이지)에서 설계 평가에 대한 일부 정보를 찾을 수 있습니다. 디자인(jmp.com)
예, 비교를 위한 기본 설계는 Custom-Design_0-replicates(실험 횟수가 가장 적고 반복 없음)였기 때문에 대부분의 다른 설계는 더 나은 성능을 보였습니다(반복 실행이 있으므로 유사하거나 더 나은 노이즈 추정이 가능함). 동일한 수의 실험에 대한 분산 또는 더 많은 수의 실험(마지막 2개 설계)을 수행하여 모든 효율성이 향상되었기 때문에 이 단순한 설계의 효율성은 다른 설계에 비해 나빴습니다(따라서 빨간색 값).
비교에서 기본 디자인을 변경하면 제시된 상대적 효율성이 변경되었을 것입니다(따라서 다른 디자인과 비교하여 디자인의 장점(녹색) 또는 단점(빨간색)에 따라 색상이 변경됨).
아니요, 제약 조건은 설계에 저장되므로 설계를 강화하고 복제하면(해당 메뉴에서 올바른 요인과 반응을 선택한 다음 "확인"을 클릭하여) 제약 조건이 기억되고 표시됩니다. 새 창에서 JMP를 통해 설계를 강화하는 데 사용할 수 있는 다양한 옵션(특히 "복제"의 경우)을 볼 수 있습니다. 각 실행을 수행하려는 횟수에 따라("복제"를 클릭한 후 JMP에서 요청) JMP는 초기 설계 실행의 "사본"을 생성합니다.
Re: 4가지 요소가 포함된 맞춤 설계에 복잡한 제약 조건 추가안녕 @ADouyon ,
JMP 웹사이트에 따르면 JMP 17의 새로운 기능은 곧(10월 말~11월 초) 제공될 예정입니다. JMP 17의 새로운 기능 | SAS의 통계적 발견 소프트웨어
여기에는 이미 이 새로운 기능(디자인 탐색기)에 대한 매력적이고 훌륭한 백서가 있으며, 이는 최적의 디자인 선택에 대한 매우 흥미로운 사용 사례를 약속합니다. JMP 디자인 탐색기의 도움을 받아 올바른 디자인 선택하기 | JMP
1- 정확해요! 명확하지 않아서 죄송합니다. 제 말의 의미는 이것이었습니다. 저는 JMP를 사용하여 컴퓨터에서 여러 가지 디자인을 만들고 첫 번째 디자인을 가지고 실험실에 가는 것보다 실험 예산, 목표, 제약 조건에 따라 가장 관련성이 높은 디자인을 선택하는 것을 선호합니다. 디자인을 만들고 나중에 일부 제약 조건을 잊어버렸거나 실험이 모두 가능하지 않다는 사실을 알게 되었습니다.
2- 물론이죠! 여러 설계와 각 설계에 해당하는 데이터 테이블을 생성한 경우 DoE -> 설계 진단 -> 설계 비교로 이동할 수 있습니다. 여기에서 모든 디자인 테이블(총 5개 디자인, 즉 4개 선택 + "디자인 비교"를 클릭한 디자인)을 선택하고 테이블에 다른 이름이 있는 경우 요소를 일치시킬 수 있습니다. 스크린샷과 동일한 이름(x1 및 x1, ...)이 있으면 JMP는 두 항목이 동일한 것으로 판단하므로 각 요소를 개별적으로 일치시킬 필요가 없습니다. 그러면 당신도 나와 같은 견해를 갖게 될 것입니다. 자세한 내용은 여기를 참조하세요: 디자인 평가 창(jmp.com)
3- "설계 진단" 정보는 각 설계의 장단점을 확인하기 위해 다른 설계와 비교해야 하는 값입니다. 각 효율성은 0에서 100까지 가능합니다. 다양한 효율성이 언급됩니다.
- D-효율성은 모수 추정 정밀도와 연결되어 있으며, 모델 내 효과의 유의성과 효과 크기를 정확하게 추정하기 위해 스크리닝/요인 설계에서 매우 중요합니다.
- G-효율성은 전체 실험 공간에 대한 예측 분산의 최소화와 연결되며, 최적화 설계에서 매우 중요합니다(인과적 설명/통계적 유의성보다는 예측 성능에 더 중점을 둠).
- A-효율성은 효과 간 앨리어싱의 최소화 및 최적화와 연결됩니다. A-효율이 높을수록 회귀 계수의 추정은 더 낮고 더 정확하며 편향되지 않습니다.
