Analyse eines Gemisch-DOE mit schrittweiser RegressionIn Mixture-Fallstudien (Webcast und JMP-Dokumentationsbibliothek) ist mir aufgefallen, dass zur Analyse der Ergebnisse eine Rückwärtsregression verwendet wird. Warum wird die schrittweise Regression nicht mit der Vorwärtsregression oder allen möglichen Modellen in regulärem (nicht Pro) JMP verwendet? Ist ein schrittweises Vorgehen aufgrund der Besonderheit von Mischungsmodellen nicht möglich?
VersuchsplanungBetreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionHier sind meine Gedanken, größtenteils philosophischer Natur:
Mein erster Gedanke ist, niemals schrittweise beim experimentellen Design vorzugehen.Das Experiment dient der Untersuchung von Faktoren und einem vorhergesagten Modell für diese Faktoren (z. B. erster Ordnung, erster Ordnung plus zweiter Ordnung usw.). Das Modell sollte a priori vorhergesagt werden.Stepwise ist ein Verfahren zur Aufdeckung von Zusammenhängen, die möglicherweise nicht bekannt oder vorhersehbar sind.
Bei Mischungsentwürfen handelt es sich größtenteils um Optimierungsentwürfe.Das heißt, die Bestandteile der Mischung sind bereits als wichtig bekannt und Sie versuchen nun, den besten „Bereich“ der Oberfläche für den Eingriff zu finden.Sie sollten die Bedingungen des Modells bereits kennen und diese Bedingungen optimieren.Es kann auch sein Es muss ein gewisses Maß an Kollinearität in Mischungsentwürfen vorhanden sein, was eine schrittweise Herausforderung darstellt.
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionWie findet man dann das beste Modell, die Rückwärtsregression? Alle möglichen Modelle in Stewise?...
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionDer Ansatz hängt stark davon ab, wo Sie sich im Wissenskontinuum befinden (z. B. Screening, Optimierung, ob Sie erklären oder vorhersagen). Beim Experimentieren in der Screening-Phase empfehle ich in der Tat, mit dem vollständigen Modell zu beginnen (wenn möglich gesättigt) und unbedeutende Terme von dort zu entfernen (rückwärts oder subtraktive Modellbildung).Bei der Optimierung sind die Fragen etwas anders (wie im Allgemeinen bei Mischungsentwürfen).Sie sollten bereits eine gute Vorstellung von Linearität und Nichtlinearität 1. und 2. Ordnung haben.Die statistische Signifikanz ist weniger wichtig (sie wurde bereits festgestellt).Sie „feinabstimmen“ die Pegeleinstellung.
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionHallo @frankderuyck ,
Ich stimme der „philosophischen“ Sichtweise zu @statman bezüglich der schrittweisen Regression, die eher auf „nicht entworfene“ Datensätze ausgerichtet ist, um einige Faktoren und Auswirkungen bei Fehlen eines A-priori-Modells aufzudecken.Herkömmliche Modellauswahltechniken, die p-Werte verwenden, sind für Mischungen nicht nützlich: Aufgrund der Multikollinearität zwischen geschätzten Effekten (Aliasnamen zwischen Effekten) sind die Standardfehler der Schätzungen ziemlich groß, was zu irreführenden und verzerrten p-Werten führt.
Für (modellbasierte) Mischungsdesigns ist möglicherweise eine schrittweise Vorwärtsregression möglich, jedoch mit Sicherheitsvorkehrungen und Vorsicht (z. B. Haupteffekte im Modell erzwingen und keinen Schnittpunkt). Für Mixture-Designs könnten zwei Optionen interessant sein, die von Dr. Philip J. Ramsey in einer seiner Präsentationen hervorgehoben wurden: „ Analysestrategien für Experimente mit eingeschränkter Mischung und Mischungsprozessen mit JMP Pro 14 " :
- Traditionelle Vorwärtsauswahl unter Verwendung der Pseudofaktormethode von Miller
- Traditionelle Vorwärtsauswahl mit fraktional gewichtetem Bootstrapping und automatischer Validierung: SVEM in JMP Pro, Generalized Regression-Plattform (Gotwalt und Ramsey)
Dr. Ramsey empfiehlt nicht die Verwendung von „Alle möglichen Modelle“ für Mischungen, teilweise aufgrund der Notwendigkeit, die reinen Komponententerme in jedem Modell zu erzwingen. Aus pragmatischer und praktischer Sicht kann die Methode „Alle möglichen Modelle“ hinsichtlich der Berechnungen sehr anspruchsvoll (und nicht sehr effektiv) sein, da alle möglichen Modelle mit unterschiedlicher Anzahl von Effekten erstellt werden, unabhängig von der Hierarchie und Vererbung zwischen den Effekten. Es gibt also einen ziemlich großen Teil der erstellten Modelle, deren Betrachtung möglicherweise nicht sehr interessant (und relevant) ist, die jedoch dennoch auf agnostische und „brute-force“-Methode erstellt und bewertet werden.
