DSD 해석 및 다음 단계안녕하세요. 저는 현재 JMP와 DSD/최적화에 대해 배우고 있습니다. 첫 번째 실험을 실행했으며 분석 및 다음 단계에 대한 피드백을 받고 싶습니다. 저는 JMP Pro 17을 사용하고 있습니다.
실험 목적: 박테리아의 자성입자 포집/회수를 극대화합니다.
설정: 결과에 영향을 미칠 수 있다고 생각되는 7개의 변수를 선택하고 22개의 실행을 사용하여 테스트했습니다(2개 블록 - 많은 샘플을 실행하는 데 2일이 소요됨). 모델은 3개의 변수가 유의미하다고 반환했지만 변수의 2/3는 테스트 범위를 늘리면 이점을 얻을 수 있는 것으로 보입니다. 나는 예측 프로파일러 그래프를 기반으로 이것을 말합니다. 이는 가능하고 실현 가능하므로 (어느 정도) 더 넓은 범위로 다시 테스트할 수 있습니다.
1. 7개 변수를 모두 사용하여 DSD를 다시 실행해야 합니까, 아니면 해당 2개 변수의 새로운 범위를 포괄하는 중요한 변수를 사용하여 중심 합성 설계를 수행해야 합니까? 증가된 범위가 다른 변수의 중요성에 영향을 미칠 것이라고 생각하지 않고 CCD를 사용하여 최적의 매개변수를 예측할 수 있기 때문에 저는 CCD 쪽으로 기울고 있습니다.
2. 올바른 범위가 없기 때문에 DSD 모델이 사용할 최적의 매개변수를 예측할 수 없다고 가정합니다. 맞습니까? 아니면 어딘가에 해당 출력이 누락되어 있습니까? 내 변수의 50% 미만이 유의미하기 때문에 설계를 최적화에 사용할 수 있다고 생각했습니다.
3. 내가 살펴보아야 할 출력에서 뭔가가 누락되었습니까? 다시 한번 말씀드리지만 저는 초보이고 출력에 소화해야 할 데이터가 많습니다. 내 목표는 궁극적으로 박테리아의 회복을 극대화하는 것이므로 결과의 나머지 부분이 아닌 어떤 변수가 중요한지에 초점을 맞췄습니다. 알파 값 외에 정말로 집중해야 하거나 특별한 주의를 기울여야 하는 특정 "사물"이 있습니까? DOE의 무료 온라인 수업에 대한 몇 가지 메시지를 찾았으므로 이를 수강할 예정입니다. 하지만 해당 수업에서 내 데이터를 통해 가르쳐 줄 내용과 "관련"할 수 있도록 내 결과에 대한 구체적인 피드백을 주시면 감사하겠습니다.
Fit 출력을 첨부하려고 했는데 JMP 파일이 지원되지 않는다는 오류 메시지가 계속 나타납니다. PDF로 첨부했어요.
도움/피드백에 미리 감사드립니다!
실험 설계Re: DSD 해석 및 다음 단계안녕하세요 @Feline614 님 ,
커뮤니티에 오신 것을 환영합니다!
귀하의 주제에 대해 정확하게 안내할 수 있는 정보가 충분하지 않을 수 있다는 점은 유감이지만, 귀하에게 도움과 피드백을 제공하기 위해 최선을 다하겠습니다. 추가 지침이 필요한 경우 더 나은 평가와 도움을 위해 익명화된 데이터 세트( Anonymize Data(jmp.com) )를 공유할 수 있습니까?
다음 단계는 모델의 출력과 통계적으로 유의미한 효과의 감지를 기반으로 합니다. "Fit DSD"(DSD에 권장되는 분석)를 사용하여 한 가지 분석 유형만 시도한 것 같지만 다른 모델링 분석( "Pruned Forward Selection" 과 같은 JMP Pro를 사용하는 경우 다른 추정 방법을 사용하는 일반화 회귀 분석)도 시도해 보셨나요? (AICc/BIC 검증 방법 사용), "2단계 전진 선택" 또는 궁극적으로 "최적 부분 집합"(요인 수가 제한된 경우에만 주효과와 고차항의 다양한 조합으로 많은 모델을 테스트하므로) ) , 아니면 대체 모델로 단계적 회귀를 간단히 테스트해 보세요) ?
