JMP は今月初めに実験計画法 (DOE) に関する統計的に話すセミナーを開催しました。 モデレーターのマルコム・ムーアとの説得力のある議論に参加してくれたモデルナのジュリア・オニール氏、ロシュのアンドレア・ガイスタンガー氏、CPIのレイチェル・フィンドレー氏に特別な感謝を捧げます。 出席者は 2 つの基調講演も聞きました。1 つ目は、トリニティ チャレンジの実行委員長であるデイム サリー デイビス氏によるもので、現在のデータ環境において科学者が直面している課題と、分析を採用すると何が達成できるかについて説明しました。 オニール博士は 2 番目の基調講演を行い、モデルナがどのように DOE と分析を利用して現実の問題、つまり新型コロナウイルス SARS-CoV-2 に対するワクチンを開発する方法を首尾よく解決したかについて説明しました。
パネリストから寄せられた質問の数から判断すると、このイベントは多くの関心を集めました。 彼らは多くの質問に熱心に対応してくれましたが、限られた時間内にすべてに答えることはできませんでした。 したがって、この投稿でそれらに答えることにしました。
Q: サンプルサイズと信頼性の高いイノベーションの可能性を関連付けていただけますか?
A: それ以上のことはできます。 で導入された新しいサンプル サイズ エクスプローラーJMP16そしてJMPプロ16で説明されているように、検出力、サンプル サイズ、および実験を確実に成功させる最善の方法を決定する際に関係するその他の重要な指標の間の関係の探索を促進するために作成されました。このブログ投稿ケイレブ・キング著 ( @コーキング）。 開発プロジェクト間のリソースや予算の割り当て、タイムラインの計画、または単にサンプル サイズの計算を理解することに興味がある人は、この新機能をチェックすることをお勧めします。
Q: DOE の最も困難な部分、つまり係数の選択と範囲の定義に取り組むためのリソースに関する推奨事項はありますか?
A: これは非常に興味深いトピックであり、それには十分な理由があります。応答に影響を与える要因と、影響を検出するのに十分な範囲を選択することは、DOE を計画して実行するための重要な最初のステップです。 この時点で、成功を定義することも役立ちます。 DOE は、ビジネス ニーズを満たすためのプロセスを十分に理解したモデルが得られた場合に成功します。これ私たちの成果物の品質レベルは？」例えば。
DOE は、重要な要因を特定し、モデルでは捉えられなかった変動を定量化し、追跡実験 (拡張 DOE) への道を示す場合にも成功します。 単一の重要な因子を特定できなかった実験は失敗とみなされますが、間違った因子が選択されたか、範囲が十分に広く設定されていなかったことが学習されます。 DOE に関する優れたリソースには、因子と範囲の選択方法に関する議論が含まれていますが、多くの場合、「応答に影響を与える可能性のある因子と、存在する場合にその効果が確認できる十分に広い範囲を選択する」以上のものではありません。実行が失敗するほど広くはありません。」これは、係数と範囲の選択が問題の状況の詳細に完全に依存するためです。 したがって、これらを決定するのに最適な人材は、DOE についてはよく理解しているがアプリケーションについてはあまり理解していない統計学者ではなく、プロセスの専門家です。 ここまで述べたので、見てください。 JMP ユーザーコミュニティでのこのディスカッション、この問題に関する多くの有益な洞察が含まれています。
Q: 「過去の」データまたは「外部ソース」から得られるデータの信頼性をどのように確保しますか? かつて誰かが「自分で収集していないデータは決して分析しないでください」と言ったことがあります。 過去のデータが信頼でき、意味のあるものであること、使用されている測定システムがプロセスの変動を最小限に評価できるものであることなどを確認するには、この問題をどのように克服すればよいでしょうか?
A: あなた自身が収集していないデータについて、誰がそう言ったか知りませんが、私はそれに同意しません。 デーム・サリー・デイビス氏は基調講演で、データが生成および収集される方法が多岐にわたることと、「相互に情報を提供していない」異なるデータセットを使用して「サイロで作業している」アナリストのリスクについて議論しました。彼女の言葉を借りれば、現在は「科学者とデータとの関わりがこれまで以上に大きく」なっており、分析を自分たちで収集したデータに限定することは進歩を大きく妨げることになる。
もちろん、データから生成されたモデルに懐疑的なのと同じように、データに対しても常に懐疑的であるべきです。 しかし、何かを懐疑的に扱うことは、それを完全に否定することと同じではありません。 完璧なものはありません。ジョージ ボックスが有名な格言で簡潔に表現したように、これはデータとモデルにも確かに当てはまります。 何かが完璧ではない、または信頼できないからといって、そこから何も学ぶことができないということにはなりません。 データの出所や正確性について質問するのは当然の権利です。 分析から得られた結論はすべて、私たち自身のプロセスの知識と対象分野の専門知識と併せて検討する必要があり、決して盲目的に受け入れないでください。
Q: DOE の新規ユーザーが注意すべきよくある間違いについて詳しく説明していただけますか?
