맞춤형 DOE 제약 조건의 전력 손실 및 예측 분산따라서 장비 성능에 따라 특정 조합을 허용하지 않아야 하지만 예측 분산과 검정력이 크게 감소합니다. 이 문제를 해결할 수 있는 방법이 있나요? 그리고 그렇게 할 수 없다면 검정력이 낮고 예측 분산이 높은 경우 어떻게 결과를 신뢰할 수 있습니까?
결과 공유 및 전달Re: 맞춤형 DOE 제약 조건에서 전력 손실 및 예측 분산둘 다 고마워요! 내가 선택한 디자인은 불가능했던 4개의 실행을 제거하고 2개의 중심점을 추가한 것을 제외하고는 모든 상호 작용이 포함된 맞춤형 DOE입니다. 내가 막히는 부분은 매개변수 극단에서 테스트할 수 없는 경우 예측 분산을 줄이기 위해 추가 실행을 수행해야 하는 매개변수입니다.
Re: 맞춤형 DOE 제약 조건에서 전력 손실 및 예측 분산요인 탐색 공간을 제한하는 것은 항상 힘을 희생하게 됩니다. 이를 해결하는 방법은 DOE에 더 많은 실행을 추가하는 것입니다.
Re: 맞춤형 DOE 제약 조건에서 전력 손실 및 예측 분산안녕하세요 @evtran 님 ,
귀하의 질문을 읽고 예측 분산 프로파일러를 살펴보면 요인의 낮은 수준(요동 온도, 요동 속도)에서 예측된 상대적 분산이 상위 요인보다 작아 보이기 때문에 실제로 설계가 완전히 균형을 이루고 있지 않다는 것을 알 수 있습니다. 요인 수준을 통해 몇 가지 제약 조건을 확인할 수 있습니다. 설계 자체를 살펴보지 않고 도움을 주기는 매우 어려울 수 있지만 검정력 및 예측 분산과 관련된 질문에 대한 몇 가지 일반적인 설명과 조언은 다음과 같습니다.
- 감지하려는 신호의 상대적 크기를 알고 실험 및 응답 측정 잡음(RMSE)에 대한 좋은 추정치를 가지고 있을 때 전력은 의미가 있습니다(여기에서 @Phil_Kay 의 답변 참조: 해결: DOE에서 전력 분석을 고려해야 합니까? - JMP 사용자 커뮤니티 ),
- 목표(및 설계)에 따라 용어의 중요성보다는 예측 정밀도에 더 관심이 있을 수 있습니다. 이 경우, 서로 다른 설계에 대한 서로 다른 예측 상대 분산(및 디자인 공간 플롯의 비율)을 보고 비교하여 상대적 예측 분산을 가장 잘 최소화하는 것을 선택해야 합니다.
- 다른 설계와 비교하지 않고 검정력 및/또는 상대적인 예측 분산을 살펴보는 것은 별로 도움이 되지 않을 수 있습니다. 여러 모델과 최적성 기준을 사용하여 여러 설계를 생성해 볼 수도 있습니다.
- 최적성 기준: 중요한 효과를 강조하려면 D-최적(또는 A-최적) 설계가 적합할 수 있습니다. 반응 예측에만 관심이 있다면 I-최적 설계가 요구 사항에 더 적합할 수도 있습니다.
- 여러 모형: 모형을 설계할 때 모형의 항을 수정해 볼 수 있습니다. 예를 들어, 연구가 시작되는 경우 주효과만 선별할 수 있습니다(나중에 상호 작용 및 2차 효과를 살펴보기 위해 설계를 강화할 수도 있음). 또는 모델에 상호 작용 항(및 2차 효과?)을 입력하고 추정성을 "가능한 경우"로 변경하여 주 효과에 집중하지만 분석에 충분한 자유도가 있는 경우 다른 효과를 계속 입력할 수 있습니다. .
- 표본 크기: 여기의 구체적인 사례에서 얼마나 많은 실행이 고려되는지는 모르겠지만 실험 비용이 너무 크지 않다면 표본 크기를 늘리면 선별 능력에 대한 더 많은 자신감을 얻는 데 도움이 될 수 있습니다(그리고 검정력을 높이는 데 도움이 될 수 있습니다). 상대 예측 분산을 줄입니다).
결과를 "신뢰"할 수 있으려면 도메인 전문 지식과 비교하여 감지된 중요한 효과가 무엇인지 비교할 수 있습니다. 말이 됩니까? 예측의 정밀도가 요구 사항에 적합한지 확인하기 위해 실제 측정값과 예측을 비교하는 데 사용할 몇 가지 추가 실행(검증 실행)을 준비할 수도 있습니다.
때로는 실험 예산, 목표, 디자인 제약 조건에 따라 다른 디자인이 현재 가지고 있는 것보다 더 나을 수 없기 때문에 디자인을 시도하는 것 외에는 다른 선택의 여지가 없습니다.
설계가 귀하의 필요와 특정 상황에 "충분"했는지 확인하는 유일한 방법은 실험을 실행하고 결과를 분석하는 것입니다. 약간의 어려움이 있는 경우에도 디자인을 보강할 수 있는 가능성이 있습니다.
이 답변이 도움이 되길 바라며,