자세한 내용은 여기를 참조하세요: 설계 진단(jmp.com)
4- 아주 좋은 질문인데 명확한 대답이 없습니다. 이는 아마도 맞춤 디자인에 사용되는 좌표 교환 알고리즘과 디자인의 임의 시작/생성 지점 때문인 것으로 보입니다. 설계가 설계 공간의 무작위 점에서 생성되므로 실험 공간의 최적 점 재분배는 설계 생성마다 변경될 수 있습니다. 따라서 설계를 다시 생성할 때 값이 약간 변경되는 것을 볼 수 있습니다. 설계의 최적성을 너무 많이 변경하지 않고 이러한 값을 가장 가까운 값(여기서는 2)으로 수동으로 변경하거나, 결국 무작위 시작 횟수 및/또는 설계 검색 시간(빨간색)을 늘려 설계를 다시 생성해 볼 수 있습니다. "맞춤 디자인"에 가까운 삼각형을 보면 "시작 횟수"와 "디자인 검색 시간"을 찾을 수 있습니다.
Re: 4가지 요소가 포함된 맞춤 설계에 복잡한 제약 조건 추가진단 개요에는 많은 정보가 있습니다. 그 중 일부는 때때로 더 관련성이 있습니다. 모든 것을 살펴봐야 한다는 말은 아니지만 일반적으로 디자인을 비교하는 데 사용하는 정보는 어느 정도 선별적입니다. 검정력, 추정 효율성 및 추정치의 상관관계는 요인이나 요인 효과를 선별할 때 더욱 중요합니다. 반면, 모델 예측을 기반으로 요인 설정을 최적화할 준비가 되면 예측 분산(프로파일링 또는 통합)이 더욱 심각해집니다.
Re: 4가지 요소가 포함된 맞춤 설계에 복잡한 제약 조건 추가감사합니다 @Victor_G 모든 것을 이렇게 깊이 설명해주셔서! 정말 감사합니다!!
따라서 설계를 비교할 때 이상적으로는 '설계 공간 플롯의 비율'의 '예측 분산'이 낮고 '전력 분석 플랜트'의 '파워'가 높기를 원한다는 것을 이해합니다. ~1). 이 올바른지?
Design Diagnostics 효율성 값("color-map+efficiency_comparison"의 스크린샷에 표시됨)의 해석을 확장할 수 있는지 궁금합니다. 빨간색이 나쁘다는 것을 보여주지만 마지막 비교에는 빨간색 값이 더 많습니다(0 복제 vs 증강 디자인).
또한 제안한 대로 반복실험으로 설계를 보강할 때 제약 조건을 다시 정의해야 합니까?
감사합니다 @Victor_G 미리!!
최상의,
Re: 4가지 요소가 포함된 맞춤 설계에 복잡한 제약 조건 추가안녕 @Victor_G ,
여러 설계를 비교하는 것에 대한 9월 27일 답변에 대한 후속 조치입니다. JMP17에서 이 작업을 수행하는 것이 더 쉬울 것이라고 말씀하셨습니다. JMP17의 새 버전을 언제 사용할 수 있는지 궁금합니다. 정말 좋은 기능인 것 같아요!
1- 또한, 내가 이것을 이해했는지 확인하기 위해. 먼저 디자인을 비교하고 싶다고 말씀하실 때. 실험실이 아닌 JMP를 사용한다는 뜻입니다. 따라서 설계를 물리적으로 테스트하기 전에 항상 다양한 설계를 JMP DOE와 비교하는 것을 선호하시나요?
2- "Custom Design of Experiments" 과정에서 DOE 설계 비교에 대해 본 기억이 없습니다. 가능할까요? @Victor_G 당신이 가는 방법에 대한 더 많은 정보를 제공하기 위해 "DOE > 설계 진단 > 설계 비교"에서 에게 1) 검정력, 2) 분산 예측 프로파일 및 3) 상관 행렬/색상 맵 ? (해봤는데 정확히 무엇을 선택해야할지 헷갈리네요...)
3- 같은 맥락에서, 테이블을 만들기 직전에 볼 수 있는 "설계 진단" 정보(스크린샷 참조)의 의미는 무엇입니까?
4- 마지막 질문 
설계를 다시 만들 때 이제 JMP가 전혀 중앙에 있지 않은 'X1' 데이터 점을 1.93과 1.89(2개의 개별 실행)로 선택한 두 개의 실행을 선택한 이유는 무엇입니까? X1은 1~3 범위의 연속형 요인으로 설정됩니다. 이 요인에 대한 소수점은 괜찮습니다. 하지만 JMP가 실험 공간에서 더 멀리 분산된 값 대신 서로 가까운 두 값을 선택한 이유가 무엇인지 궁금합니다.