A: 人々が犯す間違いの 1 つは、そもそも DOE を行う理由ではなく、設計に集中しすぎることです。 最初にデザインを選択することから始めて、そのデザインに合うように実験上のニーズを妥協するということが非常に頻繁に起こります。 のカスタムデザインプラットフォームでJMPあらゆる状況に合わせた最適なデザインを実現します。 さらに、CPI の Rachel Findlay 氏はイベント中に、「学んだことや間違いを同僚と共有する」という素晴らしいアドバイスをくれました。 組織内で DOE を推進すればするほど、組織の利益は大きくなります。
Q: DOE を選択する際に留意すべき最も重要な要素は何ですか?
A: 適切な DOE を選択するには、答えようとしているビジネス上の質問をはじめ、多くの重要な要素があります。 そもそも DOE を実行することで正確に何を達成することを目指しているのでしょうか? 欠陥を最小限に抑えたいですか?それとも歩留まりを高めたいですか? 新しいサプライヤーからの材料をプロセスに組み込んで、生産速度を上げたり、コストを削減したりする方法を見つけたいと思うかもしれません。 DOE は多くの場合、増分学習の反復プロセスであり、さらに実験を行うかどうかを決定する際には、ターゲットの目標を理解することが重要です。 また、スケジュールや予算だけでなく、プロセスに影響を与える可能性のある変数がいくつあるかを尋ねる必要もあります。 これらすべてが明確になったら、デザインを選択するプロセスを開始できます。
たとえば、少数の変数が重要であることがすでにわかっていて、出力を最大化するための最適な設定の組み合わせを探している場合、応答曲面実験。 あるいは、多数の要因と厳しい予算が、最終的なスクリーニング設計。 私たちの状況、制約、制限、解決しようとしているものについて明確に定義された答えは、要件が確実に満たされる設計または一連の設計への道を示します。 また、デザインを評価するそしてデザインの比較プラットフォームは、可能な限り最善の決定を下すのに役立つ便利なツールです。
Q: DOE は、正しく使用すると非常に強力なテクニックになります。しかし、私は同様に、予測性のない重度の過適合モデルの例をあまりにも多く見てきましたが、これは初心者の統計学者や生物学者にとっては明らかではないことがよくあります。 初心者が使用しているツールと出力の実際の意味を理解できるようにするにはどうすればよいでしょうか?
A: 新しい実験者が実験計画にすぐに慣れるのに役立つリソースが豊富にあります。 また、モデルから重要でない項を削除したり、検証を使用して過剰適合を回避したりするさまざまな方法についても説明します。 結局のところ、モデルの最良の証明は独立したデータによる検証です。モデルから決定されたソリューションとして提案された予測は、検証の実行によってサポートされていますか? 始めるのに最適な場所は、産業問題解決のための統計的思考オンライン コースには DOE に関するモジュールが含まれています。 教科書も数種類用意されていますここ。 JMP と DOE の両方を初めて使用する人は、次の手順を実行できます。新規ユーザー ウェルカム キットそして実験計画法イントロキット。 のJMPをマスターするウェビナーには DOE も含まれます。 最後に、 JMPユーザーコミュニティは、特定の質問がある人なら誰でもそれをディスカッション トピックとして投稿できる強力なリソースです。通常、質問には 30,000 人のコミュニティ メンバーのうちの 1 人が数時間以内に回答します。
Q: 人工知能は DOE をどのように補完できるのでしょうか?
A: 人工知能 (AI) のトピックについては、以前の記事で説明しました。統計的に言えばイベント。 非常に有望な分野であると言っても過言ではありません。 同社はすでに多くの約束を果たしています。 しかし、AI から生じる最大のリスクは、すべての問題を解決するために AI に過度に依存すること、または AI が提示すると主張する解決策を盲目的に受け入れることに関係しています。 「相関関係は因果関係を意味しない」という格言は、AI の欠点を浮き彫りにしています。 この 2 つを分離し、あらゆるプロセスの理解の核心に到達するには、DOE が必要です。 もちろん、DOE は作業プロセスを自律的に推進することはできません。 AI と DOE の両方が相互に補完する機会があると言えます。
DOE がどのようにイノベーションを加速できるかについて詳しく知りたい場合は、11 月に開催される以下の無料イベントにご登録ください。
