おはよう、
2 つの答え (A と 
と 2 つの因子 (C と D) を含む DOE を作成します。 2 つの因子は、たとえば C の濃度が 5 ～ 9、D の濃度が 10 ～ 25 です。D/C 比が 4 以上でなければならないという因子の制約を付けて計画を作成したいと考えています。 . これをどのように認識すればよいでしょうか。さらに、どのようなタイプの要素をエンコードする必要がありますか?連続か離散か？少し迷っています。
こんにちは@SeanCor 、
JMP コミュニティへようこそ!
JMP を使用して DoE を作成する際の制約を管理する方法をよりよく理解するには、 @Jed_Campbellによるブログ記事「Demystifying Factor Constraints - JMP User Community」を読むことをお勧めします。
ご質問に関して、いくつかの回答、質問、コメント:
- 因子 C および D の濃度が連続的に変化する可能性がある場合、それらは連続因子である可能性が最も高くなります。 「離散」タイプの因子は、可能な範囲全体にわたって定義された少数の順序値のみを取ることができます。因子タイプの詳細については、 因子 (jmp.com) を参照してください。
- この計画の目標は何ですか?これら 2 つの要因の影響を定量的に研究しますか?予測モデルはありますか?これらの要因の考えられる相互作用または二次効果を分析したいですか?これらの質問は出発点にすぎませんが、どのタイプの計画が最も適しているかをより深く理解し、計画の構築と分析に関して適切な決定を下すことができるようになります。
- Concernant votre contrainte relationnel entre C et D, vous pouvez l'ajouter dans plusieurs plateformes de construction de plan. J'ai pris l'exemple ici avec la plateforme Custom Design :
- 答え、係数、範囲を入力してください:
- Dans la partie "Define Factor Constraints", cliquer sur "Specify Linear Constraints". Comme vous souhaitez que le ratio D/C soit supérieur ou égal à 4, une remise en forme de cette équation donne :
4 * :C + -1 * :D</img> <= 0
Vous pouvez donc entrer cette contrainte dans la partie dédiée :
- 計画を使用して推定する効果のタイプを定義します。ここの例では、C と D の間の相互作用を追加しました。C と D の主効果と切片がデフォルトで入力されます。
- 次に、複製の数と中心点を定義し、実行する実行の数についてある程度の柔軟性を持たせることができ、その後、「デザインの作成」計画の生成を開始できます。この例では、二次効果が存在する可能性があるかどうかを評価し、推奨される実行数が 12 である不適合テストでモデルの適合をチェックできるように、3 つの中心点を選択しました。
この関係制約により、因子 C と D は独立しなくなっていることに注意してください。それぞれの個別の効果を見積もるのはさらに難しい場合があります。
この関係制約が実験を実行するために物理的に必要であるかどうか (この場合、物理的に実行不可能または危険な実験が生成されるのを避けるために計画で考慮する必要があります)、それともそうでないのかを明確に区別することが重要です。良い結果が得られると考える「優先」制約。 2 番目のケースでは、開始時のバイアスを回避し、実験空間の最も中立的で完全なビューを得るために、この制約を削除することをお勧めします。実験空間のどこで、どのように、そしてなぜ肯定的な結果が得られたのかを理解するには、否定的な結果も得られる必要があります。
最後に、因子の個々の濃度が興味深い情報を構成するのか、それともむしろ関心があると思われる比率なのかという疑問も生じます。 2 番目のケースでは、係数 C と D を組み合わせて係数 (比率) を作成し、これを特定の範囲にわたって進化させることができ、実験計画法は必要ありません。
ここで説明した制約付き実験計画を生成するために使用されるスクリプトは次のとおりです。
DOE(
Custom Design,
{Add Response( Maximize, "A", ., ., . ), Add Response( Maximize, "B", ., ., . ),
Add Factor( Continuous, 5, 9, "C", 0 ), Add Factor( Continuous, 10, 25, "D", 0 ),
Set Random Seed( 1047040825 ), Number of Starts( 55959 ),
Add Constraint( [4 -1 0] ), Add Term( {1, 0} ), Add Term( {1, 1} ),
Add Term( {2, 1} ), Add Term( {1, 1}, {2, 1} ), Center Points( 3 ),
Set Sample Size( 12 ), Optimality Criterion( "Make A-Optimal Design" ),
"A-Optimality Parameter Weights"n( [1 1 1 1] ), Simulate Responses( 0 ),
Save X Matrix( 0 ), Make Design, Set Run Order( Randomize ), Make Table}
);
PJ には、この応答を示すために生成された計画も表示されます (計算列 D/C の表に追加されているため、このメソッドによって生成されたすべての実験が制約を遵守していることを確認できます)。
この回答がお役に立てば幸いです。
こんにちは@SeanCor 、
非常に正確な係数値に関しては、これは最適な計画を作成するために使用されたアルゴリズムの結果です。このトピックに関する回答を参照してください。
解決済み: Re: D 最適 RSM の奇数因子設定はどのように生成されるか - JMP ユーザー コミュニティ
解決済み: Re: 混合スクリーニング設計に組み込まれたランダム小数 - JMP ユーザー コミュニティ
比率の制約に関しては、後者は非常に厳しいものです。D と C の極値 (D の最大値、C の最小値) を取ると、25/5 = 5 に等しい最大比率に到達します。通常、4 と 5 の間の比率を見つけることができます。この比率の制約を変更したり、係数の範囲を拡大したりすることはできますか (C の値が低く、D の値が大きい)。
予測の目的に関しては、実験空間にポイントを分散でき、モデリング (特に機械学習アルゴリズム) と必要なポイント数で大きな柔軟性が得られるため、空間充填タイプのプランの方がおそらく適切です (最小値はありませんが、適切な数のポイントを選択する必要があります)。
これは、「DoE」、「Special Purpose」、「Space-Filling」で利用可能な Space-Filling プラットフォームで構築できます。
PJ には、因子、応答、比率制約を使用した 20 回の実験で構築された空間充填計画の例が示されています。
選択した計画のタイプに応じた実験空間内の点の分布の比較:
この追加の回答がお役に立てば幸いです。
おはよう、
この回答はとても助かります、ありがとうございます。実際、これはパッケージ、つまり要望に応じてさまざまな可能性を提供するために、インプットからアウトプットを予測することを目的としたモデルの作成です。 A が濃縮収率、B がパーセンテージであると仮定します。因子 C と D の異なる濃度に基づいて、答え A と B を予測したいのですが、説明どおりにモデルを実行すると、実際には達成が困難な非常に正確な小数点濃度が得られます。さらに、制約では比率が 4 以上である必要がありますが、比率の範囲は 4 から 4.91 までしかありません。これは正常ですか?
ありがとう
