カスタム DoE プラットフォームを使用して反復 DoE メソッドを実行する方法こんにちは、
DoE とモデルの改良にアプローチする方法に関する過去の投稿をいくつか読みました。私が見た方法の 1 つは、拡張設計オプションを使用してモデル上に構築することであり、それは反復プロセスとして説明されていました。
この方法では、初期段階でスクリーニング タイプのカスタム DoE をさらに実行し、モデルを評価してモデルを削減し、その後、さらなる最適化と分散削減のために設計を強化します。
1. このプロセスは、モデルの改良に取り組む方法として適切だと思われますか?
2. この方法を使用してモデルを改良するにはどのような手順を実行しますか?
- スクリーニングでは主効果と交互作用効果の両方を同時に評価する必要がありますか、それとも主効果から始めて二次交互作用をフォローアップする必要がありますか?
- 主効果が「重要ではない」と判明した場合、交互作用効果の可能性も存在しないことを意味しますか?
- スクリーニング段階で曲率を検出するために中心点を追加する必要がありますか?
- この段階でレプリケートを追加する必要がありますか? (低い分散ではなく大きな影響を評価する場合には、これは不要かもしれないと聞いたことがあります)
- いつレプリケートを追加するか、分散の削減に重点を置く必要がありますか?
前もって感謝します！
実験計画法予測モデリングと機械学習ウィンドウズRe: カスタム DoE プラットフォームで反復 DoE メソッドを実行する方法試してみます。 「講義」をお許しください。
モデルを構築するための「1 つの方法」はありません。状況によっては、より効果的または効率的な方法もあるかもしれませんが、すべては状況によって異なります。さらに、このモデルは役に立つはずだということも示唆しておきます。
優れたモデルとは、研究対象の現象の本質的な特徴を捉え、想定からの逸脱の可能性に対して堅牢な手順を生成する近似であり、できれば使いやすいものです。
GEPボックス
私はすべての調査の基礎として科学的方法 (つまり、帰納と演繹の反復プロセス、例としてはデミングの PDSA やボックスの反復学習プロセスなど) を使用します。
動機や動機 (例: コスト削減、パフォーマンスの向上、顧客の苦情への対応、機能の追加など) を記載する必要がありますが、これは単なる症状である可能性があるため注意が必要です。これがすでに起こっていることを説明するための研究なのか、それとも因果構造を理解することを目的とした研究なのか（私は因果関係を理解することに偏っています）を決定する必要があります。さらに、制約が何であるか (リソース、緊急性など) を理解する必要があります。状況診断から始めます（例：質問、観察、データマイニング（これにはさまざまな回帰タイプの手順が含まれる場合があります）、コラボレーション、潜在的な解決策、測定システムなど）。適切な対応は何でしょうか?中心的な傾向、変動、またはその両方を理解することに関心がありますか。応答変数は現象を適切に定量化していますか?問題はばらつきにあるのに、対応は平均的だったという状況を私は何度も見てきました。それは決してうまくいきません。
仮説を立てます。一連の仮説を立てたら、それらの仮説に対する洞察を提供するデータを取得します。適切なデータ収集戦略は状況によって異なります。多くの仮説または要因がある場合 (たとえば、>15)、最も効率的なアプローチは、有向サンプリング (たとえば、変動成分、MSE) 研究を使用することかもしれません。データは、どのコンポーネントが最も活用されているかを指示するのに役立ちます。 「容疑者」のリストが小さくなるにつれて、おそらく実験によって学習が加速される可能性があります。これは一連の反復に従う可能性がありますが、実際の「最良の」シーケンスが開始されるかどうかは不明である可能性があります。大規模な設計空間 (たとえば、多数の因子と大胆なレベル) から開始する側のエラー。これはおそらく、その設計空間に対するある種の部分実験になるでしょう。高次の効果 (相互作用や非線形など) はまだ存在しており、単に混乱している可能性があることに注意してください。データと、データが提供する洞察についての解釈をガイドにしてください。
ノイズ(例: 搬入される材料、周囲条件、測定誤差、オペレーターの技術、顧客の使用状況など) に関しては、これが最も機会損失が多いと思います。直観的に、私たちのバイアスは、実験中、テストされていない要素を一定に保つことであると思います。これは完全に間違いです。これにより、推論空間が狭くなり、結果が将来も当てはまる可能性が低くなります。ノイズを理解することは、1 次モデルを理解することとほぼ同じです。あなたがこれまでに計画した最大の実験について考えてください。この研究にはいくつの要素が含まれているか考えてみましょう。実験はすべての要素のどのくらいの割合を占めますか?残念ながら、このソフトウェアには、ノイズを適切に調査する方法についての指示を提供する機能はありません。
「ブロックできるものはブロックし、できないものはランダム化する」、GEP Box
設計要素 (カスタム、最適性、DSD など) を研究するための最も効率的な方法には多くの時間が費やされますが、研究にノイズを組み込むことにはほとんど費やされません。間違った場所にいる場合、複雑なモデルがどのような影響を与えるのかわかりません。ソフトウェア プログラムで「自動化」できるかどうかわかりませんか?批判的思考が必要です。
特定の質問に関して:
- スクリーニングでは主効果と交互作用効果の両方を同時に評価する必要がありますか、それとも主効果から始めて二次交互作用をフォローアップする必要がありますか?
