확정 선별 설계에서 요인의 중요성친애하는 JMP 커뮤니티 여러분,
나는 지배적인 요인을 찾기 위해 15개 요인에 대해 37회 실행 확정 선별 설계를 수행했습니다. 나는 p-값을 0.05로 설정했고 문서에는 p-값이 정의된 임계값(예: 0.05)보다 낮으면 요인이 "활성"으로 표시된다고 나와 있습니다. 그러나 어떤 경우에는 최종 선별 설계를 적합하게 할 때 p-값이 0.05보다 높은 요인이 "활성 또는 유의"로 나타나는 경우가 있습니다. 아래에 제가 의미하는 바에 대한 예를 첨부했습니다. 누군가 이 모호함을 해결하도록 도와줄 수 있나요?
실험 설계윈도우답변: 확정 선별 설계에서 요인의 중요성안녕 @아메드하디 ,
커뮤니티에 오신 것을 환영합니다!
당신의 디자인을 보지 않고, 어떻게 디자인하는지 알지 못한 채 당신을 돕는 것은 어렵습니다.
그럼에도 불구하고 DSD 분석에 대한 답변은 이 도움말 섹션에서 찾을 수 있을 것 같습니다. 적합 확정 선별 플랫폼(jmp.com)에 대한 통계 세부정보
Fit DSD 방법의 원본 출판물에도 관심이 있을 수 있습니다: Bradley Jones & Christopher J. Nachtsheim(2016): 확정 선별 설계를 위한 효과적인 설계 기반 모델 선택 , 테크노메트릭스, DOI: 10.1080/00401706.2016.1234979
스크린샷에서 볼 수 있듯이 DSD 분석은 DSD의 특정 구조를 고려하기 위해 2단계로 수행됩니다.
- 첫 번째 단계에는 반응 값을 사용한 주효과 식별이 포함됩니다.
- 두 번째 단계에는 첫 번째 단계 모델의 응답 잔차와 함께 2요인 상호 작용 및 2차 효과 식별(효과 유전 원리 기반)이 포함됩니다.
제공된 정보의 양이 적기 때문에 37개의 런 DSD에 15개의 연속 요인이 포함된 경우 설계에 4개의 추가 런이 있을 수 있으므로 1단계에서는 가정된 모델(모든 주효과 포함)의 분산이 오류에 대해 추정됩니다. 4번의 추가 실행으로 인한 차이입니다. 이를 통해 특정 p-값 임계값(귀하가 정의하거나 자유도에 따라 정의) 미만의 활성 효과를 식별할 수 있습니다. 비활성 주효과 변동성이 오류 분산으로 풀링되므로 p-값은 프로세스 변경에 민감할 수 있으며 원래 선택한 경우에도 지정한 임계값을 초과하게 될 수 있습니다.
이러한 효과를 추가할 때 모델 RMSE가 개선되는지 확인하기 위해 2차 효과의 하위 집합을 테스트하는 2단계에서도 비슷한 일이 발생할 수 있습니다(모두 통계적으로 유의하지 않더라도).
주의해서 고려해야 할 두 가지 사항:
- 통계적 유의성 원리: 0.05 p-값 임계값은 차단 값이 아닙니다. 이 값 바로 위의 효과도 모델에서 고려하는 것이 흥미로울 수 있기 때문입니다(도메인 전문 지식 또는 p를 기반으로 하지 않은 다른 모델링 방법의 사용으로 인해). -값). 또한 통계적 유의성은 효과 중요도/크기에 대한 정보를 제공하지 않습니다.
- 모델은 기록된 실험적 현실을 표현한 것일 뿐입니다. 다양한 추정 방법(2단계 전진 선택, 가지치기 전진 선택 등)과 다른 검증 기준(예: 정보 기준 AICc 및 BIC)을 사용하는 일반화 회귀 플랫폼을 사용하여 다양한 모델링 기술을 시도하는 경우 결국 다른 결과가 나올 수 있습니다. 모델. 여러 가지 접근 방식을 비교하여 서로 다른 모델이 어떻게 유사하거나 다를 수 있는지 확인하고 도메인 전문 지식을 사용하여 가장 합리적인 모델을 진행하는 것은 항상 흥미롭습니다.
