通常の (非プロ) JMP を使用した混合 DOE 解析の後退回帰?通常の JMP が使用される DOE トレーニングに取り組んでいるため、DOE 分析には一般化回帰を使用できません。 これは GenReg にとっては残念なことですが、混合物の SVEM 結果は優れており、素晴らしいツールです。
通常の JMP では、混合に対して可能なすべてのモデルを段階的に試しましたが、結果がまったく再現性がないことがわかりました。そのため、JMP ウェビナーで示されているように、非常に再現性の高い結果が得られる単純な標準最小二乗逆方向分析に切り替えました。
しかし、後方回帰は、標準的な DOE 解析には推奨されない方法です (私は考えられるすべてのモデルを好みます)。そのため、通常の JMP 後方解析では混合物に対してこれが好ましいことを研修生にどのように説明すればよいでしょうか? 他に別のより良い分析方法はあるでしょうか?
実験計画法Re: 通常の (非プロ) JMP を使用した混合 DOE 解析の後方回帰?こんにちは@フランクデルイック、
答えの一部は、混合実験が他の実験とはまったく異なるということだと思います。 混合因子の効果は本質的に相関関係があります。 効果の相関関係はより曖昧さを意味します。つまり、データに同様によく適合する競合モデルが見つかる可能性が高くなります。 したがって、モデル選択に対するより保守的なアプローチがより有用になります。
これがお役に立てば幸いです、
フィル
Re: 通常の (非プロ) JMP を使用した混合 DOE 解析の後方回帰?こんにちは、フィル、これも私が期待していた答えです、ありがとう！
もう 1 つの質問: p 値は混合効果の有意性を示していないため、ログワース パレート プロットは依然として効果の強さを示す良い指標ですか? OK、低いログワース効果を排除することはできますか?
Re: 通常の (非プロ) JMP を使用した混合 DOE 解析の後方回帰?こんにちは@フランクデルイック、
として@Phil_Kay先ほども触れましたが、混合計画は、因子が独立していないため、他の計画 (要因計画など) とはまったく異なります。混合因子のレベルを変更すると他の因子に影響を与えるため、混合因子は相関しています。
また、このタイプの設計では、スクリーニング/統計的有意性よりも予測性と最適化に重点が置かれます。
最後に、(空間充填アプローチではなく) モデルベースの混合設計を選択したようです。したがって、調査したい完全なモデルをすでに想定しています。
これら 3 つの理由により、解析では、設計作成時に想定した可能な項を含む完全なモデルから開始し、モデルの予測パフォーマンスに基づいてモデル内の項 (主効果を除く) を削除し始める方が合理的です。モデル (RMSE など)、各項の個別の p 値/対数ではありません (混合因子間の多重共線性/相関があり、このタイプのモデルでは切片がないため、p 値/対数はモデル選択の有効なメトリクスではありません) 。
ステップワイズ アプローチを使用してモデル選択を「自動化」する場合は、情報量基準 (AICc または BIC、モデルの精度と複雑さのバランスをとる) を停止ルールとして使用して、後方ステップワイズ回帰を使用できます。
この追加の回答がお役に立てば幸いです。
Re: 通常の (非プロ) JMP を使用した混合 DOE 解析の後方回帰?こんにちは、Victor さん、有益なご意見をありがとうございます。 AICc 基準を使用して Backward Stepwise 選択ツールを試してみます。 基本的なトレーニングでは標準の分析ツールが使用されるのは良いことなので、通常の DOE と同様に単純な Stepwise を使用しますが、前方回帰を使用します。 完璧ではないことは承知していますが、明確なケースを使用して DOE の能力をトレーニングおよび指導することは、それでも問題なく機能します。
Re: 通常の (非プロ) JMP を使用した混合 DOE 解析の後方回帰?混合物の予測が主な目的であるため、DOE 基準は I-Optimal であると仮定します。
Re: 通常の (非プロ) JMP を使用した混合 DOE 解析の後方回帰?このスレッドのいくつかの投稿には少し混乱していることを認めなければなりませんが、私の考えは次のとおりです。
混合物設計の主な解析は、混合物の応答曲面です。モデルについてはすでに知っているはずです。最適な結果が得られる場所を決定するためにサーフェスを探索しています。これを応答の地形図と考えてください。 その表面を「サンプリング」する場所を視覚化すると、因子設定の組み合わせを考えるのに役立ちます。 混合計画 (または最適化計画) を実行している場合は、一貫性と予測可能性に影響を与える要因とノイズについてすでに知っている必要があります (これらは以前のスクリーニング計画で検討されているはずです)。
Re: 通常の (非プロ) JMP を使用した混合 DOE 解析の後方回帰?混合物の p 値は有意性を示していないため、有意な効果を除外するのは困難です。また、共線性が強いため、正確な混合モデルを見つけるのは困難ですが、それは問題ではありません。優れた予測可能で有用なモデルを指定することが目標であるため、実用的なアプローチが必要です。 ウェビナーでは、効果的なモデル パラメーターを後方選択するために対数ワース パレートが使用されているのを見たので、トレーニングでこれを使用します。 ここでの予測は目標なので、I 最適 DOE を構築する方が良いのではないでしょうか?
Re: 通常の (非プロ) JMP を使用した混合 DOE 解析の後方回帰?こんにちは、フランクさん
[推定] > [Cox 混合] を選択すると、p 値がより認識しやすくなり、プロファイラーと一致します。