앞으로 나아가기 전에 다양한 가능한 모델이 통계적 효과 감지에 동의하는지 확인하고 서로 다른지 여부/어디가 다른지 확인하는 것이 흥미로울 수 있습니다. 이는 연구의 중요한 요소와 효과에 대한 보다 신뢰할 수 있는 개요를 제공할 수 있습니다.
기타 질문에 관해:
- Augment Designs 플랫폼을 사용하여 요인의 범위를 변경하고 다른 실험 영역을 탐색할 수 있습니다. 이 옵션은 첫 번째 DoE에서 얻은 정보가 증강 설계에 필요한 실행 횟수를 최소화하기 위해 유지되므로 CCD와 같은 새 DoE를 다시 실행하거나 생성하는 것보다 더 흥미로울 수 있습니다.
모든 요인을 유지하거나 중요한 요인만 선택해야 하는 필요성은 모델에 대한 중요도/기여도(통계적 및 효과 크기 모두)에 따라 달라지며, 확대 시 해당 범위가 변경되는지 여부도 결정됩니다. 통계적으로 유의하지 않고 효과 크기가 낮은 한 요인의 범위를 변경하지 않는 경우, 실험 예산을 절약하기 위해 증강된 DoE에서 해당 요인을 제외하고 특정 값으로 고정하는 것이 가능할 수 있습니다. 그러나 한 요인의 범위가 변경되면 범위에 따른 반응에 대해 통계적으로 유의미하고 중요해지지 않도록 확대에 유지합니다.
- 회귀선에서 떨어진 2개의 점을 제외하면 모델이 매우 정확해 보입니다. 실험적 변경/오류가 있었나요? 요인의 조건이 "불안정"하거나 반응에 높은 불확실성을 야기합니까? "모델 오류"와 "실험 오류"를 구별하기 위해 이 두 가지 사항을 조사하고 가능하면 반복하는 것이 좋습니다. 귀하의 질문에 대답하려면 "예측 불확실성 허용 임계값"과 응답 목표가 무엇인지도 알아야 합니다. 여기서 모델의 RMSE는 0.0797입니다. 실험 변동성과 어떻게 비교됩니까? 이 RMSE 값은 해당 분야의 전문 지식과 반복성/재현성 불확실성을 고려하여 수용할 수 있습니까? 당신이 얻고자 하는 최대 응답은 얼마입니까? 이러한 질문에 대한 응답은 모델의 품질과 해당 분야 전문가의 수용 가능성 임계값(예측 평균 응답 및 예측 분산 응답 모두에 대해)에 따라 결정됩니다.
- 출력과 관련하여 확인해야 할 사항이 있을 수 있습니다. 적합성 부족(jmp.com) 테스트는 통계적으로 유의미하며 이는 다양한 이유로 설명될 수 있습니다. 아마도 반복실험의 낮은 분산(또는 그 대표성, 예를 들어 전체 실험 공간의 변동성을 나타내지 않을 수 있는 중앙점인 경우)이 이유일 수 있습니다(순수 오류가 낮음). 모델에서 고차 효과가 누락된 것이 원인일 수 있습니다.
또한 앞서 언급한 두 개의 "이상한" 점을 확인하고 회귀 가정을 확인할 수 있습니다(" 정규 분위수로 잔차 표시 "). 잔차의 정규 분포 가정을 확인하려면 "잔차를 예측으로 표시 "하여 잔차가 0 주위에 무작위로 흩어져 있는지 확인할 수 있습니다. (동분산성 및 선형성 가정) , 실험 순서가 결과에 영향을 미치지 않는지 확인하기 위해 잔차를 행별로 표시합니다(관찰 가정의 독립성).
또한 블록 변수를 무작위 효과(여기서 모델의 고정 효과 대신)로 사용해 보겠습니다. 이는 실험이 완료된 날짜를 나타내기 때문에 주/시간의 하위 집합일 뿐이며 평균 반응에 대한 날짜의 고정 효과에는 특별히 관심이 없지만 반응 변동성에 대한 날짜 무작위 효과의 영향에 더 관심이 있을 가능성이 높습니다. Fit Model 플랫폼을 사용하여 혼합 모델을 피팅하고 블록 효과를 Random: Mixed and Random Effect Model Reports and Options(jmp.com) 으로 지정할 수 있습니다.
