カスタム DOE 制約における検出力の損失と予測の分散したがって、機器の能力に基づいて特定の組み合わせを禁止する必要がありますが、それによって予測の分散と検出力が大幅に減少します。 これを回避する方法はありますか? また、それができない場合、検出力が低く、予測の分散が大きい場合、どうやって結果を信頼できるのでしょうか?
結果の共有と伝達Re: カスタム DOE 制約における検出力の損失と予測の分散あなたがた両方に感謝します！ 私が選択した設計は、不可能な 4 つの実行を削除し、2 つの中心点を追加したことを除いて、すべてのインタラクションを備えたカスタム DOE です。 行き詰まっているのは、パラメーターの極端な値でテストできない場合に、予測の分散を減らすために追加の実行を行うパラメーターです。
Re: カスタム DOE 制約における検出力の損失と予測の分散因子探索スペースを制限すると、常に電力が犠牲になります。 これを回避するには、DOE にさらに実行を追加します。
Re: カスタム DOE 制約における検出力の損失と予測の分散こんにちは@evtran 、
あなたの質問を読み、予測分散プロファイラーを見ると、因子の下位レベル（揺動温度、揺動速度）での予測相対分散が上位レベルの予測相対分散よりも小さいように見えるため、設計が完全にバランスが取れていないことが確かにわかります。因子のレベルを分析すると、いくつかの制約がわかります。 設計自体を見ずに支援するのは非常に難しい場合がありますが、検出力と予測の分散に関連する質問に対する一般的な見解とアドバイスをいくつか示します。
- 検出したい信号の相対的なサイズがわかっていて、実験ノイズと応答測定ノイズ (RMSE) の適切な推定値がある場合、電力が意味を持ちます (回答を参照) @Phil_Kayここ ：解決済み: DOE で電力解析を考慮する必要がありますか? - JMPユーザーコミュニティ）、
- 目的 (および設計) によっては、用語の重要性ではなく、予測精度に関心があるかもしれません。 この場合、さまざまな計画のさまざまな予測相対分散 (および計画空間プロットの割合) を調べて比較し、この相対予測分散を最適に最小化するものを選択する必要があります。
- 他の設計と比較せずに検出力や相対的な予測の分散を確認することは、あまり役に立たない可能性があります。 おそらく、いくつかのモデルと最適性基準を使用していくつかの設計を生成してみることができます。
- 最適性の基準: 重要な効果を強調したい場合は、D 最適 (または A 最適) 計画が適切な場合があります。 応答予測のみを重視する場合は、I 最適設計の方がニーズに適している可能性があります。
- いくつかのモデル: モデルを設計するときに、モデル内の項を変更してみることができます。 たとえば、研究の開始段階にある場合は、おそらく主効果のみをスクリーニングすることができます (その後、交互作用やおそらく 2 次効果を調べるように設計を強化します)。 または、モデルに交互作用項 (および二次効果 ?) を入力し、推定可能性を「可能な場合」に変更して、主効果に集中しますが、分析に十分な自由度がある場合は、他の効果を入力することもできます。 。
- サンプルサイズ : ここでの具体的なケースでどれだけの実行が考慮されるかわかりませんが、実験コストがそれほど高くない場合、サンプルサイズを増やすと、スクリーニング能力に対する信頼性がさらに高まる可能性があります（検出力が向上し、相対的な予測の分散が減少するのに役立ちます）。
結果を「信頼」できるようにするには、検出された重要な影響を自分の分野の専門知識と比較して比較できます。それは意味がありますか? また、追加の実行 (検証実行) を準備して、予測と実際の測定値を比較するために使用することもできます (予測の精度がニーズを満たしているかどうかを確認するため)。
場合によっては、実験の予算、目的、設計の制約に基づいて、既存の設計より優れた設計は存在しないため、設計を試す以外に選択肢がない場合があります。
設計がニーズや特定の状況に対して「十分」であることを確認する唯一の方法は、実験を実行して結果を分析してみることです。 いくつかの問題がある場合でも、設計を拡張する可能性はあります。
この回答がお役に立てば幸いです。
