最終的なスクリーニング計画における要素の重要性JMP コミュニティの皆様
私は、支配的な要因を見つけるために、15 の要因に対して 37 回の最終スクリーニング計画を実施しました。 p値を0.05に設定しましたが、ドキュメントには、p値が定義されたしきい値（つまり、0.05）より低い場合、因子は「アクティブ」として表示されると記載されています。 ただし、場合によっては、最終的なスクリーニング計画を当てはめると、p 値が 0.05 を超える因子が「活性または有意」として表示されることがあります。 以下に、私が言いたいことの例を添付しました。 誰かがこの曖昧さを解決するのを手伝ってくれませんか？
実験計画法ウィンドウズRe: 最終的スクリーニング計画における因子の重要性こんにちは@アハマディ、
コミュニティへようこそ！
デザインを見ずに、またどのようにデザインしているのかを知らなければ、サポートすることは困難です。
それでも、DSD の分析に関するこのヘルプ セクションで答えが見つかるかもしれません。 Fit Definitive Screening プラットフォーム (jmp.com) の統計詳細
Fit DSD メソッドの元の出版物にも興味があるかもしれません: Bradley Jones & Christopher J. Nachtsheim (2016):最終的なスクリーニング設計のための効果的な設計ベースのモデル選択、テクノメトリクス、DOI: 10.1080/00401706.2016.1234979
スクリーンショットでわかるように、DSD の分析は、DSD の特定の構造を考慮するために 2 つのステップで行われます。
- 最初の段階では、応答値を使用した主効果の特定が行われます。
- 第 2 段階では、第 1 段階のモデルからの応答残差を使用した 2 因子交互作用と二次効果の特定 (効果の遺伝原理に基づく) が行われます。
提供された情報量が少ないことから、37 回の実行 DSD に 15 個の連続因子が含まれる場合、計画に 4 回の追加実行が存在する可能性があるため、ステージ 1 では、想定されるモデル (すべての主効果を含む) からの分散が誤差に対して推定されます。 4 回の追加実行からの差異。 これにより、特定の p 値しきい値 (ユーザーまたは自由度の数によって定義) を下回るアクティブな効果を識別できます。 非アクティブな主効果の変動が誤差分散にプールされるため、p 値はプロセスで変化する可能性があり、最初に選択したとしても指定したしきい値を超えてしまう可能性があります。
ステージ 2 でも同様のことが起こる可能性があります。ステージ 2 では、2 次効果のサブセットがテストされ、これらの効果を追加したときにモデル RMSE の改善があるかどうかが確認されます (すべてが統計的に有意ではない場合もあります)。
注意すべき 2 つの点:
- 統計的有意性の原則: 0.05 p 値のしきい値はカットオフ値ではありません。(領域の専門知識、または p に基づいていない他のモデリング手法の使用により、この値をわずかに超える効果もモデルで考慮するのが興味深い場合があります) -値)。 また、統計的有意性からは、効果の重要性やサイズに関する情報は得られません。
- モデルは、記録した実験の現実を表現したものにすぎません。 異なる推定方法 (2 段階前方選択、枝刈り前方選択など) と異なる検証基準 (情報基準 AICc や BIC など) を備えた一般化回帰プラットフォームを使用して、異なるモデリング手法を試すと、結果が異なる可能性があります。モデル。 いくつかのアプローチを比較して、さまざまなモデルがどのように似ているか、または異なるかを確認し、分野の専門知識を使用して最も合理的なアプローチを進めることは常に興味深いことです。
この回答がお役に立てば幸いです、
Re: 最終的スクリーニング計画における因子の重要性親愛なるビクター様
詳細かつ有益なご回答をいただき、誠にありがとうございます。すべての情報を提供できなかったことをお詫び申し上げます。
もちろん、「継続」要素は 15 個あり、推奨どおりに 4 回の追加実行を含めました。 今のところ、私は反応に大きな影響を与える支配的な要因を特定することだけに興味があります。 したがって、ステージ 1 でソフトウェアによってリストされたすべての「アクティブな要因」が重要であると考えます。
異なるモデルの比較に関しては、モデルを評価/比較するための R 二乗値がないため、一部のモデルでは比較が難しいことがわかりました。 それを行うための体系的な方法はありますか?
Re: 最終的スクリーニング計画における因子の重要性こんにちは@アハマディ、
最も「賢明な」モデルを比較して選択したい場合は、R² (または調整された R²) 以外の別の指標と比較することをお勧めします。R² では、モデルによって説明される分散の割合のみが考慮され、その複雑さは考慮されないためです。さらに多くの項を追加すると、最終的には R² が大きくなる可能性がありますが、ノイズが含まれる可能性があるより複雑なモデルが作成されることになります。
AICc や BIC などの情報量基準や、通常とは異なる応答分布が必要な場合の最尤度は、モデルの精度と複雑さ (応答分布の数) のバランスをとるため、モデルの比較と選択にさらに効果的です。モデルに含まれる用語)。
さまざまな推定方法と検証基準を使用した一般化回帰 (JMP Pro) は半自動プロセスであるため、モデルの比較と選択のために、考えられるすべての項の組み合わせを必ずしも試す必要はありません (各方法は、条件に達すると停止します)。 「最高の」モデル）。 詳細はこちら:一般化回帰モデル (jmp.com)
また、Stepwise プラットフォーム (Fit Model プラットフォームで、パーソナリティを Stepwise に変更) を参照することもできます。そこでは、モデル内の考えられる項を「自動的に」スクリーニングし、停止ルール/基準 (ベース) のおかげで最も有益な項を選択できます。 BIC、AICc、p 値しきい値などについて AICc や BIC などの情報量基準を使用することをお勧めします。 優れた点は、さまざまなモデルの作成中に含まれるさまざまなステップをたどることができ、各ステップがモデルの品質 (R² および AICc / BIC に関して) にどのような影響を与えたかを追跡できることです。
これは非常にうまく機能しますが、貪欲なアプローチになる可能性があるため、最終的にはモデルの微調整が必要になる場合があります (モデルにプラスの影響を与える可能性のあるすべての項に入力されます)。
詳細はこちら:段階的回帰モデル (jmp.com)
「」を試すオプションもあります考えられるすべてのモデル」とありますが、要素の数が多いことを考えると (2 次の項を考慮すると可能な項の数はさらに多くなります)、長すぎて計算コストが高すぎるため、お勧めしません。
この回答があなたのお役に立てれば幸いです、
Re: 最終的スクリーニング計画における因子の重要性考慮すべきもう 1 つの点は、ソフトウェアまたはアルゴリズムが最適なモデルを見つけるとは主張していないことです。 これらは、多くの不良モデルをさらなる選択から除外するのに役立ちます。 モデルを選択する方法が異なれば、得られる解決策も異なります。 ソリューションとともに提供される情報は、改善に役立つはずです。 どの用語を含めるかはソフトウェアではなく、ユーザーが選択することになります。
別の選択方法を試して、ソリューションがニーズにより適しているかどうかを確認してください。 JMP はそのようなメソッドを多数提供します。