매우 감사합니다 @Victor_G 빠르고 자세한 답변을 위해!! 매우 도움이 되었습니다. 감사합니다!!! 나는 많은 것을 배우고 있습니다!
Re: 4가지 요소가 포함된 맞춤 설계에 복잡한 제약 조건 추가안녕 @ADouyon ,
올바른 디자인과 모델을 사용하면 비교가 약간 다릅니다.
- 검정력의 경우 반복실험을 하지 않거나 2~4회 반복실험을 한 설계 간에는 큰 개선이 없는 것 같습니다. 8번의 반복 실행(총 27번의 실험 실행) 또는 원래 설계 전체를 복제(총 36번의 실험)하면 검정력이 향상됩니다.
- 분산 예측의 경우 2번의 반복 실행(동일한 총 실행 수: 18)을 사용하면 4번의 반복 실행(또는 없음)보다 전체 공간에 대한 분산을 더 효율적으로 낮추는 것으로 보입니다. 8번의 반복 실행(27번의 실험!)을 사용하면 실험 공간에 대한 예측 분산이 약간 낮아지지만 2번의 반복 실행으로 얻는 것과 매우 유사합니다. 물론 원래 디자인을 복제하고 실험 횟수를 18회에서 36회로 두 배로 늘리면 예측 분산이 2로 나누어질 것입니다.
- 효율성 및 별칭 측면에서 전체 설계를 복제하면 용어 간에 동일한 별칭/상관 관계가 제공되는 반면, 반복 실행을 추가하면 일부 별칭이 변경되고 낮아질 수 있습니다. 효율성은 실행 횟수가 동일한 설계에서 매우 유사하며 실험 횟수를 늘리면 확실히 증가합니다.
이 부분이 여러분에게 도움이 되고 추가적인 혼란을 가져오지 않기를 바랍니다.
Re: 4가지 요소가 포함된 맞춤 설계에 복잡한 제약 조건 추가다시 안녕 @ADouyon ,
- "하한"은 상황에 대해 허용 가능한 가장 낮은 솔루션이며(최하한에서 최고 한도까지 가능하고 허용 가능한 값 범위를 정의함) 응답이 여러 개인 경우 영향을 미칠 수 있습니다. 고유한 반응의 경우 JMP는 어느 쪽이든 반응을 최적화(최대화/최소화 또는 값 일치)하려고 시도하므로 어떤 경우에도 올바른 반응을 찾아 하한을 피할 수 있으므로 크게 중요하지 않습니다. 요인 설정("최대화"의 경우). 변화는 바람직함 함수의 기울기에 따라 이루어집니다(JMP의 "Bounce Data" 사용 사례에서 하한 350으로 수행된 Profiler-1 및 하한 450으로 수행된 Profiler-2 스크린샷 참조).
반응이 여러 개인 경우 반응 만족도 프로필 중 하나의 기울기를 변경하면 발견된 최적 값이 변경될 수 있습니다. JMP는 전체 만족도 값(모든 반응 만족도 함수를 고려하여)을 최대화하려고 시도하므로 반응에 대한 기울기가 더 가파르게 됩니다. 이는 이 응답이 바람직성 최적화 솔루션에 더 큰 영향을 미칠 수 있음을 의미합니다(허용 가능한 값의 범위를 줄이게 되므로, Tiretread.jmp 데이터세트의 스크린샷 Profiler-desirability-1 및 Profiler-desirability-2와 프로파일러 최적화 비교 참조). JMP 데이터 사용 사례에서 발췌) 또한 각 응답에 대해 고정된 중요도가 최적 발견에 큰 영향을 미친다는 점을 고려하세요. 응답 중요도가 클수록 발견된 최적 상황에 대한 이 응답의 영향력도 커집니다.
바람직성 프로필에 대한 자세한 내용은 여기에서 확인할 수 있습니다. 만족도 프로필(jmp.com)
- 반복실험의 사용 및 횟수는 목표, 효과에 대한 검정력, 실험/예측에 대해 예상되는 정밀도 등에 따라 결정됩니다. JMP에는 "반복 실행 횟수"(맞춤 디자인에서)라는 두 가지 옵션이 있다는 점에 주의하세요. 여기에 반복할 실행 횟수가 있습니다. 및 "반복 횟수"(고전 설계)는 다음을 의미합니다. 그는 각 실행을 여러 번 수행합니다(원래 실행 외에도). 답변: 맞춤형 설계 반복실험 횟수 - JMP 사용자 커뮤니티 .