アドバイスは、モデルを階層的に開発することです。あなたの質問は「評価」ではなく、推定または分離かもしれません。すべてはあなたが何を知っているか、何を知らないかによって決まります。仮定の誤り: あなたはあまり知りません!
- 主効果が「重要ではない」と判明した場合、交互作用効果の可能性も存在しないことを意味しますか?
絶対違う。 F=ma とします (主効果 m も a も重要ではありません)
- スクリーニング段階で曲率を検出するために中心点を追加する必要がありますか?
状況に応じて。非線形効果を疑っていますか?なぜ？非線形効果が役立つ設計空間にいますか?
- この段階でレプリケートを追加する必要がありますか? (低い分散ではなく大きな影響を評価する場合には、これは不要かもしれないと聞いたことがあります)
- いつレプリケートを追加するか、分散の削減に重点を置く必要がありますか?
ノイズ戦略が必要です。レプリケーションは数多くあるうちの 1 つです。ここでも問題は、設計空間内のノイズは、希望する場所の近くのノイズと似ているかということです。もしそうなら、今すぐ勉強してください。
実験条件の正確な標準化は、しばしば万能薬として軽率に提唱されますが、高度に標準化された実験は、標準化によって達成された狭い範囲の条件に関する直接的な情報しか提供しないという現実的な欠点を常に伴います。 したがって、実際には常にそうであるように、これらの条件がある程度異なる場合、標準化は同様の結果を推測する根拠を強化するのではなく、むしろ弱体化させます。
- RA Fisher (1935)、実験計画法 (p.99-100)
Re: カスタム DoE プラットフォームを使用して反復 DoE メソッドを実行する方法とても思慮深い回答をありがとうございます。デザインへのアプローチ方法に関して、今後検討すべき点がたくさん見つかりました。
いくつか追加の質問があります。9 つの連続因子のモデルを改良するために必要な実行回数を最小限に抑える効率的な方法を見つけたいです。非統計的手法を使用して作成されたプロセスがあるため、現在 JMP を使用して評価し、予期しない結果がないようにしています... 目標は、重要でないコンポーネントを評価して削除し、設計空間内で効果的で予測的なモデルを構築することです。私は精製に携わっていますが、有限の応答 (回収/純度) があります。このため、各因子には広いテスト範囲にわたって最適値 (二次要素) があるべきであると私は考えています。
一般的な思考プロセスは、スクリーニングを実行し、重要でない要因（主効果と相互作用）を除去し、次に設計を拡張して二次関数と分散の削減に焦点を当てることだと思います。
- どのようなやり取りが重要であるかをどのように知るのでしょうか?
- 私はバッファの改良に取り組んでおり、相互作用が不明なコンポーネントが多数あります。
- カスタム アプリケーションでは、すべてのインタラクションを評価する必要があると仮定すると、「画面」が非常に大きくなります (48 回実行)
- 非カスタム スクリーニング オプションを使用する場合、どのインタラクションが評価されているかをどのように確認しますか?
