スペース充填と最適 DOE混合物の場合、空間充填 DOE が使用されることがよくあります。これらは最適ではないと思いますか? では、そのメリットとは何でしょうか？
非混合物に対しても、最適 DOE の代わりに空間充填を使用してみてはいかがでしょうか? 私は DOE コースを準備しており、これらの質問を予期していますが、今のところ正しい答えを持っていません。
実験計画法Re: スペース充填と最適 DOEやあ@フランクデルイック、
空間充填設計と最適設計 (混合タイプか他の要因タイプかに関係なく、両方の場合に使用できます) は、モデルベースとモデルに依存しない 2 つの完全に異なる DOE の考え方です。
- モデルベース:このタイプの実験計画では、特定のモデルを事前に仮定し (主効果、交互作用項などを使用して)、モデルの係数の推定を最適化するために点を生成します。 このアプローチは特定のモデル形式を想定しており、基礎となるモデルがよく知られている場合、または研究対象のシステムについて事前の知識がある場合に役立ちます。必要なポイントが少なくなる可能性があり、説明可能/解釈可能な結果に簡単にアクセスしたい場合に特にお勧めします。
例: 私の応答 Y は、因子 A と B からの統計的に有意な主効果と、A と B の間の統計的に有意な 2 因子交互作用によって大きく影響されます。
- モデルに依存しない: このタイプ実験計画では、実験空間に点を均一/均質に (そしてランダムに) 分散し、これらの点にさまざまなモデルを当てはめて、最良の予測モデルを取得します。 このアプローチは、テストするモデル (回帰、SVM、ニューラル ネットワーク、ツリーベースのモデルなど) の複雑さに応じて多数のポイントを必要とする場合があり、特定のモデルを前提とせず、基礎となるモデルが次のような場合に役立ちます。未知の、または複雑な。 ただし、このアプローチはノイズの影響を受けやすい可能性があり、ML モデルの使用は過剰適合の状況につながる可能性があります...
どちらのアプローチにも長所と短所があります。 モデルに依存しない設計は、(何も必要としないため) モデルの仕様ミスに対してより柔軟かつ堅牢になりますが、モデルベースの設計と同等の精度を達成するには、より多くのデータが必要になる場合があります。 モデルベースの設計はより効率的で、必要なデータも少なくなりますが、モデルの仕様ミスに対してより脆弱であり、複雑なモデルや未知の基礎モデルに直面した場合には堅牢性が低くなる可能性があります。
また、これら 2 つの DoE の考え方では、評価が異なる場合があります。つまり、最適設計 (応答曲面モデルと混合設計を除く) での統計的有意性と、モデルに依存しない設計での予測精度 (RMSE およびその他の予測パフォーマンス メトリクス) がより重視されます。モデル内で重要な因子や項を見つけるのではなく、実験空間で最良の予測をしようとしています)。
この特定のトピックについて私が行ったプレゼンテーションのスライドを以下に示します。学生にとって簡単/アクセスしやすいものにするのに役立つことを願っています。
この回答がお役に立てば幸いです:)
Re: スペース充填と最適 DOE素晴らしい答えです、ビクター、ありがとう！
別の質問も予想されます。最適/カスタム DOE の代わりに最終スクリーニングを使用する場合はどうですか? これに対する明確な答えはありません。正直に言うと、私は常にカスタムを使用しています。
Re: スペース充填と最適 DOE最初の質問に戻りますが、基礎となるモデルは非線形ブレンド効果により非常に複雑になる可能性があるため、空間充填は混合には非常に便利であると理解していますよね?