이 모든 것을 모르고(그리고 도메인 전문 지식 없이) 귀하의 사례에 더 적합한 선택이 무엇인지 알기는 어렵지만, 다른 옵션(반복 실행 없음, 2회 반복 실행, 4회 반복 실행, 8회 반복 실행)을 시도해 보는 것이 좋습니다. ...) "설계 비교" 플랫폼(DoE -> 설계 진단에 있음)을 사용하여 해당 사례에 가장 적합한 실행 횟수를 평가합니다(반복 횟수가 가장 적을 때 가장 큰 영향). 첨부된 각 DoE에 대해 생성된 개별 데이터 테이블을 사용하여 검정력, 분산 및 상관 관계 비교에 대한 0, 2, 4 및 8회 반복 실행에 대한 DoE 설정을 사용하여 수행된 다양한 비교를 찾을 수 있습니다. 여기서 2회 및 4회 반복 실행의 경우 JMP는 이러한 설계에 대해 유사한 속성을 갖는 동일한 기본 실험 수(18개)로 끝납니다. 그러나 검정력, 분산 예측 프로파일(0회 반복 실행과 0회 반복 실행의 경우 거의 요소 2로 나누어짐) 및 상관 행렬 측면에서 0회와 2/4회 반복 실행 사이의 차이를 명확하게 볼 수 있습니다. 색상 맵(모델의 항 간의 별칭)이므로 여기서는 18회 실행 설계(2회 또는 4회 반복 실행)가 실험 비용을 너무 많이 늘리지 않고 신뢰할 수 있는 결과와 정밀도를 얻기 위한 좋은 절충안이 될 수 있습니다(8회 반복에 대한 27회 실험). 디자인을 실행합니다!).
복제/삼중... 설계와 실제로 비교하고 싶다면(반복 실험뿐만 아니라 반복 실험도 포함하기 위해) JMP에서 제안한 원본 설계(반복 실험 없이 9번의 실험 포함)를 만든 다음 이를 보강할 수 있습니다. (DoE -> Augment Design에서) "복제" 옵션을 선택합니다. 그런 다음 JMP는 각 실행을 수행할 횟수를 묻습니다. 따라서 "2"를 입력하면 18번의 실행이 포함된 중복 설계가 생성됩니다. 이 경우 두 가지 옵션(반복 및 반복 실행)은 동일한 실행 횟수에 대해 매우 유사한 설계 성능을 제공합니다(여기에서는 총 18번의 실행으로 테스트됨).
- 이 문제를 어떻게 처리해야 할지 정확히 모르겠습니다. 실험 공간에서 어떤 조건이 실험을 성공/실패하게 만드는지 모르는 경우 "범위 지정 디자인"( 범위 지정 디자인 | 프리즘 (prismtc.co.uk) ) 실험실에서 요인 조건이 가능한지 확인합니다(그런 다음 이 설계를 선별 설계로 강화하고 아마도 반응 표면 모델을 사용하여 최적화 설계로 강화한 후).
어떤 요인 조건이 실험을 실패하거나 성공하게 만드는지 이미 알고 있는 경우 DoE에 설정을 포함하고 적절한 실행을 생성할 수 있으며 이러한 실행도 설계의 일부로 또는 분석에 포함하거나 추가할 수 있습니다. 검증 포인트(설계 분석에서는 제외되지만 설계 예측이 지식과 일치하는지 확인하기 위해 마지막에 추가됨)
이 답변이 도움이 되기를 바랍니다(글이 길어서 죄송합니다).
추신: 원래 설계에는 반복 실행 없이 9번의 실행이 있습니다. 이는 모델에 X1*X1 및 X1*X2 항을 추가하지 않았기 때문입니다. 그러나 설계의 일반적인 표현과 비교는 여전히 유효할 수 있습니다. 확인을 위해 확인해야 할 수도 있습니다. 필요한 경우 오늘 디자인을 변경하고 유효한 비교 및 스크린샷을 제공할 수 있습니다.)
Re: 4가지 요소가 포함된 맞춤 설계에 복잡한 제약 조건 추가다시 안녕 @Victor_G ,
몇 가지 후속 질문이 있습니다.
1- 가능한 가장 높은 값으로 반응을 최대화하려면 반응의 '하한'을 정의해야 합니다. 그렇죠? 그런데 이 '하한'이 그렇게 중요한가요? 이것을 10, 50, 100으로 설정해도 상관없나요? (저는 이 '하한' 값을 어떻게 처리해야 할지 모르겠습니다. 저는 가능한 최대 응답을 얻는 데만 관심이 있기 때문입니다.)