이 답변이 도움이 되길 바라며,
답변: 확정 선별 설계에서 요인의 중요성친애하는 빅터,
상세하고 도움이 되는 답변에 진심으로 감사드리며, 모든 정보를 제공하지 못해 죄송합니다.
물론 15개의 "연속" 요인이 있고 권장대로 4개의 추가 실행을 포함했습니다. 지금은 반응에 큰 영향을 미치는 주요 요인을 결정하는 데에만 관심이 있습니다. 따라서 1단계에서 소프트웨어가 나열한 모든 "활성 요소"를 중요한 것으로 간주하겠습니다.
여러 모델을 비교하는 것과 관련하여 모델을 평가/비교할 R-제곱 값이 없기 때문에 일부 모델에서는 그렇게 하는 것이 까다롭다는 것을 알았습니다. 그렇게 할 수 있는 체계적인 방법이 있나요?
답변: 확정 선별 설계에서 요인의 중요성안녕 @아메드하디 ,
가장 "합리적인" 모델을 비교하고 선택하려면 R²(또는 조정된 R²)가 아닌 다른 측정항목과 비교하는 것이 좋습니다. R²는 모델이 설명하는 분산 비율만 고려하고 복잡성은 고려하지 않기 때문입니다. 더 많은 항을 추가하면 더 높은 R²를 얻을 수 있지만 약간의 노이즈가 들어갈 수 있는 더 복잡한 모델을 갖게 됩니다.
AICc 또는 BIC와 같은 정보 기준 및/또는 일반적인 반응 분포와 다른 반응 분포가 필요한 경우 최대 가능성은 모델의 정확도와 복잡성(복잡성 수)의 균형을 유지하므로 모델을 비교하고 선택하는 데 더 효과적일 수 있습니다. 모델에 포함된 용어).
다양한 추정 방법과 검증 기준을 사용하는 일반화 회귀(JMP Pro)는 반자동 프로세스이므로 모델을 비교하고 선택하기 위해 가능한 모든 항 조합을 시도할 필요는 없습니다. 각 방법은 특정 값에 도달하면 중지됩니다. "최고의" 모델). 자세한 내용은 여기를 참조하세요: 일반화 회귀 모델(jmp.com)
또한 Stepwise 플랫폼(Fit Model 플랫폼에서 성격을 Stepwise로 변경)을 살펴볼 수도 있습니다. 여기서는 모델에서 가능한 용어를 "자동으로" 선별하고 중지 규칙/기준(기반) 덕분에 가장 유익한 용어를 선택할 수 있습니다. BIC, AICc, p-값 임계값 등에 대해... AICc 또는 BIC와 같은 정보 기준을 사용하는 것이 좋습니다. 좋은 점은 다양한 모델 생성 중에 관련된 다양한 단계와 각 단계가 모델 품질에 어떤 영향을 미쳤는지(R² 및 AICc/BIC 측면에서) 따를 수 있다는 것입니다.
꽤 잘 작동하지만 탐욕스러운 접근 방식이 될 수 있으므로 일부 모델 미세 조정이 필요할 수 있습니다(모델에 긍정적인 영향을 줄 수 있는 모든 항에 입력됩니다).
자세한 내용은 여기를 참조하세요: 단계적 회귀 모델(jmp.com)
"를 시도하는 옵션도 있습니다. 가능한 모든 모델 ", 그러나 가지고 있는 요인의 수가 많고(2차 항을 고려할 때 가능한 항의 수가 훨씬 더 많기 때문에) 너무 길고 계산 비용이 많이 들기 때문에 권장하지 않습니다.
이 답변이 도움이 되길 바라며,
답변: 확정 선별 설계에서 요인의 중요성고려해야 할 또 다른 점은 소프트웨어나 알고리즘이 최상의 모델을 찾는다고 주장하지 않는다는 것입니다. 이는 추가 선택에서 많은 잘못된 모델을 제거하는 데 도움이 됩니다. 모델을 선택하는 다양한 방법으로 다양한 솔루션이 나올 수 있습니다. 솔루션과 함께 제공되는 정보는 개선 사항을 안내하는 데 도움이 됩니다. 포함할 용어를 선택하는 것은 소프트웨어가 아니라 귀하에게 달려 있습니다.
솔루션이 귀하의 요구 사항에 더 적합한지 확인하기 위해 다른 선택 방법을 시도해 볼 수도 있습니다. JMP는 이러한 방법을 많이 제공합니다.