Da für modellbasierte Mischungsentwürfe ein A-priori-Modell angenommen wird, ist die Verwendung der Rückwärtsregression sicherer mit einer Validierungsmethode, die auf Informationskriterien wie AICc (Generalized Regression Platform in JMP Pro oder Backward Stepwise in JMP) basiert.
Da Sie mehr an der Vorhersageleistung als am Faktoren-Screening interessiert sind, können Sie die Rückwärtsregression auch „manuell“ durchführen, indem Sie vom vollständigen Modell mit allen angenommenen Effekten des Modells (JMP, Standard-Kleinste-Quadrate) ausgehen und Terme entfernen solange es dazu beiträgt, den RMSE (Vorhersagefehler) des Modells zu verringern.
Für modellunabhängige Mischungsdesigns (wie raumfüllende Designs) kann der Einsatz von Methoden des maschinellen Lernens, die bei der Interpolation effizient und effektiv sind, sehr nützlich sein, um ein Vorhersagemodell auf den homogen verteilten Punkten zu erstellen (es kann jedoch schnell zu einer Überanpassung kommen): SVM , Neuronale Netze, k-Nächste Nachbarn, Gaußscher Prozess, ...
Am Ende können Validierungsläufe erforderlich sein, um die Vorhersageleistungen des Modells zu validieren und abzuschätzen.
Ich hoffe, diese zusätzliche Antwort wird Ihnen helfen,
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionIch habe in den Webinaren gesehen, dass das Pareto-Diagramm -logworth(p-Wert) für die Rückwärtsregression verwendet wird; Wenn p-Werte nicht für Mischungen geeignet sind, ist das richtig? Hinweis: Ich muss Nicht-JMP-Pro-Benutzern eine Schulung geben, damit ich kein allgemeines maschinelles Lernen verwenden kann.
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionIch analysiere ein dreifaktorielles FLA 1-, FLA 2- und FLA 3-Misch-DOE basierend auf einem vollkubischen Scheffé-Modell. Wenn ich den Standard-Buttallon der kleinsten Quadrate verwende und versuche, Parameter mit geringem Effekt mithilfe der Rückwärtsregression auf der Basis des logarithmischen Paretos (P-Werte für die Mischungsanalyse?) zu entfernen, erhalte ich das folgende Ergebnis: Soll ich auch alle ausgewählten Effekte oder nur nicht enthaltene Effekte entfernen?
Ich habe auch die Analyse mit „Alle möglichen Modelle“ in Stepwise durchgeführt und ein sehr schönes Modell erhalten, das auf dem AICC-Ranking basiert, vielleicht ein falsches Modell (erzeugt die auf dem P-Wert basierende Rückwärtsregression ein richtiges Modell ...?), aber es ist sehr nützlich, es zu spezifizieren optimale Ausgangs-Y-Einstellungen!
Ich stimme definitiv zu, dass aufgrund der starken Kollinearität in der Mischungsanalyse eine Validierungsspalte erforderlich ist und die Verwendung einer verallgemeinerten Regression und tatsächlicher Tools für maschinelles Lernen der richtige Ansatz ist. Ich werde mir SVEM genauer ansehen. Was die DOE-Schulung für meine Laienanwender angeht, muss ich mich auf klassische Methoden verlassen; „Alle möglichen Modelle“ sieht wie oben gezeigt nicht so schlecht aus? Natürlich ist für komplexere Fälle, bei denen mehr als 3 Mischungskomponenten-Prozesseffekte zu viele Modelle ergeben, ein sequenzieller Ansatz unbedingt erforderlich; Aufgrund der starken Kollinearität wird es jedoch ziemlich schwierig sein, eine gute Auswahl der Parameter zu treffen, um mit dem nächsten Schritt fortzufahren.