2- 제가 작업하고 있는 이 DOE는 생물학적 반응을 위한 것입니다. 일반적으로 과학/생물학에서는 각 조건(실행)에 대해 반복 실험을 수행합니다. 즉, 각 실험을 두 번(또는 세 번) 수행한다는 의미입니다. 나는 이것이 실용적이지 않다는 것을 이해합니다. 내 DOE가 총 18개의 실행으로 구성되어 있다면 18개의 실행을 모두 복제하는 것은 의미가 없습니다. 왜냐하면 총 36개의 실행이 되어 DOE를 사용하는 목적이 무산되기 때문입니다. ...
그러면 반복 실행 횟수를 결정하려면 어떻게 해야 합니까? 2회, 4회, 10회 반복이 필요한지 어떻게 결정합니까?
3- 같은 맥락에서 과학/생물학 분야의 연구자들은 일반적으로 실험에 부정적인 대조 반응과 긍정적인 대조 반응을 추가합니다. 그것은 실패할 것이라는 것을 미리 알기 때문에 실패할 것으로 예상하는 반응이고, 잘 작동한다는 사전 지식이 있기 때문에 성공할 것으로 기대하는 반응입니다. DOE 사용자는 일반적으로 이 문제를 어떻게 처리합니까?
매우 감사합니다 @Victor_G 너의 도움으로!!!
최상의,
Re: 4가지 요소가 포함된 맞춤 설계에 복잡한 제약 조건 추가다시 감사합니다 @Victor_G 항상 너무 빠르고 명확한 답변으로 응답해 주셔서 감사합니다!! 매우 감사!
(그에 대한 추가 게시물을 작성하려고 할 수도 있습니다. 단지 호기심에서 )
Re: 4가지 요소가 포함된 맞춤 설계에 복잡한 제약 조건 추가매우 감사합니다 @Victor_G ! 방금 시도해봤는데 성공했어요
Re: 4가지 요소가 포함된 맞춤 설계에 복잡한 제약 조건 추가안녕하세요 @ADouyon ,
소수점 값을 사용할 수 없는 요소의 경우 두 가지 옵션이 있습니다.
- 첫 번째이자 쉬운 방법은 형식을 "Fixed Dec" 및 Dec = 0으로 변경하여 데이터 테이블에서 소수 값이 없는 숫자를 변경하는 것입니다(스크린샷 참조). 그러나 설계는 최적성을 약간 잃을 수 있으며 예측 프로파일러 모델의 이러한 요소에 대한 최적 값에는 소수점이 있을 수 있습니다.
- 다른 방법은 이러한 요소를 지정된 수준의 "이산 숫자"로 처리하는 것입니다(이산 숫자 요소 유형에 대한 자세한 내용은 이전 의견을 참조하세요). 이 "제약"이 모델에서 직접 고려되기 때문에 이 방법이 더 좋아 보입니다. 귀하의 경우 개별 숫자 요소의 수준에서 장비의 가능한 모든 수준(1씩 증가)을 사용하는 것은 흥미롭지 않을 수 있지만 다음과 같은 경우에는 최소 3개 수준(최소, 중간 및 최대)을 선택하는 것이 흥미로울 수 있습니다. 가능한 2차 효과를 살펴보기 위해. 예측 프로파일러에서는 범주형 요인으로 처리되지만 수준의 순서(예: 2 < 5 < 7 ... 요인 4의 스크린샷 참조)를 염두에 두어 각 요인 간의 추세를 확인할 수 있습니다. 수준.
다른 옵션이 있을 수 있으므로 주저하지 말고 새 게시물을 작성하고 다른 사용자의 의견과 응답을 확인하세요.
마지막으로 가장 편한 옵션을 선택하세요.
도움이 되길 바랍니다.
Re: 4가지 요소가 포함된 맞춤 설계에 복잡한 제약 조건 추가안녕 @ADouyon ,
"선형 제약 조건 지정" 옵션을 통해서만 제약 조건을 저장하고 불러올 수 있는 것 같습니다.
귀하의 경우에 할 수 있는 일은 다음과 같습니다.
- 추가한 제약 조건을 사용하여 DoE를 완전히 생성하면 데이터 테이블에 "Disallowed Combinations"라는 새 스크립트가 표시됩니다(Disallowed_Combinations-datatable-script.jpg 스크린샷 참조).
