分割プロット DoE (1 日あたりの試行回数の制限)こんにちは、みんな、
新しいケース:
3つの変数（因子）
係数 1 (連続) = 0 ～ 225
係数 2 (連続) = 0 ～ 10
係数 3 (離散 - 2 レベル) = 60 および 90 (プロセス ステップ)
因子 3 は、最初の 2 つの因子の混合に対する最終処理ステップと考えることができます。 例として:
因子 1 (225) と因子 2 (10) の組み合わせ - このバッチは、理想的には同じ日に 60 と 90 の両方で処理されます。
制限/困難な部分は、実行できるバッチの数です。日。 合計 8 日間のトライアルで、1 日あたり 2 バッチを混合する時間しかありません。 最大 16 のバッチと「32 の固有の実行」を意味します。
ブロック要因や変更が難しい要因について、さまざまな解決策を試しました。 ただし、両方の連続因子を変更が難しいものとして設定した場合、検出力分析は非常に悪い結果になります。
私は次のことを説明できるモデルに興味があります。
3つの主な要因
すべてのインタラクション用語
ファクター 1 X ファクター 1
私の現在のセットアップは添付の写真で見ることができます。
私が検討していない解決策がいくつかあるかもしれません。 実際にいくつかの入力を使用できます。
ご返答をお待ちしております。 現在 JMP 17 を使用しています - JSL スクリプトを記述したり操作したりすることはできません。
自動化とスクリプト作成実験計画法品質およびプロセスエンジニアリングRe: 分割プロット DoE (1 日あたりの試行回数の制限)ごめんなさい、どうすることもできません。 私は問題を少し違った視点から見ています...実際に日々何が変化しているのかを理解することで、プロセスを改善する大きな機会が得られます。 なぜプロセスは日々これほど変化するのでしょうか? 因子の影響は毎日一貫していますか、それとも変化しますか?私は決定論的すぎて、ランダムな変動は理解できず、説明できず、おそらくモデル化できないと信じています。右努力。 これには、日々変化する変数を特定し、それらの変数を長期的に管理できるかどうかを判断し、それができない場合はそれらの変数に対して堅牢なプロセスを開発する方法を判断するための、根気強く勤勉な作業が必要です。 変動の原因を理解せずに平均を「予測」するモデルを持つことは、次の古いフレーズに似ています。
「足はオーブン、頭は冷凍庫、平均して完璧な温度です。」
ところで、あなたの小さなスクリーンショットでは、モデルの適切性を判断する上で重要な情報 (RSquares、RMSE、残差分析など) がわかりません。 また、これらの % は手元のデータにのみ適用され、将来同じ結果が得られるとは限りません。
Re: 分割プロット DoE (1 日あたりの試行回数の制限)こんにちは、
レポートの REML 分散成分推定部分では、ランダム (プロット全体) 効果と残差誤差によって捕捉された誤差分散の量が示されます。 データの 18% が「有効」であると解釈するのは誤りです。 誤差分散の 18% (実際には 19%) はプロット効果全体では考慮されていないと解釈する必要があります。
これがお役に立てば幸いです、
フィル
Re: 分割プロット DoE (1 日あたりの試行回数の制限)こんにちは@Bertelsen92 、
からの説明が見つかると思います@Mark_Baileyランダム効果と固定効果の違いに関して非常に役立ちます。解決済み: Re: レポートにおける変量効果 p 値の意味 - JMP ユーザー コミュニティ
あなたの場合、分散の 81% は変量効果、つまり日の変数に帰属させることができます。 有意な Wald p 値があるということは、応答分散が変量効果、つまり 1 日の変数 (プロット全体) に依存することを意味します。 しかし、それはあなたのデータが「ゴミ」であるという意味ではありません。 また、最初にさまざまなプラットフォームを通じてデータやモデルを視覚化することもできます。たとえば、さまざまなモデリング プラットフォームで利用可能な「予測による実際のプロット」を見ると、データに対して適切なモデルを取得できるかどうかがすでにわかる可能性があります (例)あなたが持っているのと同じ条件を再現するために私のサンプルデータテーブルから）：
例として、非定常ノイズ (行数とともに増加) を追加しました。 REML の場合と非常によく似た表示が得られます。
しかし、固定効果の推定値を確認すると (有意でない効果を削除した後)、2 つの重要な主効果、1 つの有意な交互作用、および 1 つの有意な二次効果を検出できました。
ノイズ/分散がどの程度大きいか (さまざまな要因/効果について検出したいレベル間の差と比較して) によっては、予測パフォーマンスが高くない可能性があります。 ただし、各要因が応答にどのような影響を与えるかを感覚的に知るために、プロファイラーを確認する価値はあります。
プロファイラーの追加オプション: 赤い三角形の [条件付き予測] をクリックすると、変量効果を修正することによるモデルの予測を確認できます。予測プロファイラー オプション (jmp.com)これは、変量効果からの分散を制御することによってモデルと因子の効果を確認したい場合に役立つ可能性があります。
サンプルデータの例:
ここに示す例を追加したのは、スクリプト「Model Final」を参照して、私が示した結果を再現できるようにするためです。
この回答があなたのお役に立てれば幸いです、
Re: 分割プロット DoE (1 日あたりの試行回数の制限)こんにちは@Victor_Gそして@Phil_Kay 、
