JMP コミュニティ あなたが助けてくれることを期待していました。
これまでの主な経験は半分または完全要因計画ですが、4 つまたは 5 つの要因の研究に最終的スクリーニング計画を使用することに興味がある DoE 実務者からの質問です。 これらの質問は次のとおりです。
- DSD と比較した場合、古典的な 2 レベル要因計画の利点と制限は何ですか?
- 最終的なスクリーニング計画を使用して、2 因子交互作用、および 4 因子または 5 因子の主効果と二次関数を推定するモデルを適合させることができますか?
- これに関する私の限られたトレーニングでは、DSD は主に多数の要因から主効果を推定し、少数の重要な要因を確立するために使用されることがわかりました。 次に、これらの要因についてさらに DOE 研究を実行します。これは正しいです？
- 応答曲面設計は曲率とすべての相互作用の推定を達成しますが、大幅に多くの実行が必要になります。DSD では、より少ない実行回数でこれを行うことができますか?
これらに関するアドバイスをいただければ幸いです。
最高、
デクスター
DSD について説明した論文やチュートリアルは数多くあります。たとえば、次のとおりです。
https://www.jmp.com/en_us/whitepapers/jmp/definitive-screening-designs-two-level-categorical.html
https://community.jmp.com/t5/Mastering-JMP/Using-Definitive-Screening-Designs-to-Get-More-Information-from/ta-p/310245
ブラッド・ジョーンズは以前、このテーマに関するブログを書いていました。
古典的なデザインは直交/バランスが取れており、連続的なアプローチで使用すると非常に効果的です。 このアイデアは、分割計画を使用した大胆な計画空間 (2 つの大胆なレベルに多数の因子) から開始し、その後反復することです。 各反復により、実験者はより理想的なレベルのより小さな因子セットに導き、できれば最適な設計空間と予測モデルに導きます。 多くの場合、これらのデザインは加算的なものであり、簡単にデエイリアシングできます。 継続的な知識が不足している場合にも使用できます。 おそらく、統計を専門としない人にも教えやすいでしょう。 「欠点」は、少なくとも初期設計では線形関係を想定していることです。 通常、階層に基づいてモデルを構築するため、これは悪い仮定ではありません。 実験者が合理的なモデルを持っていて、非線形効果が疑われる場合には、線形仮定は望ましくない可能性があります。 続いて、非線形効果をテストするために中心点を使用して古典的な設計を拡張できますが、非線形効果は特定的ではありません。
DSD は、設計に 3 レベルの因子を含めて、二次効果を推定する機会を提供します。 もちろん、これは因子が定量的である必要があることを意味しますが、DSD にカテゴリ因子を含めるオプションがいくつかあります (参照論文を参照)。 これらは、比較的多数の因子を比較的良好な解像度で評価するのに非常に効率的です (結局のところ、それらは計画をスクリーニングすることを目的としています)。 また、線形仮定からの逸脱をある程度の精度で検出することもできます。
適切な設計の選択は常に状況に依存します。 決定に影響を与える基準は多数あります。 ところで、因果構造を理解するまでは、「正しい」設計が何であるかを知ることは不可能です。 私のアドバイスはいつも実験対象として選択した要素を使用して複数の実験を計画します。 各オプションでどのような知識が得られるのか (例: 次数モデル、設計の精度、推論空間、レベル設定など)、そしてその知識を使って何をするかを予測します。 得られる潜在的な知識と必要なリソースを比較検討します。 デザインを選択して、反復する準備をしてください。