- 마우스 오른쪽 버튼을 클릭한 다음 "편집"을 클릭하면 허용되지 않는 조합의 JSL 코드를 복사할 수 있습니다(Disallowed_Combinations-datatable-script-Edit.jpg 참조).
- 사용자 정의 디자인 생성 시 "허용되지 않는 조합 스크립트 사용" 옵션에서 이를 사용(붙여넣기)합니다(스크린샷 "Use-disallowed-combinations-script.jpg 참조).
이를 수행하는 더 스마트하고 자동적인 방법이 있을 수 있지만(JSL 스크립팅을 통해?) 이 접근 방식이 작동합니다(허용되지 않는 조합을 수동으로 다시 만들 필요가 없습니다).
그것이 당신에게 도움이 되기를 바랍니다!
Re: 4가지 요소가 포함된 맞춤 설계에 복잡한 제약 조건 추가또한, @Victor_G 내 요인 값이 소수(예: 0.5)를 가질 수 없도록 모델에서 어떻게 지정할 수 있는지 아시나요? 내 요인 중 두 가지는 도구에 설정한 변수입니다. 하지만 기기에서는 정수여야 하기 때문에 소수 단위를 사용할 수 없습니다. 이 기기를 사용하면 사용자는 이러한 요소의 값을 1 단위(예: 21, 22, 23...) 단위로 변경할 수 있습니다.
어떻게든 내 제약 조건에 이것을 추가할 수 있나요?
미리 감사드립니다 @Victor_G !
최상의,
Re: 4가지 요소가 포함된 맞춤 설계에 복잡한 제약 조건 추가안녕하세요 @Victor_G 다시! 간단한 질문이 있습니다. 요인과 반응에 대해 할 수 있는 것처럼 모델 제약 조건을 저장할 수 없는 이유를 알고 계십니까?
감사합니다!
최상의,
Re: 4가지 요소가 포함된 맞춤 설계에 복잡한 제약 조건 추가여러분의 친절한 의견과 피드백에 진심으로 감사드립니다. @ADouyon !
내 답변이 도움이 되고 충분히 명확했다면 기쁠 것입니다!
Re: 4가지 요소가 포함된 맞춤 설계에 복잡한 제약 조건 추가다시 한 번 감사드립니다, 빅터!
Re: 4가지 요소가 포함된 맞춤 설계에 복잡한 제약 조건 추가정말 감사합니다. @Victor_G ! 매우 감사합니다! 귀하의 의견은 매우 유용하고 명확합니다. 감사합니다!
Re: 4가지 요소가 포함된 맞춤 설계에 복잡한 제약 조건 추가Prism Training & Consultancy가 제공하는 실험의 순차적 특성에 대한 훌륭한 리소스를 언급하는 추가 의견: 기사: 고전적 실험 설계의 순차적 성격 | 프리즘 (prismtc.co.uk)
이 문서에서는 요인에 대한 실험 범위를 생성 및 평가하는 것부터 선별 및 최적화에 이르기까지 DoE 이면의 프로세스를 매우 잘 설명합니다. 이 내용은 귀하가 관심을 가질 만한 일련의 기사 중 일부입니다.
즐거운 독서 되세요!
Re: 4가지 요소가 포함된 맞춤 설계에 복잡한 제약 조건 추가안녕 @ADouyon !
답변이 도움이 되었다니 기쁘네요. 이러한 관행이 얼마나 흔한지는 모르겠지만 저는 개인적으로 실험실에 가서 빠르게 실험을 수행하여 제약 조건을 잊어버렸는지 확인하는 것보다 다양한 디자인과 샘플 크기를 비교하는 데 더 많은 시간을 보내는 것을 선호합니다. 내 디자인이 내 요구에 충분히 적합하지 않습니다.
--> 이를 설명하기 위해 저는 Ronald Fisher의 다음 인용문을 정말 좋아합니다. 실험이 끝난 후 통계학자와 상담하는 것은 단순히 사후 조사를 요청하는 것일 뿐입니다. 그는 아마도 실험이 왜 실패했는지 말할 수 있을 것입니다."
설계가 다르면 다른 모형에 어떤 항이 있는지에 따라 결과가 다르게 해석될 수 있습니다. 예를 들어, 주효과만 있는 선별 설계는 연구의 후속 조치를 위해 관련 요인을 필터링하는 데 도움이 될 수 있지만 2가지 요인 상호 작용 및/또는 2차 효과가 있는 경우 정밀도와 반응 예측성이 분명히 부족할 수 있습니다(적합성 부족 가능성) ).