일을 무작위 효과로 사용하면 반응의 변동성을 더 잘 평가하는 데 도움이 될 수 있으며 적합성 테스트 부족에 긍정적인 영향을 미칠 수 있습니다. 변동은 모델 오류로 인한 것이 아니므로 이 항은 줄어들 수 있습니다.
DSD 이해에 도움이 되는 일부 리소스:
확정 선별 설계 소개 - JMP 사용자 커뮤니티
확정 선별 설계 - JMP 사용자 커뮤니티
적합 확정 선별 플랫폼(jmp.com)
확정 선별 설계를 사용하여 더 적은 수의 시험으로 더 많은 정보 얻기 - JMP 사용자 커뮤니티
그리고 더 일반적으로 DoE에 대해서는 다음과 같습니다.
DoE 리소스 - JMP 사용자 커뮤니티
이 답변이 도움이 되길 바랍니다.
Re: DSD 해석 및 다음 단계안녕하세요 @Victor_G 시간을 내어 철저한 답변을 작성해주셔서 정말 감사드립니다!
익명화된 데이터 세트를 첨부했습니다.
"2단계 전진 선택"이 옵션이 아닌 것(회색으로 표시됨)을 제외하고는 귀하가 언급한(첨부된) 다양한 모델을 실행했습니다. 단계적 접근 방식은 0.12에 하나의 변수를 추가했는데, 이는 예측 프로파일러에 따라 결과에 영향을 미칠 수 있는 것처럼 보였지만 생물학적으로 이 특정 실험에서는 이것이 유의미할 것으로 기대하지 않습니다. 박테리아와 나는 그것이 그 테스트에서 중요할 것으로 기대합니다). AICc 및 최상의 하위 집합 AICc를 사용하는 "정리된 순방향 선택"은 하나의 변수를 p=0.0564로 높였지만 시스템에 중요한 영향을 미치는 것은 생물학적 의미가 있습니다. BIC를 사용한 "Pruned Forward Selection" 및 BIC를 사용한 최상의 하위 집합은 0.12에 하나를 추가한 단계적 방식과 유사했습니다. 또한 <0.05 변수를 삭제했지만 다른 요인의 유의성은 변경되지 않았습니다.
전반적으로 X_7을 제외하고 모델이 선택한 변수에 놀라지 않았습니다. 하나가 중요한 영향을 미칠 것이라고 확신했습니다.
초보자 수준에서 이러한 모델을 설명하는 좋은 리소스가 있습니까? JMP에서 일부 리소스를 찾았지만 대학에서는 단계적 접근 방식만 배웠습니다. 실제로 p-값에 대한 일반적인 이해 외에 언급한 다른 모델을 해석하는 방법을 모르겠습니다.
1. 증강된 디자인을 만들었습니다. 2개의 변수(X_4 및 X_5)는 생물학적으로 이 시스템에서 중요하지 않기 때문에 제거했습니다(향후 테스트에 포함될 수 있음). 더 높은 범위(X_6 및 X_8) 테스트를 통해 이점을 얻을 수 있는 것으로 보이는 유의미한 2가지 요소를 제외하고 다른 모든 요소는 동일하게 유지했습니다. 기본 실행 횟수를 변경하지 않았지만 차단했습니다. 실행 횟수를 변경해야 합니까? ~35:56에 보내주신 동영상( 확정 선별 설계를 사용하여 더 적은 수의 시험에서 더 많은 정보 얻기 - JMP 사용자 커뮤니티 )에는 DSD의 약점이 "선별 요인 범위에 최적이 포함되지 않을 수 있으므로 후속 설계를 통해 범위가 다양하므로 실제로는 강화할 수 없습니다." 하지만 당신이 제안한 것처럼 다른 값으로 이를 늘릴 수 있습니다. 이것이 문제가 될까요? 데이터를 분석할 때 다르게 수행해야 하는 작업이 있나요?
