4개(2수준) 변수로 DOE를 생성하고 2개 변수를 한번에 분석하는 쿼리안녕하세요:
저는 4개, 2개 수준의 변수를 갖고 있으며 반복 없이 전체 계승 DOR 실행을 수행할 계획이었습니다.
그래서 16개가 실행됩니다.
4개의 변수에 대한 결과를 분석하는 대신, 한 번에 2개의 변수만 분석하면 동일한 16개 실험 세트 내에서 분석할 수 있는 총 6개의 DOE가 제공되지만 각각은 4번 반복됩니다.
변수: A, B, C, D
ABCD를 같이 분석하는 대신 AB, AC, AD, BC, BD, CD를 분석하면 어떨까요?
이렇게 하면 어떤 요소와 상호 작용이 중요한지 확인할 수 있습니다.
나는 DOE 분석기가 동일하다고 생각하는데, 왜 항상 더 많은 반복실험을 하도록 제안됩니까?
내가 뭔가를 놓치고 있거나 내 이해에 결함이 있는 곳이 있습니까?
귀하의 도움에 감사드립니다.
고급 통계 모델링실험 설계Re: 4개(2수준) 변수를 사용하여 DOE를 생성하고 한 번에 2개 변수를 분석하는 쿼리안녕하세요 @VarunK 님 ,
귀하의 게시물에는 여러 가지 질문이 있으므로 단계별로 답변하도록 최선을 다하겠습니다.
완전 요인 설계 사용 및 이를 통해 기대할 수 있는 사항:
16개의 실행이 포함된 2개 수준의 4개 연속 요인에 대한 완전 요인 설계를 수행하려는 경우 이는 선험적 전체 모형에 절편, 4개의 주효과(각 요인에 대한) 및 두 요인 사이의 6개의 상호 작용이 포함된다고 가정함을 의미합니다. 요인. 전체적으로 추정할 항이 11개 있으므로 오류를 평가할 수 있는 자유도는 여전히 5입니다. 분산 분석
전체 모델부터 시작하는 것이 좋습니다. 이는 선험적으로 가정한 모델이므로 아무 것도 없이 다양한 조합에 대해 모델 피팅을 반복하는 대신 다양한 용어의 관련성과 영향에 대한 더 나은 개요를 제공할 수 있습니다. 사전 지식(이렇게 하려면 시간이 더 오래 걸리고 다르거나 충돌하는 모델로 인해 혼란스러울 수 있음)
물론, 결과에 따라 이 전체 모델이 가장 적합하거나 관련성이 없는 모델이 아닐 수도 있고, 귀하의 요구 사항을 충족할 수 있는 단일 모델이 없을 수도 있습니다.
또한 하나(또는 여러) 요소 및 관련 고차 항(상호작용 효과)이 모델에 영향을 미치지 않는 경우 이러한 효과 추정에 해당하는 실행이 하위 차원 공간에 투영되어 다음과 같이 보일 수 있습니다. 복제합니다. 이를 요인 설계의 투사 특성 이라고 하며, 선별 설계/부분 요인 설계가 매우 강력하고 유연할 수 있는 이유(효과 희소성 원칙 포함)입니다. 더 알고 싶다면 인터넷에서 여러 링크를 이용할 수 있습니다: Classical Designs-Fractional Fracttorial Designs Rev1.pdf (afit.edu)
요인 선별을 위한 요인 설계의 투영 속성 | 스프링거링크
그리고 Shadowgraphy와의 비교를 통해 그것이 어떻게 작동하는지 직관적으로 설명하기 위해 LinkedIn에 게시물을 올렸습니다: https://www.linkedin.com/posts/victorguiller_designofexperiments-statistics-dataanalytics-activity-7155469237921153025-ul7E
반복실험을 추가하는 것은 매개변수/계수의 추정을 향상시키는 좋은 기술이지만 실험 예산이 크게 늘어날 수 있습니다. 더 큰 유연성을 제공하기 위해 사용되는 플랫폼에 따라 복제(설계의 전체 복제) 또는 복제 실행(특정 횟수의 실행 복제)을 사용할 수 있습니다. 이러한 복제 차이점과 복제의 이점에 대한 자세한 내용은 https://community.jmp.com/t5/Discussions/Doe-and-replications/mp/565296/highlight/true#M77731 을 참조하세요.