다양한 디자인을 생성하고 비교할 수 있는 몇 가지 옵션이 있습니다.
- 모형의 항(2개 요인 상호 작용, 2차 효과 등) 또는 추정 가능성(2FI 및 2차 효과에 대해 추정 가능성을 "필요"에서 "가능한 경우"로 전환할 수 있음)을 변경(추가/제거)합니다.
- 반복 실행을 추가하여 설계에서 표본 크기(실험 수)를 다양하게 합니다. 추가 실행은 실험 공간에 대한 추정 정밀도 또는 상대적 분산 예측을 얻을 수 있을 만큼 충분히 관련성이 있고 유용합니까?
- 최적성 기준 변경(목표에 따라: 선별을 위한 D-최적성, 우수한 반응 예측 정밀도를 위한 I-최적성, 모델 내 항 간의 앨리어싱을 개선하기 위한 별칭-최적성...)
- 디자인 유형을 변경하세요(가능하다면!)...
지금은 다양한 DoE를 비교하려면 JMP에서 DoE를 생성한 다음 "DoE", "설계 진단", "설계 비교"로 이동해야 합니다. 하지만 ... 스포일러 경고 ! : JMP 17에서는 DoE 생성에 "Design Explorer" 플랫폼이 포함되므로 여러 설계를 비교하는 것이 훨씬 쉬워집니다(스크린샷 참조). 따라서 수동으로 하나씩 생성할 필요가 없습니다. 몇 초 만에 디자인하고 목표와 결정 기준에 따라 필터링할 수 있습니다.
그리고 마지막으로 "반복적 디자인"을 활용하고 하나의 (큰) 디자인으로 모든 질문을 해결하려고 기대하거나 시도하지 마십시오. 예를 들어 스크리닝 설계로 작게 시작한 다음 증강을 사용하여 상호 작용 및 가능한 비선형 효과와 같은 더 자세한 내용을 검색하는 것이 더 강력하고 효율적일 수 있습니다. 마지막으로, 목표가 무언가를 최적화하는 것이라면 전체 반응 표면 모델에 맞게 설계를 다시 한 번 강화할 수 있습니다. 각 단계에서 시스템에 대한 더 많은 지식을 수집하고 실험/실행, 시간 및 리소스를 낭비하지 않고 다음 증강 설계가 더 많은 지식을 가져올 수 있는지 확인합니다.
"증강 설계" 플랫폼은 더 많은 데이터를 수집하고 더 많은 이해를 얻으며 이전 정보를 잃지 않고 더 정확한 모델을 구축할 수 있는 실제로 강력한(그리고 종종 과소평가되는) 도구입니다.
이 답변이 도움이 되길 바라며,
Re: 4가지 요소가 포함된 맞춤 설계에 복잡한 제약 조건 추가매우 감사합니다, @Victor_G !! 정말 감사합니다. 귀하의 답변은 매우 도움이 됩니다!!
저는 JMP DOE에 대한 몇 가지 과정을 수강했는데 첫 번째 실험에 노력의 25% 이상을 투자하면 안 된다는 내용을 읽었습니다. 우리에게 시간은 우리가 가진 가장 제한된 자원입니다. 말씀하신 것처럼 비교를 위해 서로 다른 샘플 크기를 사용하여 둘 이상의 디자인을 생성하는 것이 일반적인지 궁금합니다. 디자인은 결국 같은 결과를 주어야 하지 않나요? 그것에 대해 좀 더 확장해 주시겠어요?
감사합니다!!!
최상의,
Re: 4가지 요소가 포함된 맞춤 설계에 복잡한 제약 조건 추가안녕 @ADouyon ,
첫 번째 답변이 도움이 되셨다니 다행입니다.
기타 질문에 관해:
- 두 번째 스크린샷에서는 두 가지 제약 조건이 잘 지정되어 있는 것 같습니다. 첫 번째 대답에서는 직접 수행하는 것을 잊어버렸지만 빨간색 삼각형을 클릭한 다음 "모델링 유형" = 범주형/서수를 클릭하여 필터 제약 조건에서 B 요소의 형식을 변경할 수 있습니다. 제약 조건을 만드는 것이 더 쉽고 단순히 B를 1로 고정하고 싶을 때는 0<= B < 1,99와 같은 것을 사용하지 마세요(스크린샷 제약 조건2 참조). 귀하의 설계 매트릭스와 내 설계 매트릭스를 살펴보면 제약 조건이 존중된 것으로 보이므로 제대로 작동할 것입니다.
