일반(프로가 아닌) JMP를 사용하여 혼합물 DOE 분석을 위한 역방향 회귀?저는 일반 JMP가 사용되는 DOE 교육을 진행 중이므로 DOE 분석에는 일반화 회귀를 사용할 수 없습니다. 혼합물에 대한 GenReg SVEM 결과가 훌륭하고 훌륭한 도구인 것은 안타까운 일입니다!
일반 JMP를 사용하여 혼합물에 대해 단계적으로 가능한 모든 모델을 시도했지만 재현할 수 없는 결과를 발견했습니다. JMP 웹 세미나에서 볼 수 있듯이 매우 재현 가능한 결과를 제공하는 간단한 표준 최소 제곱 역분석으로 전환했습니다.
그러나 역방향 회귀는 표준 DOE 분석에 권장하지 않는 방법입니다(저는 가능한 모든 모델을 선호합니다). 그러면 일반 JMP 역방향 분석에서는 이것이 혼합에 선호된다는 점을 훈련생에게 어떻게 설명해야 합니까? 다른 대안, 분석을 위한 더 좋은 방법이 있습니까?
실험 설계Re: 일반(비프로) JMP를 사용한 혼합물 DOE 분석에 대한 역방향 회귀?안녕 @frankderuyck ,
제 생각에 혼합물 실험은 다른 실험과 상당히 다르다는 것이 그 대답의 일부라고 생각합니다. 혼합 요인 효과는 본질적으로 서로 연관되어 있습니다. 효과의 상관 관계는 더 모호하다는 것을 의미하며, 이는 데이터에 유사하게 적합한 경쟁 모델을 찾을 가능성이 더 높다는 것을 의미합니다. 따라서 모델 선택에 대한 보다 보수적인 접근 방식이 더 유용할 것입니다.
이게 도움이 되길 바란다,
필
Re: 일반(프로가 아닌) JMP를 사용한 혼합물 DOE 분석에 대한 역방향 회귀?안녕하세요 Phil, 이것은 제가 답변으로 기대했던 것이기도 합니다. 감사합니다!
질문 하나 더: p-값이 혼합 효과 중요성을 나타내지 않기 때문에 Logworth 파레토 플롯은 여전히 효과의 강도에 대한 좋은 지표입니까? 그래도 낮은 logworth 효과를 제거할 수 있습니까?
Re: 일반(프로가 아닌) JMP를 사용한 혼합물 DOE 분석에 대한 역방향 회귀?안녕 @frankderuyck ,
처럼 @Phil_Kay 언급했듯이 혼합 설계는 요인이 독립적이지 않기 때문에 다른 설계(예: 요인 설계)와 상당히 다릅니다. 혼합 요인의 수준을 변경하면 다른 요인에 영향을 미치므로 혼합 요인은 상관 관계가 있습니다.
또한 이러한 유형의 디자인은 선별/통계적 중요성보다는 예측성과 최적화에 더 중점을 두고 있습니다.
마지막으로, 모델 기반 혼합 설계(공간 채우기 접근 방식이 아님)를 선택한 것으로 보이므로 조사하려는 가능한 완전한 모델을 이미 가정했습니다.
이러한 세 가지 이유로 인해 설계 작성 시 가정한 가능한 항을 사용하여 전체 모형에서 분석을 시작하고 모형의 예측 성능을 기반으로 모형에서 항(주효과 제외)을 제거하기 시작하는 것이 더 합리적입니다. 모델(예: RMSE), 각 항의 개별 p-값/로그워스가 아님(혼합 요인 간의 다중 공선성/상관으로 인해 이 유형의 모델에는 절편이 없으므로 p-값/로그워스는 모델 선택에 유효한 측정항목이 아님) .
모델 선택을 "자동화"하기 위해 단계적 접근 방식을 사용하려는 경우 중지 규칙으로 정보 기준(모델의 정확성과 복잡성의 균형을 맞추기 위한 AICc 또는 BIC)과 함께 후진 단계적 회귀를 사용할 수 있습니다.
추가 답변이 도움이 되었으면 좋겠습니다.
Re: 일반(프로가 아닌) JMP를 사용한 혼합물 DOE 분석에 대한 역방향 회귀?안녕하세요 Victor, 유용한 의견을 보내주셔서 다시 한번 감사드립니다! AICc 기준을 사용하여 Backward Stepwise 선택 도구를 사용해 보겠습니다. 기본 훈련에서는 표준 분석 도구를 사용하는 것이 좋습니다. 따라서 일반 DOE에도 간단한 Stepwise를 사용하지만 전방향 회귀에는 사용할 것입니다. 나는 그것이 완벽하지는 않다는 것을 알고 있지만 명확한 사례를 사용하여 DOE 전력을 훈련하고 가르치는 것은 여전히 잘 작동합니다.
Re: 일반(프로가 아닌) JMP를 사용한 혼합물 DOE 분석에 대한 역방향 회귀?혼합물 예측의 주요 목표는 DOE 기준이 I-Optimal이라고 가정합니다.
Re: 일반(프로가 아닌) JMP를 사용한 혼합물 DOE 분석에 대한 역방향 회귀?이 스레드에 있는 귀하의 게시물 중 일부가 약간 혼란스럽다는 점을 인정해야 하지만, 제 생각은 다음과 같습니다.
혼합물 설계의 주요 분석은 혼합물 반응 표면입니다.이미 모델을 알고 있어야 하며 최적의 결과를 얻을 수 있는 위치를 결정하기 위해 표면을 탐색하고 있습니다.이를 반응의 지형도라고 생각하십시오. 해당 표면을 "샘플링"하려는 위치를 시각화하면 요인 설정의 조합을 생각하는 데 도움이 됩니다. 혼합물 설계(또는 최적화 설계)를 실행하는 경우 일관성과 예측 가능성에 영향을 미치는 요인과 잡음에 대해 이미 알고 있어야 합니다(이는 이전 선별 설계에서 연구했어야 함).
Re: 일반(비프로) JMP를 사용한 혼합물 DOE 분석에 대한 역방향 회귀?혼합물에 대한 p-값은 유의성을 나타내지 않으므로 유의미한 효과를 선별하기는 어렵습니다. 또한 강력한 공선성으로 인해 정확한 혼합 모델을 찾기 어렵고 문제가 되지 않습니다. 좋은 예측력과 유용한 모델을 지정하는 것이 목표이므로 실용적인 접근 방식이 필요합니다. 웹 세미나에서 로그워스 파레토가 효과적인 모델 매개변수의 역방향 선택에 사용된다는 것을 알았으므로 이를 교육에 사용하겠습니다. 여기서 예측이 목표이므로 I-최적의 DOE를 구축하는 것이 더 좋지 않습니까?
Re: 일반(프로가 아닌) JMP를 사용한 혼합물 DOE 분석에 대한 역방향 회귀?안녕 프랭크,
Estimates>Cox Mixtures를 선택하면 p-값이 더 잘 인식되고 프로파일러와 일치하게 됩니다.
