JMP 本月稍早舉辦了關於實驗設計 (DOE) 的統計演講研討會。 特別感謝 Moderna 的 Julia O'Neill、羅氏的 Andrea Geistanger 和 CPI 的 Rachel Findlay 與主持人 Malcolm Moore 進行了精彩的討論。 與會者也聽取了兩場主題演講。第一場演講由Trinity Challenge 執行主席莎莉·戴維斯(Dame Sally Davies) 女士主講，她描述了科學家在當前數據領域面臨的挑戰以及擁抱分析後可以實現的目標。 O'Neill 博士發表了第二個主題演講，其中她解釋了 Moderna 如何利用 DOE 和分析成功解決現實世界的問題，即如何開發針對新型冠狀病毒 SARS-CoV-2 的疫苗。
從小組成員收到的問題數量來看，這次活動引起了極大的興趣。 雖然他們很好地解決了其中的許多問題，但不可能在允許的時間內回答所有問題。 因此，我們決定在這篇文章中回答這些問題。
Q：您能否將樣本量與可靠創新的可能性連結起來？
答：我們可以做得更好。 新的樣本大小瀏覽器，於JMP 16和JMP Pro 16的創建是為了鼓勵探索功效、樣本量和其他關鍵指標之間的關係，這些指標涉及確定如何最好地確保實驗成功，如中所述這篇博文作者：迦勒金 ( @calking ）。 我們建議任何對在開發專案之間分配資源或預算、規劃時間表或只是了解樣本量計算感興趣的人來查看此新功能。
Q：您對解決能源部最具挑戰性的部分（選擇因素和定義範圍）的資源有建議嗎？
答：這是一個非常有趣的話題，並且有充分的理由：選擇影響您的回應的因素以及足夠大的範圍以檢測效果是規劃和執行成功的 DOE 的關鍵的第一步。 此時，定義成功也會有所幫助。 如果 DOE 產生的模型能夠充分理解滿足業務需求的流程，那麼它就是成功的：「我們如何設定因素來實現這我們的產品品質水平如何？”例如。
如果 DOE 能夠識別重要因素、量化模型未捕獲的變化並為後續實驗（增強 DOE）指明方向，那麼它也是成功的。 未能識別單一重要因素的實驗將構成失敗，儘管我們了解到選擇了錯誤的因素，或者範圍設置得不夠寬。 關於 DOE 的任何好的資源都包括一些關於如何選擇因素和範圍的討論，儘管它通常只不過是「選擇可能影響您的回應的因素以及足夠寬的範圍以看到影響（如果存在），但是不能太寬以致導致運行失敗。”這是因為因素和範圍的選擇完全取決於所討論情況的具體情況。 因此，確定這些的最佳人選是過程專家，而不是對 DOE 有深入了解但對應用了解有限的統計學家。 說了這麼多，來看看JMP 使用者社群中的討論，其中包括對此事的許多有用的見解。
Q：如何確保「歷史」數據或來自「外部來源」的數據的可靠性？ 有人曾經說過「永遠不要分析你自己沒有收集到的數據」。 您如何克服這個問題，以確保您的歷史數據可靠、有意義，所使用的測量系統能夠將過程變化評估到最小等等？
答：我不知道是誰說的關於你自己沒有收集到的數據，但我不同意。 在她的主題演講中，莎莉·戴維斯女爵士討論了數據生成和收集的多種方式，以及分析師使用“互不通知”的不同數據集“孤島工作”的風險。用她的話來說，目前“科學家和數據之間的接觸比以往任何時候都更加密切”，將我們的分析限制在我們自己收集的數據上將嚴重阻礙進展。