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionHallo @frankderuyck ,
Unabhängig davon, ob es sich bei Ihrem DoE um ein faktorielles oder ein gemischtes Modell handelt, sollten Sie die drei Prinzipien der Versuchsplanung respektieren, wenn es a priori ein angenommenes Modell gibt:
- Sparsamkeit bewirken : Das Prinzip der Effektsparsität bezieht sich eigentlich auf die Idee, dass nur wenige Effekte in einem Experiment statistisch signifikant sind. Der größte Teil der Variation in der Reaktion wird durch eine kleine Anzahl von Effekten erklärt. Daher ist es am wahrscheinlichsten, dass Haupteffekte (einzelner Faktor) und Zwei-Faktor-Wechselwirkungen die signifikantesten Reaktionen in einem faktoriellen Experiment sind. Es wird auch Pareto-Prinzip genannt.
- Wirkungshierarchie : Das Hierarchieprinzip besagt, dass je höher der Grad der Interaktion ist, desto unwahrscheinlicher ist es, dass die Interaktion die Variation in der Antwort erklärt. Daher erklären Haupteffekte mehr Variationen als Wechselwirkungen zwischen zwei Faktoren, 2FIs erklären mehr Variationen als 3FIs, … daher sollte der Schätzung von Effekten niedrigerer Ordnung Vorrang eingeräumt werden.
- Wirkungsvererbung : Ähnlich wie bei der genetischen Vererbung postuliert das Wirkungsvererbungsprinzip, dass Interaktionsterme nur dann berücksichtigt werden dürfen, wenn die der Interaktion vorausgehenden geordneten Terme signifikant sind. Für dieses Prinzip gibt es zwei mögliche Implementierungen: stark oder schwach Vererbung. Starke Vererbung impliziert, dass ein Interaktionsterm nur dann in das Modell aufgenommen werden kann, wenn beide entsprechenden Haupteffekte vorhanden sind. Schwache Vererbung impliziert, dass ein Interaktionsterm in das Modell einbezogen wird, wenn mindestens einer der entsprechenden Haupteffekte vorhanden ist.
Wenn Sie in Ihrem Fall versuchen, diese Effekte zu entfernen, geraten Sie in Konflikt mit dem Prinzip der Effektvererbung: Sie können den Haupteffekt FLA1 und die Interaktion FLA2xFLA3 nicht entfernen, es sei denn, Sie haben bereits alle anderen Effektbegriffe entfernt, die diese Begriffe enthalten. Hier sollten Sie sie also behalten.
Wie bereits erwähnt, kann die Erstellung von Modellen, die ausschließlich auf dem p-Wert für Mischungsentwürfe basieren, sehr irreführend sein.
Die zweite Option, die Sie mit dem AICc-Kriterium (oder BIC?) ausprobiert haben, erscheint sinnvoller, da AICc (oder BIC) ein Informationskriterium ist, das versucht, die Komplexität des Modells mit seiner Genauigkeit in Einklang zu bringen (je niedriger, desto besser).
Was Ihre Screenshots betrifft, scheinen Modelle mit einer höheren Anzahl von Begriffen in Ihrem Fall nützlich sein zu können, da Modell Nr. 9 einen niedrigeren RMSE und einen niedrigeren BIC aufweist. Es kann auch das Residuendiagramm korrigieren, das eine Art Heteroskedastizität zu zeigen scheint (größere Residuen für einen höheren Geschmackswert).
Ich hoffe, dieser ergänzende Kommentar wird Ihnen helfen,
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionHallo Victor, ich stimme deinen Vererbungsprinzipien definitiv zu und deshalb funktioniert in diesem Fall die auf p-Werten basierende Rückwärtsregression hier nicht.Deshalb habe ich „Alle möglichen Modelle“ mit Vorwärts-AICC-Auswahl verwendet und sehr gute Ergebnisse erzielt. Ich arbeite jetzt an einem anderen Mischungsfall mit einer Prozessvariablen und die Methode „Alle möglichen Modelle“ generiert ein – vielleicht falsches – aber sehr nützliches Modell! Für nicht professionelle JMP-Benutzer empfehle ich die schrittweise Verwendung aller möglichen Modellmethoden für die Gemisch-DOE-Analyse.