DoE를 분석하는 방법에 대해:
목표에 따라 모델 평가 및 선택에 대한 경로가 다를 수 있습니다.
- 설명 모델 : 설명 모드에서는 응답에 어느 정도 영향을 미치는 용어에 더 중점을 두므로 통계적 유의성을 기반으로 다양한 용어를 포함해야 할 필요성을 평가할 수 있습니다(p- 값 및 사전 정의된 임계값(예: 0.05) 및 실제 유의성(예측 크기, 도메인 전문 지식을 기반으로 한 선택). 조정된 R², R²(및 최소화해야 하는 둘 사이의 차이)는 식별된 용어로 설명되는 변동의 정도를 이해하고 연구 중인 시스템을 설명하기 위해 관련 모델을 선택하는 데 좋은 측정항목이 될 수 있습니다.
- 예측 모델 : 예측 모드에서는 예측 오류를 최소화하는 데 도움이 되는 용어에 더 중점을 두므로 실제 대 예측의 시각화를 통해 예측 성능이 어떻게 향상되는지에 따라 다양한 용어를 포함해야 할 필요성을 평가할 수 있습니다. 예측 플롯 및 오류 크기(잔차 플롯). RMSE는 어떤 모델이 최고의 예측 성능을 가지고 있는지 평가하는 데 좋은 지표가 될 수 있습니다(목표는 RMSE를 최소화하는 것임).
두 부분의 조합에도 관심이 있을 수 있으므로 모델의 예측 성능과 복잡성 사이의 절충안을 찾는 데 도움이 되는 정보 기준 (AICc, BIC)과 같은 모델을 평가하고 선택하는 데 도움이 되는 다양한 측정항목을 사용할 수 있습니다. 이러한 기준에 따라 모델을 평가하고 선택하려면 낮을수록 좋습니다. 유사하지만 모델의 복잡성에 대한 페널티를 포함하지 않는 최대 우도를 사용할 수도 있습니다.
보시다시피 가장 관련성이 높은 모델을 평가하고 선택하는 방법에는 여러 가지가 있을 수 있습니다.
이 답변이 귀하의 사용 사례에 대해 다음에 시도할 작업에 대한 개요를 얻는 데 도움이 되기를 바랍니다.
Re: 4개(2단계) 변수를 사용하여 DOE를 생성하고 한 번에 2개 변수를 분석하는 방법에 대한 질의음, 논쟁하고 싶지는 않지만, 이건 옳지 않습니다. 2단계에서 4개의 요인에 대해 완전 요인 분석을 실행하는 경우, 15개의 DF는 다음과 같이 할당됩니다.
4 DF: 4가지 주요 효과,
6 DF: 6개의 2차 상호작용 효과,
4 DF: 4 3차 상호 작용 효과,
1DF: 4차 상호작용 효과.
오차를 추정하는 데에는 독립변수(DF)가 없습니다. 고차 효과를 모델에서 제외한다고 해서 오차에 대한 독립적인 추정치가 되는 것은 아닙니다.
Re: 4개(2단계) 변수를 사용하여 DOE를 생성하고 한 번에 2개 변수를 분석하는 방법에 대한 질의@스탯맨 , 이론적인 측면에서는 동의하지만, 실제적인 측면에서는 기본적으로 JMP는 전체 분수 설계를 생성할 때 2차 효과만 있는 모델(즉, 주효과와 2요인 상호 작용만 있음)을 가정합니다.
게시하기 전에 확실히 확인했습니다.;)
