ドウとパワーこんにちは、
実験を計画し、各パラメーターの計画と検出力を確認するとき (初期設計ステップで)、RMSE を変更するオプションがあります。 それを変えると明らかにパワーが変わります。 問題は、このパラメータを事前に（たとえばスクリーニング実験で）どのように予測または想定できるかです。
ありがとう実験計画法Re: 雌鹿と権力常に測定システムを疑問視することについては議論の余地はありません。 これは、事前に理解することも、処理内でネストされたコンポーネントを使用して実験中に理解することもできます。 私は、「典型的な」ゲージ R&R よりも優れた方法があると信じています (Wheeler を参照)。
しかし、私の主張は測定誤差とはあまり関係なく、実験誤差がどのように推定されるか、そしてそれが実験中に何を表すかに関係しています。
Re: 雌鹿と権力@スタットマンあなたはここで本当に良い点を指摘していますね。 おそらくほとんどの場合、処理効果が実稼働で通常期待されるものと比べて大きいかどうかを本当に理解したいため、実験のノイズ (RMSE) に典型的なプロセスの変動を反映させたいと考えます。たとえば、15 回または 20 回の DOE 実行中に 3 回の反復 (最初付近に 1 回、中間付近に 1 回、終わり近くに 1 回) を実行し、平均すると広がりがほとんどなく「同様の」結果が得られるとします。であれば、測定プロセスが安定しているという合理的な兆候が得られます。
しかし、「少し」とはどれくらいの広がりなのでしょうか？ゲージ R&R は、おそらく DOE (プロセスの特性評価と発見のため) を行う前に、Y の測定方法の精度のベースラインを検討するのに役立ちます。ゲージ R&R で測定システムの再現性と再現性 (精度) を特徴付けることができれば、DOE を実行する前に、少なくとも Y の測定において「許容可能な精度」として判断するベースラインが得られます。 もちろん、これを DOE と同時に行うこともできます。 それはすべて実際に依存します。私の考えでは、測定システムの「堅牢性」のようなものに依存します (これは、これまでに測定システムをどの程度適切に特徴付けてきたか、システムがどの程度複雑であると考えているかなどによって決まります) 、ゲージ R&R 研究の範囲に含まれるか含まれない可能性がある対象部品と測定システムの相互作用について、私たちはどの程度理解しているでしょうか... それも議論の余地があります!)
Re: 雌鹿と権力おそらくですが、問題は、治療効果 (因子と相互作用) は、プロセスの「典型的な」変動と比較したときに有意であるかということです。 中心点の実行が現在の条件である場合、これらの複製 (設計順序全体にわたってランダム化) により、プロセスの現在の変動と、この変動と比較していずれかの処理が重要かどうかの適切な推定値が得られる可能性があります。 目的は、設計空間における治療効果の重要性を判断することではありません。 治療効果が将来的に顕著で有用であるかどうかを判断するためです。
Re: 雌鹿と権力素晴らしい議論。業界における私の親愛なる指導者の一人として、 @charles_chenこう言うのが好きです: 「R&R と DOE を合わせて評価します。」
Re: 雌鹿と権力こんにちは、フィルさん
これは良い点であり、因子空間全体のノイズに関して同意します。 実際に実験を行って極端な設定を測定した場合、装置/機械/原材料の特性の制限により結果が異なる場合があります。 このような場合、私が信じているのは、DoE 設計を開始するためにノイズと信号の平均値を考慮することです。
Re: 雌鹿と権力はい、 @パトリックジュリアーノ, 「ノイズ」が因子空間全体で一定ではない場合も多くなると思います。 直感的には、係数を範囲の極端に設定すると、実験のばらつきが大きくなります。 これは、実験後の RMSE 推定に中心点の繰り返し実行を使用することに対する反対の議論としてよく取り上げられます。因子空間の中心の変動は、おそらく、因子空間の他の場所の変動の適切な推定値ではありません。
Re: 雌鹿と権力@Phil_Kayこれはすべて、あなたが説明した方法で非常に理にかなっています。いくつかの点で私の考えに答えて明確にしていただき、ありがとうございます。RMSE は Y の分散を反映します機能としてXの。したがって、合理的に正確な RMSE の「歴史的」推定値を取得するには、少なくとも X の固定レベルで Y を測定する必要があります。これだけは非常に明らかです。
X のレベルが異なると分散が一定にならない可能性についてあなたが言及したもう 1 つのことは、良い考慮事項です。それらのレベルで (繰り返し) テストしなかった場合、確かなことは分からず、したがって、時には当てはまらない仮定を立てていることになります。 Y の分散が X の異なるレベルで異なる可能性があることは非常に明白です。たとえば、測定システムの問題を含むさまざまな理由が挙げられます。 光学計測の測定で「視差」が見られた業界の事例を覚えています。たとえば、円筒形部品の端近くでの測定では、バックライトの反射率によりエッジが発生するため、部品の中心よりも視野に大きな変化が生じます。検出の問題。