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionHmmm, Sie haben ein oder zwei Mischungsexperimente und kommen zu dem Schluss: „ Ich empfehle die schrittweise Verwendung aller möglichen Modellmethoden für die Gemisch-DOE-Analyse.“Ich empfehle Ihnen, bei dieser Empfehlung Vorsicht walten zu lassen, sonst scheitern Sie, wie Danial es ausdrückt, an der „vorzeitigen Verallgemeinerung“.
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionZumindest erfüllen die Modelle, die ich bekomme, die pragmatische Aussage von Cox: „Falsch, aber nützlich, um mein Ziel zu erreichen.“ Was ist eine bessere Alternative im regulären Nicht-JMP-Profi? Werden diese Modelle besser sein?
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionFür Profi-Anwender empfehle ich auf jeden Fall Methoden des maschinellen Lernens mit Validierung
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionMeine Meinung wurde vielleicht schon früher in dieser Diskussion geäußert, aber ich möchte sie ausdrücklich zum Ausdruck bringen. Zunächst einmal würden wir die Schätzungen der Haupteffektparameter nicht testen. Warum nicht? Die Einschränkung, dass sich die Anteile der Komponenten auf eins summieren müssen, hat Auswirkungen, die über die Mathematik des linearen Modells hinausgehen. Ein Effekt ist eine Änderung der Reaktion, wenn ein Faktor sein Niveau ändert. Die Änderungen der Faktorniveaus sind in einem Nichtmischungsexperiment unabhängig, sodass die Auswirkung der Änderung eines Faktors in einem ordnungsgemäß konzipierten Experiment eindeutig bestimmt wird. Es ist unmöglich, eine Mischungskomponente unabhängig von allen anderen Komponenten zu verändern. Daher können wir den Effekt in einem Mischungsexperiment nicht eindeutig einer Komponente zuordnen.
Zweitens können wir die Schätzungen der Haupteffektparameter nicht testen. JMP testet die Parameterschätzung für die Haupteffekte fälschlicherweise anhand einer Nullhypothese, dass der Parameter Null ist. Der Haupteffektparameter ist die mittlere Reaktion plus die mittlere Änderung der Reaktion einer reinen Mischung, sodass die Nullhypothese die mittlere Reaktion und nicht Null ist. Darüber hinaus sind die gemeinsamen Tests nicht möglich, da die mittlere Reaktion Teil aller Haupteffektparameter ist.
Die wahre mittlere Antwort in diesem simulierten Datensatz beträgt 20. Die wahren Haupteffektparameter, zu denen auch die mittlere Reaktion gehört, sind 10, 20 und 30 für X1, X2 bzw. X3. Die Parameter unterscheiden sich deutlich von 0, aber das ist die falsche Nullhypothese. Jede der Haupteffektschätzungen ist mit dem Hinweis gekennzeichnet, dass die Tests verfälscht sind.
Wir fragen nicht nach den Haupteffekten, aber wir können und sollten nach den Termen höherer Ordnung fragen, weil sie uns etwas über die Form der Oberfläche sagen und überprüfbar sind.
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionSehr interessant, Marc, welche kombinierte DOE-Ergebnisanalysemethode empfehlen Sie Nicht-JMP-Pro-Benutzern? In meinem obigen Beispiel hat die Rückwärtsregression mit dem Logworth-Pareto nicht funktioniert; AICc vorwärts mit Stewise alle möglichen Modelle funktionierten gut.
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionIch empfehle keine bestimmte Methode zur Auswahl des linearen Modells für ein Mischungsexperiment. Ich wiederhole es @statman Der Ratschlag, alles zu berücksichtigen a priori Wissen beim Entwurf des Experiments und erneut bei der Analyse des Experiments.
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionDas heißt, wir sollten uns auf innere Punkte im ternären Diagramm konzentrieren und versuchen, die Terme höherer Ordnung abzuschätzen? Ist ein raumfüllendes DOE also eine bessere Option als der Versuch, ein Zwei-Wege-Interaktionsmodell abzuschätzen?
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionIch stimme voll und ganz zu und das habe ich in meinem Beispiel oben getan. Habe ich den richtigen Ansatz gewählt?
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionNur um zu verdeutlichen, wie die Punkte generiert werden, wenn ein mischungsoptimales Design verwendet wird (im Fall von 3 Mischungsfaktoren):
- Punkte an den Eckpunkten helfen bei der Schätzung der Haupteffektparameter.
