확정 선별 설계 - 상관관계 vs 교락 2차 효과DSD와 관련하여 언급한 한 줄은 모든 6요인 실험의 경우 전체 응답 표면이 3요인 내에 맞출 수 있다는 것입니다. 그러나 DSD의 장단점 중 하나는 2요인 상호작용이 다른 2요인 상호작용 및 2차 항과 상관관계가 있다는 것입니다. 내가 이것을 올바르게 이해하고 있다면 적어도 다른 2차 항에 '연결'되지 않았기 때문에 2요인 상호 작용과 2차 항을 독립적으로 추정할 수 있습니다. 그러나 이 부분 상관 때문에 2차 항에 할당된 실제 계수는 정확하지 않을 수 있습니다.
내 질문은 다음과 같습니다. 전체 RSM에 맞출 수 있더라도 최적화 목적으로 DSD를 사용하는 것이 이치에 맞습니까? 실제로 다른 항의 영향을 받는 2차 항 또는 상호 작용 항의 효과에 대한 추정치를 얻는 것은 차선책으로 보입니다.
실험 설계Re: 확정 선별 설계 - 상관 관계 vs 교락 2차 효과좋은 질문, @QW !
실제 확률 프로세스에서 학습할 때 효과에 대한 추정치는 항상 부정확합니다. "모든 모델이 잘못되었습니다...". 우리의 목표는 과학적/공학적 질문에 답할 수 있을 만큼 충분히 정확한 유용한 모델입니다.
DSD의 고차 효과 간의 상관 관계는 추정의 정확도에 영향을 미칩니다. DSD가 이러한 효과를 추정하는 데 최적이 아니라는 말은 말 그대로 맞습니다.
귀하의 대안은 이러한 효과를 추정하도록 특별히 설계된 최적의 디자인이 될 것입니다. 그러나 모든 요인에 대한 모든 2차 효과의 추정을 개선하려면 더 많은 실행이 필요합니다. 그렇다면 문제는 정밀도의 향상이 더 큰 실험의 추가 노력의 가치가 있는지 여부입니다.
공짜로 얻을 수 있는 것은 없으며 DSD는 매우 효율적입니다.
또한 DSD는 최종 설계가 아니라 선별 설계라는 점을 고려해야 합니다. 그들은 주로 중요한 요인을 선별하기 위한 것입니다. 그런 다음 "활성" 요소의 효과 추정 정확도를 개선해야 하는 경우 최적으로 증가합니다.
이 모든 것이 도움이 되기를 바랍니다.
필
Re: 확정 선별 설계 - 상관 관계 vs 교락 2차 효과안녕 @QW ,
의 답변 @Phil_Kay 우수합니다.
DSD의 상관관계("별칭"이라고 함) 주제를 명확히 하기 위해 DSD에서는 주효과 사이, 주효과와 상호작용(또는 2차 효과) 사이에 별칭(상관관계)이 없으므로 주효과를 정확하게 추정할 수 있습니다. 그리고 편향되지 않은 방식으로.
그러나 언급했듯이 상호 작용 사이, 상호 작용과 2차 효과 사이에는 별칭이 있습니다. 완전한 상관관계(교란)가 없기 때문에 효과를 여전히 감지할 수 있고 모수를 추정할 수 있지만 표준 오차가 높아져 효과 간에 별칭이 전혀 없는 경우보다 모수 추정이 덜 정확합니다. .
DSD의 "S"는 스크리닝을 위한 것이므로 다수의 연속적(및 소수의 2단계 범주형) 요인에서 중요한 주요 효과를 스크리닝하는 데 매우 효율적인 설계이지만 일부 용어를 정확하게 추정하려는 경우 반응 표면 모델을 사용하려면 2차 효과 및 2요인 상호 작용을 추정할 때 더 정밀하게 설계를 보강해야 할 수 있습니다. 또는 요인 및/또는 적은 수의 요인에 대한 지식이 이미 있는 경우 최적 설계가 이러한 효과를 추정하는 데 더 적합할 수 있습니다.
따라서 최적화를 위해 DSD와 같은 이전 디자인을 보강하거나 필요에 맞게 보다 맞춤화된 모델을 직접 만들 수 있습니다.
이것이 도움이 되기를 바랍니다.