2. 그 2점을 다시 실행할 수 있습니다. 새 결과를 입력할 때 해당 점을 교체해야 합니까, 아니면 새 값을 포함하는 새 블록을 만들어야 합니까? 새로운 블록을 생성해야 한다면 어떻게 해야 하나요? 왜 그들이 잘못된 것처럼 보이는지 설명할 수 없습니다. 왼쪽의 한 지점은 낮은 박테리아 농도로 인해 가변성을 가질 수 있습니다(푸아송 분포 문제). 오른쪽에 있는 것은 나에게 좀 더 당혹스럽지만 박테리아를 대상으로 작업 중이므로 때때로 이상값이 비정상이 아닙니다.
RMSE의 경우 - 약간 혼란스럽습니다. 나는 낮은 RMSE가 좋을 것으로 추적하고 있으며 모델이 결과를 예측하는 데 능숙하다는 것을 반영할 것입니다. 내가 하고 있는 일과 비슷한 일을 하는 사람에 대한 문헌을 찾을 수 없어 무엇과 비교해야 할지 알 수 없습니다. 내가 시스템에 대해 알고 있는 바에 따르면, 이 특정 실험에서는 많은 "소음"이 발생할 것으로 예상하지 않습니다. 이 특정 박테리아와 시스템은 꽤 일관된 결과를 제공합니다(다른 박테리아에서는 더 많은 가변성이 있지만 다음 주에는 문제가 됩니다).
3. "이상한" 두 가지 점을 다시 실행할 계획입니다. 첨부 파일 "최소 제곱 적합"에 회귀 가정을 추가했습니다. 예측 플롯의 잔차에 클러스터링이 있을 수 있습니까?
동의합니다. 차단은 무작위 효과여야 합니다. 다른 토론 게시물에서 처음 디자인을 할 때 할 수 있다는 것을 알았지만 확인할 "상자"를 찾을 수 없습니다(나는 무작위가 기본값이라고 가정했지만 그렇지 않은 것 같습니다). 나는 그것을 무작위 효과로 만들었고 짝수 순서 효과에 영향을 미쳤습니다. "적합 부족" 상자는 회색으로 표시되어 있습니다... 왜, 그게 무슨 뜻인지 잘 모르겠습니다. 간단히 말해서 "짝수 효과"가 있을 때 X_2*X_2라는 것은 무엇을 의미합니까? X_2*X_3과 같은 경우와 두 변수 사이에 상호 작용이 있다는 것을 이해하지만 변수가 자체적으로 어떻게 상호 작용하는지 이해하지 못합니다.
자료에 감사드립니다. 특히 "도움말 페이지"가 매우 도움이 되었습니다. 나는 아직도 통계의 수준에 압도당하고 있지만, 저를 가르치고 더 나은 과학자가 될 수 있도록 도와주신 여러분의 인내심에 감사드립니다. 이것은 많은 DSD 중 첫 번째가 될 것입니다. "가장 단순한" DSD로 시작하게 되어 기쁩니다!
Re: DSD 해석 및 다음 단계안녕하세요 @Feline614 님 ,
답변해 주셔서 감사합니다. JMP 파일을 사용하면 저장된 스크립트를 통해 분석을 유지하고 모든 열 정보와 속성을 유지할 수 있으므로 다음번에는 여러 Excel 파일 및 PDF 파일 대신 JMP 파일을 제공하는 것이 더 쉬울 수 있습니다(특히 DoE의 경우 각 요인에 따라 Excel에서 데이터를 가져올 때 수동으로 추가해야 하는 열 속성은 최대 3개입니다.
귀하가 만든 다양한 모델은 많은 유사점과 상당히 일치하는 것으로 보이므로 이는 좋은 징조입니다.