- Punkte in der Mitte von Kanten helfen bei der Schätzung der Wechselwirkungen zwischen zwei Faktoren.
- Der Punkt in der Mitte wird für die Interaktion 3. Grades verwendet.
Raumfüllendes Design erzeugt zufällig und homogen verteilte Punkte im Experimentierraum, ohne dass ein A-priori-Modell vorliegt.
Wenn Sie bereits eine Vorstellung davon haben, welchen Modelltyp Sie verwenden werden (z. B. ein Zwei-Wege-Interaktionsmodell), ist ein optimaler Entwurf möglicherweise nützlicher und effektiver, da die Generierung von Punkten für die Parameterschätzung der Effektterme optimiert wird Sie haben in Ihrem angenommenen Modell angegeben (im Gegensatz zur „Zufälligkeit“ der raumfüllenden Entwurfspunktgenerierung).
Raumfüllende Designs sind nützlich, wenn keine apriori-Kenntnisse über ein mögliches Modell vorliegen, mit der Wahrscheinlichkeit einer nichtlinearen Antwortoberfläche, und sie bieten mehr Flexibilität hinsichtlich der Modellierungsmöglichkeiten im Falle von Punkten, die nicht messbar sind (Stabilitätsprobleme). , sehr hohe oder niedrige Werte, ...).
Ich hoffe, dass dies den Unterschied zwischen der Verwendung dieser beiden Arten von Methoden verdeutlicht.Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionAngenommen, Sie testen eine Mischung mit 5 Komponenten und möchten wissen, welche Komponenten einen Einfluss auf die Reaktion haben. Wie filtern Sie diese wirksamen Inhaltsstoffe heraus? Ist das aufgrund der Verwirrung möglich?
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionIch nehme an, dass das Screening selbst bei raumfüllenden Designs sehr schwierig sein wird?
Anmerkung: Ich verfüge über weitreichende Erfahrung im Bereich Nicht-Mischung-DOE, daher könnten meine obigen Fragen für Mischungsexperten naiv erscheinen.Bisher bin ich zu dem Schluss gekommen, dass Mischungs-DOE Erfahrung erfordert und da die Analysemethoden weniger eindeutig sind als Nichtmischungsmethoden, wirkt sie für Wissenschaftler wenig künstlich. Ich bereite mich auf viele Fragen in einer kommenden DOE-Schulung vor, bei denen es auf Formulierungen ankommt. Vielen Dank an alle für eure Beiträge, das ist eine große Hilfe!
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionRaumfüllende Designs konzentrieren sich tendenziell etwas mehr auf das Innere als auf die Grenzen des experimentellen Raums und auf die Optimierung (Anpassung des besten Vorhersagemodells dank der gleichmäßig verteilten Designpunkte und einer großen Vielfalt an Modellierungs-/Algorithmusoptionen).
Mischungsdesigns werden eher in einer Optimierungsstrategie verwendet, um die besten Formulierungsverhältnisse für bestimmte Leistungen/Reaktionen zu finden, aber es gibt Designs, die Ihnen dabei helfen können, Mischungsfaktoren zu „screenen“ (oder zumindest die relative Bedeutung der Mischungsfaktoren untereinander zu bewerten). da statistische Signifikanz aufgrund der Multikollinearität hier nicht zum Screening von Effekten geeignet ist).
- In JMP können ABCD-Entwürfe hilfreich sein, um den Einfluss der Mischungsfaktoren zu vergleichen (und das Beispiel kommt dem von Ihnen erwähnten Fallbeispiel mit 5 Mischungsfaktoren ziemlich nahe): JMP-Beispiel eines ABCD-Designs
- Sie können auch das Simplex-Centroïd-Design mit einem relativ niedrigen Centroïd-Grad (z. B. 2 oder 3) verwenden: JMP-Beispiel für Simplex Centroid-Design
Wenn Sie mit Mixture-Designs nicht vertraut sind, gibt es im Allgemeinen viele verfügbare Ressourcen im Internet. Hier ein paar Beispiele, die Ihnen helfen sollen:
https://reliawiki.org/index.php/Mixture_Design
https://online.stat.psu.edu/stat503/lesson/11/11.3
https://www.lexjansen.com/sugi/sugi21/iv/138-21.pdf
Ich hoffe, diese Antwort wird Ihnen helfen,
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionDanke Victor!