Re: 확정 선별 설계 - 상관 관계 vs 교락 2차 효과Victor의 게시물을 약간 수정했습니다.주요 효과와 2차 효과(상호작용 및 2차) .고차 효과는 실제로 앨리어싱됩니다.이것이 정밀도 또는 편향에 영향을 미치는지는 추측입니다.
Phil이 지적한 또 다른 의견은 반복을 대신할 수 없다는 것입니다.
Re: 확정 선별 설계 - 상관 관계 vs 교락 2차 효과제 답변을 잘못 읽으신 것 같습니다. " 주효과 사이, 주효과와 상호작용(또는 2차 효과) 사이에 별칭(상관관계)이 없으므로 주효과를 정확하고 편향되지 않은 방식으로 추정할 수 있습니다."
따라서 실제로 주 효과와 2차 효과 사이에 별칭이 없습니다. 우리는 같은 페이지에 있습니다 
Re: 확정 선별 설계 - 상관 관계 vs 교락 2차 효과약간의 추가 수정! 두 가지 효과는 당황하다 매개변수 추정치가 완벽하게 상관될 때. 즉, 상관관계는 -1 또는 +1입니다. 매개변수를 추정하는 데 사용되는 모델 행렬의 열은 동일합니다(또는 정확히 반대 부호). 모델에 두 항을 모두 포함하면 솔루션의 특이점이 생성됩니다. 그들은 결정할 수 없습니다. 모델 행렬의 두 열이 동일한 값을 가질 때 둘 다라고 말합니다. 별칭 그 열의.
고차 항의 추정치 사이의 상관 관계는 -1 또는 +1이 아니므로 동일한 모델에서 분산이 부풀려지더라도 동시에 추정될 수 있습니다.
DSD가 n 요인의 하위 집합에 대한 전체 2차 모형의 추정을 지원한다는 처음에 언급한 주장은 다음에 따라 다릅니다. 프로젝션 속성 디자인 매트릭스의 DSD 프로젝트 또는 n 요인에 대한 추정치 간에 상관 관계가 없는 더 작은 행렬(더 적은 열)로 축소됩니다. 이 속성이 유지되는 최대 n은 요인 k의 수와 원래 DSD의 크기에 따라 다릅니다.
Re: 확정 선별 설계 - 상관 관계 vs 교락 2차 효과안녕 마크,
n개 요인에 대한 추정치 사이에 상관관계가 없는 더 작은 매트릭스로 투영되는 DSD에 대한 마지막 요점과 관련하여 이해하는 데 어려움을 겪고 있습니다.
17-run DSD를 생성하고 3가지 요인에만 맞추려고 했습니다. 그러나 이 설계를 평가할 때 2차 매개변수 간에 여전히 상관관계가 있음을 확인했습니다. 2차 매개변수 사이에도 전혀 상관관계가 없는 하위 집합이 있어야 한다는 말씀이신가요?
감사해요.
Re: 확정 선별 설계 - 상관 관계 vs 교락 2차 효과이 속성을 설명하는 원본 문서를 찾을 수 없습니다.
JMP DSD 문서 말한다: " 6개에서 최소 30개의 요인에 대해 3개 이하의 요인을 포함하는 전체 2차 모형의 모수를 추정할 수 있습니다. 높은 정밀도로 . "문서에서 주장을 잘못 인용했습니다.
또한 이 토론을 위해 DSD의 예를 만들었습니다. 설계에 6개의 연속 요소를 추가했습니다. 주장의 조건을 만족시키기 위해 X1, X2, X3의 주효과에 대한 모수만이 0이 아닌 반응을 시뮬레이션하였다. 처음에는 모델을 선택하기 위해 Fit Definitive Screening을 사용했습니다. 모델 실행을 클릭했습니다. 효과 요약에서 편집을 클릭하여 모든 상호 작용 및 2차 항을 추가했습니다. 추정치 간의 상관 관계는 다음과 같습니다.
이러한 상관 관계는 귀하의 결과와 일치합니다. 이 모든 정보는 응답 값이 아닌 설계 및 모델 행렬에만 의존합니다. 설명서의 주장과 관련하여 Parameter Estimates를 마우스 오른쪽 버튼으로 클릭하고 Columns > VIF를 선택했습니다.
응답 값에 의존하지 않는 낮은 VIF 값은 상관 관계가 추정 정밀도에 작은 영향을 주어야 함을 나타냅니다.