DSD는 (그 수가 너무 많지 않은 경우) 이를 감지하는 데 매우 효과적이기 때문에 어떤 모델에서도 상호 작용이나 2차 효과가 표시되지 않는다는 사실에 놀랐습니다. 방금 X2에서 X8까지의 상호 작용 항과 2차 효과를 포함하여 일반화 회귀 플랫폼을 다시 시작했으며(X1을 고정 효과 블록으로 유지) 모델은 설명력 측면에서 이러한 추가된 항의 이점을 얻는 것 같습니다(R²는 최대 0,95) 및 예측력(RASE가 0,05로 감소). X6과 X8 사이에 상호 작용이 있을 수 있고 X2에 대한 2차 효과가 있을 수 있는 것 같습니다. 초기 모델에서 볼 수 있는 통계적으로 유의미한 적합성 부족 테스트가 이러한 누락된 고차 항과 연결되어 있을 수 있다고 생각됩니다.
또한 모델은 포함된 용어에 대해 서로 매우 동의합니다.
DSD를 사용하여 이 초기 단계에 대한 스크리닝 및 최적화에 관심이 있으므로 일반화 회귀의 검증 방법에 AICc와 같은 정보 기준을 사용하는 것이 합리적입니다. 두 가지 모두 설명 가능한 모델을 원하기 때문입니다(가장 중요한 변수만 유지). 및 예측(예측 개선/RASE/RMSE 낮추는 데 도움이 되는 변수 유지).
일반화 회귀에 대한 리소스를 찾고 있다면 다음과 같은 첫 번째 생각이 있습니다.
일반화 회귀 분석에서 선형 모델 피팅
JMP® Pro의 일반화 회귀를 사용하여 강력한 선형 모형 생성
다른 사항에 대해:
- 이전 분석에서 발견된 활성 요인을 유지하여 보강을 수행할 수 있습니다. X5가 중요하지 않더라도 모델에는 그대로 남아있으니 그대로 두겠습니다. 나는 다음 단계에서 중요한 요소를 너무 빨리 제거하는 것보다 증강 단계에서 중요하지 않은 요소를 유지하는 것을 선호합니다.
따라서 모델 결과만을 기반으로(해당 도메인 전문 지식을 통해 확인) 확대 단계에서 X2, X5, X6 및 X8 요소를 유지하겠습니다. 실행 횟수와 관련하여 가능한 요인 범위 변경, 가정된 모델 및 모델에 대해 원하는 확실성/정밀도에 따라 달라지므로 말하기가 어렵습니다. 낮은 수의 요인(4)을 유지하므로 반응 표면 모델을 가정하여 설계를 강화할 수 있으므로 "RSM"을 클릭하면 선택한 요인에 대한 2차 효과뿐만 아니라 모든 2요인 상호 작용이 추가됩니다.
언급한 문제는 요인 범위가 초기 선별과 확대 사이에서 연결이 끊기거나 분리될 때 더 많이 나타납니다. 그러나 요인 범위를 조금 더 늘리거나 조금 더 이동하기를 원하기 때문에 초기 설계 정보의 이점을 계속 누릴 수 있습니다. 달린다.
- 다시 한번 말씀드리지만, 귀하의 질문에 대한 확실한 답변은 없습니다. 결과가 다른 경우 측정된 응답에 대한 신뢰도를 높이기 위해 실험을 여러 번 반복할 수 있습니다.
"처음부터" 새로운 실험을 실현하고 이를 독립적으로 측정한 경우 값이 포함된 새 행을 추가할 수 있습니다. 이러한 새 점은 이전 점의 복제가 됩니다. 동일한 실험에서 측정 부분만 반복하는 경우 원래 값을 측정 평균으로 바꿀 수 있습니다. 이러한 새 점은 실험의 반복일 뿐입니다(따라서 독립적인 새 실행이나 추가된 행이 없음).
그런 다음 이 두 점 값의 변화가 모델의 품질을 향상시키는지 비교할 수 있습니다.
- 잔차에는 특정 패턴이 없는 것 같습니다. 표시되는 클러스터링은 응답 측정값이 높거나 낮고 중간 값이 많지 않기 때문에 발생할 수 있습니다(두 개의 "이상한" 점 제외). 따라서 잔차 대 예측을 보면 2개의 점 클러스터가 표시됩니다. 하나는 낮은 예측 응답 값에 대한 것이고 다른 하나는 가장 높은 응답 값에 대한 것입니다.
