DOE による実験の強化、今後の実験への影響こんにちは、
実験空間のパラメータを入力すると、その空間を最も効率的に探索するための DOE が作成されることを理解しています。 私の質問は、DOE に対する以前のデータの影響に関するものです。
以前のデータがパラメーター空間の一部をすでに調査している場合、DOE は残りのパラメーター空間を最も効率的に調査するためにこのデータを考慮しますか? それとも、DOE はフィッティングにデータを使用するだけで、あたかもまだ何もわかっていないかのようにその空間を調査するのでしょうか?
御時間ありがとうございます
エネルギー省Re: DOE による実験の強化、今後の実験への影響デビッド、
私はその曲を聞いたことがありません。 私の理容師は、私が従事していた仕事内容を説明したときに、私のあだ名を付けてくれました。 偶然ですが、映画『バットマン』が公開された頃でした…。
安定性と一貫性は、サンプリングと管理図の方法を使用して評価するのが最適です。 基本的に、モデルごとにプロセスを設定し、変化する条件（時間を代理として）上で実行します。 範囲グラフまたは移動範囲グラフを評価して、一貫性を評価します。
たとえば、最初にモデルを作成するときにデータを保持し、保持されたデータ ポイント (ブーストされたトレス、ブートストラップ フォレスト、最近傍など) に対してモデルをテストするなど、実行できる統計手順は他にもあります。 これらは依然として、将来の条件ではなく、元のデータが取得された推論空間に依存しています。 プロセススクリーニングプラットフォームもチェックしてみてください。これは管理図法を使用しています。
https://www.jmp.com/support/help/en/17.0/?os=mac&source=application#page/jmp/the-process-screening-report.shtml
Re: DOE による実験の強化、今後の実験への影響こんにちは、スタットマン（「スキャットマン」という曲を思い出します）、
パラメーターの選択についてご理解いただきありがとうございます。すべての変数を考慮に入れていないという点には完全に同意します。 おそらく、現在の状態に対する予備調査として、データを使用して最も「重要な」変数を選択する試みとしてスクリーニング調査を実行したことを共有する必要があると思います。 もちろん、私たちのスクリーニング テストでもすべての変数が含まれていたわけではありません。スクリーニング テストの実験数をより実行可能にするために、いくつかの変数を削減したことは認めます (おっしゃるとおり、私たち自身の仮説に基づいて)。
モデルの安定性を評価する方法について教えていただけますか? これを理解し、定量化できることは、私たちにとって非常に価値があります。
- デビッド
Re: DOE による実験の強化、今後の実験への影響私には別の見方があります。 まるで実験空間が一定であり、その空間をサンプリングする方法を変えるだけだと信じているように聞こえます。 おそらくそれは素晴らしいことでしょうが、残念ながらまったく非現実的です。 産業実験の何パーセントが実際に繰り返されますか? 同じ設計構造を (ノイズ条件を変えて) 再度実行した場合、同じ結果が得られますか? なぜ、あるいはなぜそうではないのでしょうか？ そうしない理由の 1 つは、研究内のすべての変数を使用して調査を開始していないという事実が主な原因です。 サブセット (多くの場合、小さなサブセット) から始めます。 ある意味皮肉なことですが、効果があると裏付けられる仮説がある要因のみを含める傾向があります。 他の人はどうすればいいでしょうか？ それらの選択を裏付けるデータを入手できるでしょうか? 実験計画では両方の変動要因を評価する必要があります。 仮説の結果として選択するもの (実験の要因) と、選択しないもの (ノイズ) です。 最適化設計戦略は、基礎となるシステムが安定していて一貫性がある場合にのみ有効です。 おそらく、次の反復は、昨日までしか機能しなかった複雑なモデルを作成するのではなく、変化する条件に対するモデルの安定性を判断することになるでしょう。
Re: DOE による実験の強化、今後の実験への影響ご協力ありがとうございました！
Re: DOE による実験の強化、今後の実験への影響やあ@dbu 、
短い答え : はい、「Augment Design」プラットフォームは、モデル設計における以前の実験と用語を考慮して、情報レベルを高める可能性のある新しい実行を提案します。
長い答え: 「Augment Design」プラットフォームの結果は、達成しようとしていることと、行っている変更によって異なります。
- 実験スペースを縮小すると、この小さなスペースに新しいポイントが生成されます (スペース充填拡張設計プラットフォームを使用して実行された「実験スペースの縮小」のスクリーンショットを参照)。
- 実験スペースを増やすと、元のスペースよりもこのスペースでほとんどの実行が許可されます (スペース充填拡張設計プラットフォームで実行されたスクリーンショット「実験スペースの拡張」を参照)。
「新しい実行を別のブロックにグループ化する」にチェックを入れた場合でも、JMP は、この 2 回目の実験ラウンドに最初のものと同様の分散。
また、拡張のタイプによって、モデルに項を追加する場合 (「拡張」オプションを使用)、複製する場合、中心点/軸を追加するか、計画を折り返す場合、または空間充填を行っています (この最後の点については、シミュレートされたデータ「空間充填拡張」で実行されたスクリーンショットを参照できます。これは非常にわかりやすいものです。または、実験空間の拡張/縮小に関する前のスクリーンショットを参照できます)。 詳細はこちら:拡張の選択肢の追加の例 (jmp.com)
私は、（私が以前働いていた会社での）具体的な使用例でこの拡張について研究しました。ここで見つけることができます。増強による不完全な計画の修復 - グループの再編... - JMPユーザーコミュニティフランス語で申し訳ありませんが、ユースケースで指摘した点と拡張の利点が非常に簡単にわかるでしょう。これにより、以前の研究室データ (DoE からのものであるはずですが、実際にはそうではありません) を効率的に使用できるようになります。 ）最初の実験セットを強化して、最初から開始する必要がある場合に必要な新しい実験を少なくして正しい DoE を実現します。 この使用例から、散布図 3D を使用して 3 つの因子に対して実行されたスクリーンショットを見て、最初の実行 (青) と比較して、新しい実行が実験空間 (緑) のどこにあるかを確認できます。
この回答がお役に立てば幸いです。