現在トライアルが実施されており、いくつかの応答の測定について Fit モデル プラットフォームを調査しています。 WholePlot*Random 効果に関して 1 つ質問があります。
したがって、応答の 1 つとして、次のような結果が得られます。
つまり、プロット全体 (合計のパーセント = 81,229)。 このデータの分散の 81% は変更した要因では説明できず、他の要因によるものである可能性が高いことが正しく理解されています。 この場合、それは非常に理にかなっています。 自分が正しく理解していることを確認したかっただけです。
次に、データの 18% のみが「有効」である場合に、予測プロファイラーを使用することに意味があるのでしょうか。
よろしくお願いします。 良い週末を。 
Re: 分割プロット DoE (1 日あたりの試行回数の制限)たくさんのご意見をいただき、誠にありがとうございました。 @Phil_Kay 。 私が提案したケースに対する本当に良い説明と解決策。
私はデフォルトの JMP しか使用していないので、「パワースコア」の重要性を過大評価していたかもしれません。 (RMSE = 1、係数 = 1)。
32 回の実行と 16 個のプロットを使用したソリューションを使用します。 2 つのデザインの比較機能は本当に便利なので、次回はぜひ試してみたいと思います。
どちらも良い週末をお過ごしください。
Re: 分割プロット DoE (1 日あたりの試行回数の制限)当然のことですが、 @Victor_G 。 申し訳ありませんが、28 ランを 26 ランと読み間違えていました。 いずれにせよ、16 個の区画全体の設計は、7 つまたは 8 個の区画全体よりも明らかに「優れています」。 ここでは検出力の相対的な差が便利な指標です。つまり、因子への変更が増える => 検出力が大きくなります。 しかし、繰り返しになりますが、検出する必要があるノイズと信号のサイズに意味のある数値がなければ、パワーの絶対値は無意味であることを強調しておきます。
Re: 分割プロット DoE (1 日あたりの試行回数の制限)こんにちは@Phil_Kay 、
提案されたデザインについてのサポートと説明に感謝します。
元の設計では、クリスチャンは 4 回/日の条件を尊重し実現するために、7 つのプロットと 28 回の実行を定義しました。 実行の最大可能数は 32 であるため、8 つのプロットと 32 の実行を使用して 4 実行/日の条件を実現することも可能でした。
しかし、この計画を行う場合、各プロットの実行は「変更が難しい」因子については同様になるため、因子 3 の 2 つの条件で 1 日あたり 4 つの同一のバッチが存在することになります。 この状況は、各ブロックで因子 3 のランダム化が可能であるため (以前に提案した設計と比較して) 因子 3 の検出力に影響を及ぼさない可能性があります (因子を変更するのは簡単です)。ただし、「因子を変更するのが難しい」ためです。これは、これらの因子のランダム化に対する厳しい制限を意味しており、「変更が難しい」因子 1 と 2 の検出力、これら 2 つの因子の予測分散、これらのパラメーター推定の精度、およびデザイン ：
8 プロットと 16 プロットの計画間の検出力の比較:
8 プロットと 16 プロットの計画間の予測分散の比較:
8 プロットと 16 プロットの計画間の推定値の相対標準誤差の比較:
両方の計画のモデル内の項間の相関関係の比較:
この回答がフィルの素晴らしい説明を助け、補完することを願っています。
Re: 分割プロット DoE (1 日あたりの試行回数の制限)こんにちは@Bertelsen92 、
@Victor_Gのソリューションは私にとって理にかなっていて、あなたの要件を満たしているようです。
あなたの例では、7 つのプロット全体と合計 26 の実行を指定しましたが、これは奇妙です。
プロット全体の数は、変更が難しい因子が一定のままである実行グループの数です。 したがって、変更が難しい要素の 2 つの組み合わせを毎日、8 日間にわたって合計 32 回実行できるため、Victor はこれを 16 に設定しました。
パワーが心配でしたね。 因子を変更しにくいものとして設定すると、検出力は低くなります。 計画された実験では、因子を変更し、応答への影響を観察することで、応答に対する因子の影響について学びます。 因子への変更が少なければ、学ぶことも少なくなります。 それ以上に複雑なことはありません。
そうは言っても、電力に関して表示される絶対的な数値は、検出する必要があるノイズ (RMSE) と信号 (予想される係数) について適切な数値がある場合にのみ意味を持ちます。 ほとんどの場合、これらはありません。 したがって、JMP のデフォルト (RMSE = 1、係数 = 1) を使用しているだけの場合、検出力が 0.8 以上であるか < 0.8 であるかを心配するのは意味がありません。
これがお役に立てば幸いです。
フィル
Re: 分割プロット DoE (1 日あたりの試行回数の制限)こんにちは、クリスチャンさん
考えられるオプションの 1 つは、2 つの要素 1 と 2 を「変更するのが難しい」、要素 3 を「変更するのが簡単」と考えることです。
次に、主効果、交互作用、および係数 1 の 2 次べき乗を使用してモデルを作成します。 プロット全体の数を 16 に、実行数を 32 に指定します。
プロット全体ごとに 2 回の実行 (合計 2 バッチ/1 日あたり 4 回の実行、つまり 1 日あたりプロット全体が 2 回) があり、係数 3 のみが変化します。
添付された設計のデータテーブルを見つけて、設計を評価し、ニーズに合うかどうかを確認できます。