블록을 무작위 효과로 사용할 때의 좋은 점은 혼합 모델을 통해 차단 변수가 반응 분산에 통계적으로 유의미한 영향을 미치는지 평가할 수 있다는 것입니다. 귀하의 경우에는 그렇지 않은 것 같으므로 모델에서 이 차단 변수를 제거할 수 있습니다. 이 차단 변수를 고정 효과로 사용하여 모델을 실행하면 이 차단 효과가 평균 반응에 통계적으로 유의미한 영향을 미치지 않으므로 향후 분석에서 제거할 수 있음을 알 수 있습니다.
X2.X2 항과 관련하여 이는 상호 작용이 아니라 X2의 2차 효과입니다. 이는 응답이 2차 함수/항에 의해 X2에 연결됨을 의미합니다. Y = X2²(+ 모델의 다른 항).
이 답변에 대해 테스트된 모든 모델과 스크립트가 포함된 JMP 파일을 첨부했습니다.
이 후속 조치가 도움이 되기를 바랍니다.
Re: DSD 해석 및 다음 단계@Victor_G
모든 데이터를 손으로 입력해야 해서 죄송합니다. 또한 늦어서 죄송하지만 다음 결과로 답변드리고 싶었습니다. 이번에는 올바른 형식을 첨부한 것 같습니다.
증강모델을 실행해봤습니다. 내 '전문성'을 기준으로 용어 1개만 삭제하고 원래 DSD에서 다른 중요한 요소와 중요하지 않은 요소는 모두 남겨 두었습니다. 실행 1-22는 원본 DSD입니다. 실행 23-34는 증강된 디자인입니다. 실행 35와 36은 행 5의 독립적인 반복실험입니다. 실행 37과 38은 행 10의 독립적인 반복입니다(행 5와 10은 원래 DSD의 '이상치'였습니다).
데이터를 올바르게 실행하고 분석하고 있는지 확인할 수 있도록 내 논리를 확인해 주실 수 있나요?
- 유의성을 확인하기 위해 무작위 효과로 차단 기능을 갖춘 혼합 모델을 실행했습니다. 모델에서는 중요하지 않으므로 변수를 삭제할 수 있습니다. 내 잔차는 이전처럼 "무작위"로 보이지는 않지만 끔찍하다고 생각하지는 않습니다.
- AIC를 사용하여 여러 모델을 사용하여 일반화 회귀를 실행했습니다. 모든 상호 작용이 추가되었다고 생각합니다. 지난번에 상호 작용을 추가했다고 말씀하신 것을 알고 있으므로 이번에는 모델 디자인을 올바르게 했는지 확인하고 싶습니다.
삽입한 그래프는 어떻게 만들었나요? 이러한 지침을 찾았지만 귀하가 제공한 멋진 시각적 비교 결과가 나오지 않았습니다. https://www.jmp.com/support/help/en/16.1/?os=win&source=application#page/jmp/model-comparison .shtml#
- 모델에 예측 프로파일러를 추가했습니다. 출력을 최대화하기 위한 최적의 조건을 찾으려고 할 때 모델이 >1.0을 예측한다는 것을 깨달았습니다. 그러나 출력은 비율이며 이론적으로 1이 가능한 가장 높은 값입니다. 그런 다음 출력 범위를 최소값 0, 중간값 0.5, 최대값 1로 변경해 보았지만 예측 변수 프로필은 변경되지 않은 것 같습니다.
생물학적으로 중요한 것으로 표시된 변수는 의미가 있습니다. 나에게 이해가 되지 않는 것은 X_6입니다. 원래 DSD 범위는 1-5였습니다. 1~20까지 확장되었습니다. 생물학적으로 20개 이상의 작업을 수행하면 차이가 발생하지 않습니다. 이는 최소 제곱 모델이 보여주는 것이지만 다른 모델은 그렇지 않습니다.
어떤 모델을 선택해야 할지 어떻게 알 수 있나요? 최대 출력 값이 1.0인 것을 어떻게 설명합니까? 변수에 대한 최적의 매개변수를 살펴보는 방법은 무엇입니까?
