저는 DOE를 30번 실행했습니다. 이는 잘 구조화되어 있지 않으며 각 요인 쌍 사이에 높은 상관 관계(|r|~0.75)가 존재합니다. 상관관계가 가장 낮은 DOE 그룹을 빠르게 찾을 수 있는 방법이 있습니까? 예를 들어, 1~30회의 DOE 실행에서 주효과 요인 간의 최대 상관관계를 나열하면 원하는 DOE 수를 선택할 수 있습니다. 어쩌면 30개의 DOE 중 이 16개의 DOE가 주효과에 대해 가장 낮은 상관 관계(~0)를 갖는다는 것을 알려줄 것입니다.
상관관계가 높은 일부 DOE를 제거한 후 다음에 DOE를 늘리고 싶습니다. 감사해요!
안녕하세요 @Fruit325 님 ,
이 새 게시물은 이전에 게시된 게시물(그리고 Phil과 나의 답변)과 어떻게 다릅니까? : DOE를 증가시키는 것과 반대로, 휴면 DOE의 D-효율성을 최대화하기 위해 제거해야 하는 DOE를 신속하게 결정할 수 있습니까?
- 요인 간의 상관 관계를 찾으려면 다변량 플랫폼을 사용하고 "기준" 변수로 DoE ID를 지정하여 각 DoE 데이터 세트에 대한 요인 간의 상관 관계를 시각화할 수 있습니다.
- 글로벌 데이터 테이블의 모든 DoE 실행에서 가장 흥미로운(상관되지 않은) 실행을 선택하려면 사용자 정의 설계를 사용하고 실행을 공변량 실행으로 사용하고 별칭 최적화 기준을 사용하여 설계를 생성하여 간의 별칭을 최소화할 수 있습니다. 가정된 모델에 있는 효과와 모델에는 없지만 잠재적으로 활성인 효과: 최적성 기준(jmp.com)
- @Phil_Kay 가 언급했듯이, 데이터세트를 줄이는 대신 요인 간의 상관관계를 개선하고 보다 유용한 모델과 데이터 수집을 얻는 것이 Augment Designs 에 더 유용할 수 있습니다. 데이터 세트를 줄이는 경우 이를 증강 설계와 결합하여 공변량 실행만으로 설계의 약점을 극복할 수도 있으므로 두 접근 방식을 결합할 수 있고 사용되지 않은 원래 DoE 세트의 실행을 검증 실행으로 사용할 수 있습니다.
이러한 옵션과 답변이 귀하에게 도움이 되기를 바랍니다.
안녕하세요 @Victor_G 님 ,
정말 감사합니다! 이전 답변에서 나는 D-optima 설계로 여러 DOE를 선택하는 방법을 이미 배웠지만 당시에는 별칭 최적 설계가 무엇인지 몰랐으며 상관 관계를 선택하는 데 사용할 수 있는지도 모릅니다. 이는 주효과와 별칭 항 간의 상관관계만 최적화합니까? X1 및 X2와 같은 주효과 항 간의 상관 관계는 어떻습니까? JMP에서 상관관계가 가장 낮은 DOE 그룹의 수를 알려줄 수 있나요? 감사합니다! 많은 도움이 됩니다!
안녕하세요 @Fruit325 ,
요인 간에 상관관계가 있는 경우 DoE에서 공변량 실행을 사용하여 최적 설계(D-, A- 또는 Alias-)를 사용하면 가장 상이하고 상관관계가 없는 실행을 선택하는 데 도움이 됩니다.
다음은 50개의 데이터 포인트와 2개의 요인만 있는 예시입니다(시각화 및 이해 목적). X1과 X2 사이의 상관관계는 0,644입니다.
선택된 빨간색 점은 Alias-Optimal(D-Optimal 디자인과 동일한 결과) 사용자 정의 디자인에 해당하며, 가장 "확산"된 부분으로 선택되어 X2와 X1 간의 상관 관계를 줄이고 X1과 X2의 주 효과를 보다 정확하게 추정하는 데 도움이 됩니다(상관 관계에도 불구하고).
이 예에서 D- 또는 Alias-최적 설계를 선택해도 선택된 공변량 실행에는 아무런 변화가 없지만 요인이 더 많을 경우(DoE 데이터 세트의 경우인 듯함) Alias-최적 설계를 사용하면 모델의 효과와 모델에 없는 잠재적 효과(상호 작용, 2차 또는 고차 효과 등) 간에 상관 관계가 발생하지 않을 수 있습니다.
여전히 분석 요구 사항과 데이터 수집 전략을 분리해야 할 필요성을 강조하고 싶습니다. 응답에 미치는 상관관계가 있는 변수의 영향을 분석하려면 JMP( 주성분 분석 , 부분 최소 제곱법 등 )나 JMP Pro( 일반화 회귀 모델(jmp.com) 플랫폼에 따른 Lasso, Ridge, Elastic Net과 같은 페널티 회귀 기법을 사용하거나 Bootstrap Forest 와 같이 상관관계가 있는 변수를 처리할 수 있는 머신 러닝 모델을 사용)에서 적절한 모델링 옵션을 사용할 수 있으며, 데이터 포인트를 선택/필터링할 필요가 없습니다.
그러나 어떤 경우에는 중간 품질의 대규모 데이터 세트보다 고품질 소규모 데이터 세트에서 패턴을 발견하는 것이 더 쉽습니다.
두 가지 옵션을 모두 시도해 보면 두 옵션에서 발견된 패턴이 비슷한지, 그리고 서로 보완할 수 있는지 확인하는 데 도움이 될 수 있습니다.
이 답변이 도움이 되길 바랍니다.