Re: 雌鹿と権力同意します、有益な情報をありがとうございました@Mark_Bailey
Re: 雌鹿と権力ありがとう、まったく同意です。DOE のアプローチ自体は、他のアプローチよりもはるかに分析的で専門的です (通常は直感に基づいています)。
Re: 雌鹿と権力ここでは別のアプローチを紹介します。 RMSE と係数の初期値は非現実的であるように思えるかもしれません。 期待値が 1 になる頻度はどれくらいですか? 実際にはその可能性は非常に低いです。 一方、これらの値を組み合わせると、各項によって寄与される効果 (係数の 2 倍) が RMSE の 2 倍になると予想される場合も表します。 つまり、応答分散の相対的な尺度です。 このアプローチは、RMSE と係数の絶対値を決定することが難しい場合に役立ちます。
Re: 雌鹿と権力@パトリックジュリアーノ- 予測子 (因子) の分散の推定値を使用することもできますが、分散が応答にどのように伝播するかを計算するには、それらの因子が応答にどのような影響を与えるかを知る必要もあります。 つまり、応答と因子のモデルが必要になります。それはあなただけが持っています。後実験を実行しました。 (また、応答の測定変動の推定値を追加する必要もあります。)
非常に簡単に言うと、一定の係数設定で繰り返し実行した場合の応答の標準偏差が必要なだけです。 おっしゃるとおり、この推定値の CI を見ることは役に立ちます。標準偏差を推定するための大きなサンプルがない限り、不確実性が大きくなるからです。 そして、これは電力の見積もりに大きな影響を与えます。 また、この推定値がすべての因子空間の変動を反映しているのか、それとも繰り返し実行した設定のみの変動を反映しているのかを考慮する必要もあります。
さて、私の論点に戻りますが、電力の絶対推定値は工業実験では役に立たないことがよくあります。
Re: 雌鹿と権力お力になれて、嬉しいです、 @yanivD 。 電力解析について私が懸念しているのは、人々が DOE を使用できなくなるのではないかということです。 検出力は 0.8 以上である必要があるとよく聞きます。 したがって、DOE ソフトウェアの検出力解析を見て 0.8 未満の値が得られた場合、設計された実験は気にしなくてもよいのではないかと考えるだけです。 ただし、絶対数は、検出する必要があるノイズと信号を適切に推定した場合にのみ意味があることを理解する必要があります。 多くの場合、これらの一方または両方について適切な見積もりが得られません。 したがって、電力推定値は意味がありません。 しかし、それは計画された実験に何か問題があることを意味するものではありません。
Re: 雌鹿と権力@ih 、 @Phil_Kay私は、応答の RMSE の合計推定値は、各予測変数に起因する二乗分散の合計になると考えます。それは RMSE の妥当な推定点だと思われますか?それとも、必ず予備的な多因子実験を実行し (または観察的にデータを収集し)、応答対予測変数に適合したモデルに基づいて応答の RMSE を計算する必要がありますか?
RMSE の最悪の場合 (可能な限り高い) 推定値 (可能な限り低い値ではなく) を使用することを潜在的に検討することは理にかなっていますか?たとえば、平均シグマ推定値の信頼限界の上限 95% を考慮することは、より保守的になる可能性があると思います (母集団の総平均シグマ (RMSE) が実際に大きいという仮定の下では、検出力の推定値が低くなります)サンプルで観察されたものより）。
Re: 雌鹿と権力ありがとう、試してみますRe: 雌鹿と権力ありがとう Phil、いつものように、ここでもサポートに感謝します:folded_hands: :smiling_face_with_smiling_eyes:Re: 雌鹿と権力完全に同意します@ih 。 また、時にはそれができないという答えが返ってくることもあると思います。 電力 (およびその他の設計診断) は、多くの場合、次のような場合にのみ実際に役立ちます。相対的ある設計を別の設計と比較するための尺度。 多くの場合、信頼できる推定値を得るのに十分な情報がありません。絶対力。 このような以前の質問に対する回答は次のとおりです役立つかもしれません。
Re: 雌鹿と権力ここでは、研究対象のシステムを理解することが役立ちます。システムをモデル化するときに、どれくらいうまくできると思いますか?過去のデータがある場合は、システムが定常状態にあるときの応答の変動を測定します。本当にわからない場合は、最初にいくつかの測定を行い、それらの応答の標準偏差を最終モデルの可能な最低 RMSE の概算値として使用する必要があるかもしれません。