- 決定的なスクリーンやクラシックスクリーンなどのアプリケーションに頼る場合は、30回の実行に近くなります。
- このオプションは、どのインタラクションが評価されているのか、評価されていないのかがわからないため、より不安です。
実際のところ、相互作用効果のソートが実行の大部分を占めているようです。これを効率的に実行できるようにしたいです。
ありがとう！
Re: カスタム DoE プラットフォームを使用して反復 DoE メソッドを実行する方法これが私の考えです。残念ながら、私はあなたのプロセスを完全に理解しているわけではないので、その点に留意してください。
「9 つの連続因子のモデルを改良するために必要な実行回数を最小限に抑える効率的な方法を見つけたいです。」
1 回の実験で最小限に抑えますか? 繰り返し行う予定ですか? 全体的な実験予算はいくらですか(時間やリソースなど)? 実行回数が少ないほど、効果を分離して割り当てるために利用できる自由度は少なくなります。
「当社には非統計的手法を使用して作成されたプロセスがあるため、現在は JMP を使用して評価し、予期せぬ事態が発生しないようにしています。」
最終的に必要なのは、有用かつ堅牢な予測モデルです。モデルにたどり着く方法はリソースに影響を与える可能性がありますが、統計には魔法はありません。私にとって「驚きがない」とは、ノイズに対して堅牢な安定した一貫性のあるプロセスを意味します。堅牢性を評価する唯一の方法は、研究でノイズを変化させることです。これには時系列も含まれています。これは、モデルの理解を早めるために時系列を意図的に妥協する実験では重視されません。
「目標は、重要でないコンポーネントを評価して削除し、設計空間内で効果的で予測的なモデルを構築することです。」
言葉を少し整理すると...目標は、効果的 (機能する)、効率的 (費用対効果が高い)、有用 (管理可能)、予測可能 (一貫性と安定性)、かつ堅牢 (ノイズに対して) なモデルを構築することです。もちろん、継続的な改善の概念を検討する必要があるかもしれません。テクノロジーが進化するとどうなるでしょうか。新しい材料が開発または採用されるとどうなるでしょうか。測定と測定システムが改善されるとどうなるでしょうか。顧客の要件が変化するとどうなるでしょうか。
「各要因が広いテスト範囲にわたって最適値（二次要素）を持つべきであるというのは、私にとっては理にかなっています」。
なぜ二次関数なのでしょうか? 線形からの逸脱は、それが有意な場合にのみ考慮されます。線形モデルの方が管理がはるかに簡単です。目的は、正確に予測するモデルを得ることではありません。これらのモデルは、過度に複雑で、狭い空間でしか機能しないことがよくあります。
「どのようなやり取りが重要か、どうやってわかるのですか？」
SME から始めます。どのような相互作用が意味をなすでしょうか。どのような相互作用が予測されますか。その理由は? (仮説)。モデル効果を 2 次までランク付けします。2 次効果がリスト内で上昇するにつれて、解像度を上げる必要性が高まります。古典的な直交設計は、エイリアシング構造がわかっていて部分的ではないため、連続作業では非常に便利です。最初はより多くの実行にリソースを費やすかもしれませんが、後続の実験でエイリアシングを解除する方が簡単になります。いずれにしても、9 つの因子に対して複数のオプションを設計します (JMP で簡単に実行できます)。各設計オプションが、潜在的に得られる知識の観点から何を行うかを評価します (たとえば、どの効果が分離され、どの効果が交絡され、どの効果が調査に含まれないか)。これらのオプションを完了するために必要なリソースと比較します。各設計からのすべての可能な結果を予測します。それぞれの可能な結果がどのようなアクションをもたらすかを予測します。知識とリソースの間で最良の妥協点になると予測される設計を選択します。それを実行します。反復する準備をしてください（反復は予測される必要があります）。
「カスタム以外のスクリーニング オプションを使用する場合、どのインタラクションが評価されているかをどのように確認しますか? 」
JMP は、提案された各設計のエイリアシング構造を提供します。
一般的に、設計が「カスタム」になるほど、エイリアシングは複雑になるという点には同意します。これが部分的なエイリアシングのリスクです。その見返りとして、現在の設計で実行回数が少なくなります。連続した実験の過程では、実行回数が少なくなるでしょうか? 誰にも分かりません。