- X_1을 모델의 변수로 포함하라는 말을 들었지만 실제로는 그것이 변수여야 한다고 확신하지 않습니다. "실제 세계"에서는 내가 제어할 수 있는 변수가 아니기 때문입니다. 실험실 환경에서만 제어할 수 있습니다. 그러나 실제로 출력은 시작으로 회복된 비율이고 X_1은 시작 숫자이므로 출력 변수의 분모가 됩니다. 저는 X_1이 일정하게 유지되어야 하고 모델이 해당 상수에 최적화되어야 한다고 생각했지만 X_1이 변경되면 변수가 어떻게 상호 작용하는지 알고 싶다는 주장이 나왔습니다. 내 혼란은 변수 X_1이 출력의 분모라면 포함되어야 하는가 하는 것 같아요.
감사합니다!
Re: DSD 해석 및 다음 단계안녕하세요 @Feline614 님 ,
X6에 대한 귀하의 의견과 관련하여 범위를 20으로 늘렸지만 테스트된 범위를 벗어나 모델의 예측을 추정하지는 않습니다. 따라서 X6에 대한 반응의 선형 추세가 증가하는 것처럼 보이지만 X6이 값 20에 도달한 후에 이 추세가 멈출 수도 있습니다. 또는 그렇지 않을 수도 있으며 이는 새로운 사실/지식이 될 것입니다. 하지만 이 범위를 벗어나 테스트하지 않으면 확신할 수 없습니다. 범위 외부에 검증/테스트 포인트를 생성하고 측정된 값을 예측된 값과 비교하여 증가하는 선형 추세가 테스트된 범위 밖에서 멈추거나 다를 수 있음을 나타내는 모델의 편차가 있는지 확인할 수 있습니다. X6.
실제로 최소 제곱 모델에 포함되고 도메인 지식에 의해 지원되는 X6에 대한 2차 효과가 있으므로 모델 구성에 다음 용어(X6에 대한 주 효과 및 2차 효과)를 강제로 포함할 수도 있습니다. 고급 제어(jmp. com)
일반적인 질문과 관련하여 선택할 확실한 모델은 없습니다. 통계적으로나 실험적으로 의미가 있다면(도메인 전문 지식) 여러 유사한 모델을 선택할 수 있습니다. 내가 할 일은 다음과 같습니다.
- X7을 무작위 효과로 사용하여 혼합 모델을 시작하여 이 무작위 블록의 통계적 유의성을 평가합니다.
- 여러 GenReg 모델을 실행하고 모델에 포함된 용어와 모델 성능을 비교하여 어떤 용어가 중요하고 활성인지 더 잘 볼 수 있습니다. 통계적 평가 및 도메인 전문 지식을 기반으로 유익한 모델을 평가하고 선택합니다.
- 무작위 블록 효과는 전체 모델에서 중요하므로 이전 두 단계에서 얻은 학습을 기반으로 중요한 항을 사용하여 정제된 혼합 모델을 구축합니다. 무작위 블록 효과가 여전히 중요한지 평가하고 학습에 가장 적합한 모델(혼합 또는 일반화 회귀 모델 기반)을 만듭니다. 모델을 검증하면 모델에 대한 자신감을 얻는 데 도움이 될 수 있으며 플랫폼 모델 비교(jmp.com)를 사용하여 여러 모델을 모델의 저장된 예측 공식 열과 결합할 수도 있습니다.
X1에 대해 이는 귀하의 목표 및 결과로 수행하려는 작업과 연결됩니다. 연구실 환경에서만 시스템을 조사하고 있습니까, 아니면 결과를 다른 환경에서 사용하시겠습니까? 두 번째 옵션인 경우 이 새로운 환경에서 몇 가지 확인/검증 실행을 실행하여 실험실 규모의 결과를 다른 환경에서 전환/사용할 수 있는지 확인할 수 있습니다. 분석적 관점에서 X1이 실험실과 다른 환경 간에 다르게 처리되는 경우 문제가 되지 않을 수 있습니다. 실험실 환경에서는 프로파일러에 추가된 제약 조건 없이 적합성을 극대화할 수 있습니다. 다른 환경에서는 X1의 고정 값을 알고 X1 값을 잠그고 다른 요소를 최적화하여 바람직성을 최대화할 수 있습니다. 요소 값 설정 또는 잠금(jmp.com)
이 후속 조치가 도움이 되기를 바랍니다.