- 예, JMP가 이를 추가하고 기본적으로 추정성을 "가능한 경우"로 지정하므로 더 많은 실행이 필요하지 않으므로 이를 유지해야 합니다. 그러나 실행은 실험 공간에서 더 잘 구성되므로 충분한 경우를 대비할 수 있습니다. 모델의 자유도가 높으면 JMP는 이산 수치 요인의 2차 항을 추정하려고 시도합니다. 그리고 범주형 요인과 비교할 때 이산 숫자 요인이 있다는 것은 순수 범주형 요인(수준 간 관계가 없으며 수준은 명목형임)과 비교하여 JMP가 수준 간에 관계가 있음(순서가 지정됨)을 알고 있음을 의미합니다. Discrete Numeric과 Categorical의 차이점을 설명하는 비디오가 있습니다. 친애하는 DOE 박사님, Discrete Numeric은 단지 범주형이 아닌가요? - JMP 사용자 커뮤니티 .
더 많은 실행을 수행할 여유가 있다면 몇 가지 반복 실행을 추가하여 주효과의 검정력을 높이는 것이 좋습니다(실제로 존재하는 경우 중요한 주효과를 탐지하는 능력 향상). 심각한 실험 예산 제약이 있을 수 있지만 여러 설계를 여러 표본 크기와 비교하면 요구 사항에 가장 적합한 상황을 선택하는 데 도움이 될 수 있습니다.
이번 후속 조치가 귀하에게도 도움이 되기를 바랍니다.
Re: 4가지 요소가 포함된 맞춤 설계에 복잡한 제약 조건 추가안녕하세요 @Victor_G ,
귀하의 빠른 응답에 진심으로 감사드립니다! 이것은 매우 도움이 되었습니다!
몇 가지 후속 질문이 있습니다.
1- 요인 B(생물학적 반응의 수인 이산 수치 요인)가 2 이상(3)인 경우 요인 D는 0이 될 수 없습니다.모델에 이 두 번째 제약 조건을 어떻게 추가할 수 있나요?
시도했지만 제대로 했는지 확신할 수 없습니다(스크린샷 첨부).
2- 모델은 가능한 경우 추정 가능성 =을 사용하여 2차 항 B*B를 자동으로 추가합니다. 이 용어를 유지해야 한다고 생각하시나요? (첫 번째 디자인을 너무 크지 않게 만들려고 노력 중입니다.)
감사합니다!!
Re: 4가지 요소가 포함된 맞춤 설계에 복잡한 제약 조건 추가안녕 @ADouyon ,
커뮤니티에 오신 것을 환영합니다!
문제와 옵션을 살펴보면 다음과 같은 권장 사항이 있습니다.
- 먼저, 반응의 수가 정수이기 때문에 요인 B를 이산형 숫자로 정의합니다(예를 들어 1,7개의 반응은 가질 수 없으며 사례 연구에서는 1, 2 또는 3만 있을 수 있음).
- 반응이 하나만 있을 때 대기 시간을 0으로 설정하려면 요인 D의 낮은 수준을 0으로 고정해야 합니다.
- 요인 D(시간)는 설계에서 연속 요인(지정된 범위 내에서 원하는 반응 시간을 가질 수 있음)이므로 모델에 2차 항 D*D를 추가하는 것이 좋습니다. (화학) 반응의 경우, 시간은 생산량/생산량과 선형 관계가 아닌 경우가 많습니다.
- 응답을 저하 없이 "온라인"으로 측정할 수 있는지 여부에 따라 응답 대 시간(입력 요인 사용)의 모델링을 위해 여러 시간 간격으로 응답을 기록하는 것이 합리적일 수 있습니까?
- 마지막으로, 저는 귀하의 주제에 대해 잘 모르지만 요인에 대해 다른 설정을 선택하면 문제를 해결할 수도 있습니다(예: 반응 시간에 대한 대기 시간 변경).
입력 내용에 따라 "허용되지 않는 조합 필터 사용"으로 이동하여 디자인에서 제외할 범위를 선택할 수 있습니다(여기서는 1 =< B < 2 AND D > 0, 예를 들어 스크린샷 제약 조건 참조). 그런 다음 JMP는 이 특정 제약을 해결하는 설계를 제공해야 합니다(스크린샷 매트릭스 및 실험 공간 참조).
이 주제에 대해 생각해 볼 수 있는 더 나은(그리고 더 스마트한) 방법이나 더 적절한 설계/요소 구성이 있을 수 있지만 이것이 귀하의 요구와 질문에 답해야 합니다.
도움이 되길 바랍니다.