當然，我們應該始終對數據持懷疑態度，就像我們對從數據生成的模型持懷疑態度一樣。 但以懷疑的態度對待某件事並不等於徹底否定它。 沒有什麼是完美的，對於數據和模型來說確實如此，正如喬治·博克斯在他的著名格言中簡潔地表達的那樣。 這並不意味著因為某件事不完美或不可信就不能從中學到任何東西。 我們對資料的來源或準確性提出問題是正確的。 從其分析中得出的任何結論都應與我們自己的流程知識和主題專業知識一起考慮，而不是盲目接受。
Q：您願意詳細說明 DOE 新用戶應注意的常見錯誤嗎？
答：人們犯的錯誤之一是過度關注設計，而不是先關注他們為什麼要做 DOE。 經常發生這樣的情況：有人首先選擇一個設計，然後犧牲他們的實驗需求來適應設計。 這客製化設計平台在聯合管理計劃讓您創建適合任何情況的最佳設計。 此外，CPI 的 Rachel Findlay 在活動期間提出了一些很好的建議：與同事「分享您的學習和錯誤」。 我們在組織內推廣 DOE 越多，組織受益就越多。
Q：選擇 DOE 時要牢記的最重要因素是什麼？
答：選擇正確的 DOE 有許多重要因素，首先是我們試圖回答的業務問題。 我們首先要透過執行 DOE 來實現什麼目標？ 我們想要減少缺陷還是提高產量？ 也許我們想將新供應商的材料納入我們的流程中，找出如何加快生產或降低成本。 DOE 通常是漸進式學習的迭代過程，在決定是否進一步實驗時，了解我們的目標至關重要。 我們還需要詢問有多少變數可能會影響我們的流程以及我們的時間表和預算。 一旦所有這些都清楚了，我們就可以開始選擇設計的過程。
例如，如果我們已經知道少數變數很重要，並且我們正在尋找設定的最佳組合來最大化輸出，那麼我們可能會選擇響應面實驗。 或者，大量因素和緊張的預算可能會為最終篩選設計。 關於我們的情況、我們的約束、限制以及我們試圖解決的問題的明確答案將為設計或一系列設計指明方向，以確保我們的要求得到滿足。 還應該提到的是評估設計和比較設計平台是幫助做出最佳決策的有用工具。
Q：DOE 可以是一種非常強大的技術…如果使用得當的話…但我同樣看到了太多嚴重過度擬合模型的例子，這些模型不具有預測性，而且這對於新手統計學家/生物學家來說通常並不明顯。 我們如何更好地幫助新手理解他們正在使用的工具以及輸出的實際意義？
答：有大量資源可以幫助新實驗者快速掌握實驗設計。 它們還涵蓋了從模型中刪除無關緊要的項目以及使用驗證來避免過度擬合的各種方法。 最終，模型的最佳證明是使用獨立數據進行驗證：所提出的預測是否是根據驗證運行支援的模型確定的解決方案？ 一個很好的起點是解決工業問題的統計思維線上課程，其中包括能源部模組。 還有幾本教材可供參考這裡。 JMP 和 DOE 的新手可以透過新用戶歡迎套件和實驗設計介紹套件。 這掌握 JMP網路研討會也包括能源部。 最後， JMP 使用者社群是一個強大的資源，任何有具體問題的人都可以將其作為討論主題發布； 30,000 名社區成員中的一位通常會在幾個小時內回答問題。
Q：人工智慧如何補充能源部？
A：人工智慧（AI）這個主題在之前的文章中已經討論過了。統計說話事件。 說這是一個非常有前途的領域並不完全準確。 它已經兌現了許多承諾。 然而，人工智慧帶來的最大風險與我們過度依賴它來解決所有問題，或盲目接受它聲稱提供的解決方案有關。 「相關並不意味著因果」這句格言凸顯了人工智慧的缺點。 為了將兩者分開並深入理解任何過程的核心，需要 DOE。 當然，DOE 無法自主驅動工作流程。 我想說人工智慧和能源部都有機會互相補充。
要了解有關 DOE 如何加速創新的更多信息，請報名參加 11 月份的這些免費活動：