Re: スペース充填と最適 DOEVictor の優れた説明に付け加えておきます (OP に対する具体的な答えではないかもしれませんが) 方法論は相互に排他的である必要はありません。モデルに関するある程度の知識から始めて、未知の部分を同時におよび/または順番に調査することが可能です。主題の知識に基づいた仮説モデルから始めて、それらの仮説を裏付けるか拒否するデータを取得し、代替の調査 (仮説がデータをうまく説明/予測していない場合) または空間を拡張する (仮説がデータを適切に説明/予測していない場合) を繰り返すことは、珍しいことではありません。私たちは皆、まず効果的な方法を探し、次に効率的な方法 (最適性など) を探していると思います。私たちが何を知っているか (または知っていると思っているか) と、その知識をテストするためのデータの取得に多くのことがかかっています。モデルに「挑戦」して、機能する部分だけでなく、どこで失敗するかを判断することは良い考えだと思います。
Re: スペース充填と最適 DOE混合の問題は、複数の因子にわたるレベル設定に依存することです (つまり、因子を独立して変更することはできません)。制約があるため、これらを考慮する必要があります。空間充填設計は、選択した設計空間でのパフォーマンスを評価するための曲面 (等高線プロットなど) を作成するためのデータを提供します。
Re: スペース充填と最適 DOEあなたに完全に同意します@スタットマン目的および製品/プロセスに関する情報に応じて、2 つの設計方法を順番に使用できます。最初にモデルベースの最適なアプローチでスクリーニング係数を使用し、次にモデルに依存しないアプローチを使用して、不測の事態に備えて予測モデルを最適化します。非線形応答。
以下は、さまざまな設計とそれらの可能な補完性に関する Synthace のスライドです。
Re: スペース充填と最適 DOE私は always を決して使いません...(笑) あまり混乱させずに、実験計画法の威力 (たとえば OFAT と比較) を学生に納得させようとする状況があります。カスタム設計オプションは非常に柔軟ですが、使用が困難になる場合があります。理解する必要があるオプションがたくさんあります。
どのような場合でも、使用する「最適な」方法論は、先験的には分からない可能性があります。デューデリジェンスを行い、複数の計画を作成し、それぞれに必要なリソースと照らし合わせて、それぞれから得られる潜在的な知識を評価します。反復する基本的なアイデアに基づいて選択してください。
Re: スペース充填と最適 DOEやあ@フランクデルイック、
最終的なスクリーニング計画は非常に興味深いスクリーニング計画であり、いくつかの条件が満たされる場合に非常に役立つ可能性があります。 による素晴らしいブログ投稿があります@ブラッドリージョーンズDSD をいつ、どこで使用するかについて、より詳しい洞察と説明が得られます。
https://community.jmp.com/t5/JMP-Blog/Proper-and-impproper-use-of-Definitive-Screening-Designs-DSDs/bc-p/541512#M4392
Re: スペース充填と最適 DOEこんにちは、Victor さん、最終的スクリーニング計画は最適 DOE の特殊なケースであり、基本的な条件を(1) すべての主効果が直交しており、他のモデル効果 (純粋) と混同されず、(2) 二次効果と交互作用効果の間にエイリアシングがないこと。 正しい？
Re: スペース充填と最適 DOEやあ@フランクデルイック、
決定的スクリーニング計画は、DoE の基本原則 (効果の希薄性、効果の階層性、および効果の遺伝性) に従って、多数の要因が関係し、相互作用と二次効果をテストする可能性があるスクリーニング ケースに使用される「教科書」(古典的な) 設計です。 構造は「固定」されているため、私はこの設計を「最適な」設計として分類しません（この設計によって選別される用語も同様です）。
あなたの条件については、
- 主効果は、相互作用、2 因子交互作用、および 2 次効果に対して完全に直交します。
- いいえ、二次効果と交互作用効果の間にはエイリアスがあります。
以下は、以前に添付した DSD の望ましい特性に関する Tom Donelly のプレゼンテーションからの抜粋です。
この回答がお役に立てば幸いです。
JMP コミュニティで Bradley Jones による DSD に関するプレゼンテーションを検索することもできます。彼は、DSD をいつどこで使用するか、満たすべき条件 (連続的で少数の 2 レベルのカテゴリ因子のみ、多数の因子、制約なし) を明確に示しています。実験スペース、要素を変更するのが簡単、など）。
Re: スペース充填と最適 DOEありがとうビクター、これは明らかです。 Bradley Jones とのコミュニティに関する興味深いディスカッション!
