最も相関の低い既存の過去の DOE の最適な組み合わせを見つけるにはどうすればよいでしょうか (JMP17)?私は 30 回の DOE を実行しました。それらは適切に構造化されておらず、各因子のペア間に高い相関 (|r|~0.75) が存在します。最も相関が低い DOE グループをすばやく見つける方法はありますか? たとえば、1 回から 30 回の DOE 実行から主効果因子間の最大相関をリストすると、希望する DOE の数を選択できます。おそらく、30 回の DOE のうち、これらの 16 回の DOE が主効果の相関が最も低い (~0) ことがわかります。
相関性の高い DOE をいくつか削除した後、次に DOE を拡張したいと思います。ありがとうございます!
実験計画法Re: 相関が最も低い既存の過去の DOE の最適な組み合わせを見つける方法 (JMP17)こんにちは@Fruit325 、
この新しい投稿は、以前の投稿 (および Phil と私からの回答) とどう違うのでしょうか ? : DOE を増やすのとは逆に、休止 DOE の D 効率を最大化するために削除する必要がある DOE をすばやく判断するにはどうすればよいでしょうか。
- 因子間の相関関係を見つけるには、 多変量プラットフォームを使用し、「by」変数で DoE ID を指定して、各 DoE データセットの因子間の相関関係を視覚化できます。
- グローバル データ テーブル内のすべての DoE 実行から最も興味深い (相関のない) 実行を選択するには、カスタム デザインを使用して実行を共変量実行として使用し、想定モデル内の効果とモデル内にはないが潜在的にアクティブな効果の間のエイリアシングを最小限に抑えることを目的としたエイリアス最適化基準を持つデザインを作成します。 最適化基準 (jmp.com)
- @Phil_Kayが述べたように、データセットを削減する代わりに、因子間の相関関係を改善し、より有用なモデルとデータ収集を得るために、 拡張デザインを使用する方が有用である可能性があります。データセットを削減する場合は、共変量実行のみでデザインの弱点を克服するために拡張デザインと組み合わせることもできます。そのため、両方のアプローチを組み合わせて、使用されていない元の DoE セットからの実行を検証実行として使用できます。
これらの選択肢と回答があなたにとって意味のあるものであることを願っています。
Re: 相関が最も低い既存の過去の DOE の最適な組み合わせを見つける方法 (JMP17)こんにちは@Victor_G さん
どうもありがとうございます。以前の回答から、D-optima 設計で DOE の数を選択する方法は既に学んでいますが、その時点ではエイリアス最適設計が何であるかを知らず、相関関係のものを拾うために使用できることも知りませんでした。これは主効果とエイリアス項の間の相関関係のみを最適化するのでしょうか。X1 と X2 のような主効果項の間の相関関係はどうでしょうか。JMP で相関関係が最も低い DOE グループの数を教えてくれることは可能ですか。ありがとうございます。とても助かります。
Re: 相関が最も低い既存の過去の DOE の最適な組み合わせを見つける方法 (JMP17)こんにちは@Fruit325 、
因子間に相関関係がある場合、DoE からの共変量実行とともに最適な設計 (D 設計、A 設計、またはエイリアス設計) を使用すると、最も類似していない非相関の実行を選択するのに役立ちます。
以下は、50 個のデータ ポイントがあり、X1 と X2 の間に 0.644 という (高い) 相関関係がある 2 つの要素 (視覚化と理解を目的として) のみの例です。
選択された赤い点は、エイリアス最適 (D 最適設計と同じ結果) カスタム設計に対応し、最も「広がる」ように選択されていることがわかります。これにより、X2 と X1 間の相関関係が低減され、X1 と X2 の主な効果 (相関関係があるにもかかわらず) がより正確に推定されます。
この例では、D 最適設計またはエイリアス最適設計を選択しても、選択された共変量実行には変化がありませんが、因子が増えると (DoE データセットの場合のように)、エイリアス最適設計を使用すると、モデル内の効果とモデルにない潜在的な効果 (相互作用、二次効果、または高次の効果など) との相関関係がなくなる可能性があります。
分析のニーズとデータ収集戦略を分離する必要性を強調したいと思います。相関変数が応答に与える影響を分析する場合は、データ ポイントを選択/フィルターする必要なく、JMP ( 主成分分析、 部分最小二乗法など) または JMP Pro ( 一般化回帰モデル (jmp.com)プラットフォームで Lasso、Ridge、Elastic Net などのペナルティ付き回帰手法を使用するか、 Bootstrap Forestなどの相関変数を処理できる機械学習モデルを使用する) で適切なモデリング オプションを使用できます。
ただし、場合によっては、中品質の大規模データセットよりも、高品質で小規模のデータセットの方がパターンを見つけやすいことがあります。
両方のオプションを試してみると、これら 2 つのオプションで見つかったパターンが類似しているかどうか、また相互に補完できるかどうかを判断するのに役立つ場合があります。
この回答がお役に立てば幸いです。