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionWenn das Modell höherer Ordnung „richtig“ ist, ist das raumfüllende Design nicht unbedingt „besser“. Stellen Sie sich eine einfachere Situation vor: einen Effekt erster Ordnung nur eines einzigen kontinuierlichen Faktors. Was ist das beste 10-Run-Design? Fünf Läufe bei niedriger Einstellung und fünf Läufe bei hoher Einstellung. Ein „raumfüllendes“ Design würde die Läufe auf mehr als zwei Ebenen verteilen, was statistisch nicht effizient ist.
Ein raumfüllendes Design für Mischungen ist vorteilhaft, wenn sich die Reaktion in einem schmalen Bereich des Simplex schnell ändert und der Bereich unbekannt ist. Es handelt sich um ein Screening-Design mit einer Besonderheit für Mischungsexperimente.
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionMeiner Meinung nach sollten Sie sich mit vielen Anwendungen auskennen, bevor Sie andere in einer Methodik schulen. Ich schlage vor, dass Sie Cornell lesen (Cornell ist einer der führenden Experten für Mischungen), um Ihre Reise zum Verständnis von Mischungen zu beginnen.
Cornell, John (1990) „ Experimente mit Mischungen, Designs, Modellen und der Analyse ”, Wiley (SBN: 047152221X)
Einige Lieblingspapiere:
Snee, Ronald D., Design und Analyse von Mischungsexperimenten , Zeitschrift für Qualitätstechnologie, Bd. 3, Nr. 4, Oktober 1971
Cornell, John, Einbettung von Mischungsexperimenten in faktorielle Experimente , Zeitschrift für Qualitätstechnologie , Bd. 22, Nr. 4, Oktober 1990
Snee, Ronald D., Donald Marquardt, Screening von Konzepten und Designs für Experimente mit Mischungen S, Technometrie , Bd. 18, Nr. 1, Februar 1976
und unser eigenes Buch von Dan Obermiller: Tips on JMPing into Mixture Experiments
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionDer Cox-Mischungsmodell ist ein Versuch, einem Experimentator bei der Beantwortung dieser Frage zu helfen. Es erfordert die Angabe einer Referenzmischung. Das Modell wird verwendet, um einzigartige Auswirkungen jeder Komponente zu bestimmen.
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionHerzlichen Dank für diesen Referenzmix! Ich werde mich mit diesem herausfordernden Thema befassen
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionIch habe in einer Präsentation von Louis Valente eine großartige Möglichkeit gesehen, die Mischungsdesignpunkte durch eine Punkttypspalte zu beschriften und einzufärben, siehe unten. Wie erstellt man diese Punkttypspalte?
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionEs gibt ein Skript im Ordner „Sample Scripts“ (im JMP-Ordner unter „\Samples\Scripts“), das dies erledigt.Der Name des Skripts ist „LabelMixturePoints.jsl“.
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionVielen Dank für Ihre ausführlichen Antworten, die mich zum Nachdenken über die Formulierungsarbeit inspiriert haben.
Wie schlagen Sie vor, damit umzugehen, wenn der Begriff des Modells unbekannt ist, zum Beispiel: Ich möchte die Auswirkungen entdecken, insbesondere die wechselseitige Wechselwirkung aufgrund des neuen Inhaltsstoffs in der Formulierung.Das Ziel der Studie ist eher ein Screening als eine Optimierung. Wäre in diesem Fall eine schrittweise Vorgehensweise sinnvoll?
Betreff: Analyse eines Gemisch-DOE mit schrittweiser RegressionIch bin verwirrt über Ihre Frage. Sie sagen „unbekannter Begriff des Modells“ und dann sagen Sie, der Begriff sei eine bekannte neue Zutat. Ich würde mit einem Mischungsdesign mit dem neuen Inhaltsstoff experimentieren und die Analyse von Mischungsdesigns verwenden, um die Wirkung des neuen Inhaltsstoffs und mögliche Wechselwirkungen zu bewerten. Ich würde in diesem Fall nicht schrittweise vorgehen. Tut mir leid, dass ich überflüssig bin. Meiner Meinung nach wird die Methode „Schrittweise“ verwendet, um Faktoren aufzudecken, die nicht identifiziert wurden (z. B. Data Mining), und nicht für die Analyse von Experimenten, bei denen die Faktoren in der Studie bekannt sind.
