過去の混合データを分析し、次の配合の望ましさを最大化するにはどうすればよいでしょうか?こんにちは、みんな、
私は複数の応答変数にわたる混合配合の分析に比較的不慣れなので、何らかのガイダンスが必要です。現在、社内のさまざまな配合の履歴データを組み込んだ新しいデータセットに取り組んでいます。私の目標は、JMP を活用して、成分の異なる重量パーセントがこれらの応答変数にどのように影響するかを分析することです。
添付されているのはサンプル データセットです。このデータを処理するための最適な方法についてアドバイスを求めています。これまで、当社は 24 種類の異なる成分を評価しており、配合における望ましさを最大化することに注力しています。
基本的に、特定の成分の重量パーセントとそれに対応する応答変数の間の傾向を特定したいと考えています。さらに、一定の範囲内での「理想的な」配合に関する推奨事項を受け取ることにも興味があります。既存のデータセットを使用してテストするための実験計画法 (DOE) アプローチも提案できれば非常に役立ちます。
ご意見やご提案をいただければ幸いです。
よろしくお願いします！
データの探索と視覚化実験計画法ウィンドウズRe: 過去の混合データを分析し、次の配合の望ましさを最大化するにはどうすればよいでしょうか?コンポーネントの合計が 1 になるようにする最も簡単な方法は、コンポーネントの 1 つを (1 - 残りすべて) の式にすることです。あなたの状況では、それを常にブレンドに含まれるコンポーネントにすることが重要です。
欠損値を 0 に置き換えるには、すべての因子列を選択します (この方法では、応答の欠損値は 0 に変更されません。これは望ましくありません)。[編集] > [検索] > [検索] に移動します。[検索対象] のボックスに「.」(引用符なし) を入力します。[置換後の文字列] フィールドに 0 と入力します。次に、[選択した列に制限する] ボックスを選択し、[すべて置換] をクリックします。
欠損した回答が含まれないことについては、サンプル サイズが小さいことだけが問題である可能性があります。したがって、適合させたいモデルに対して十分な数の試行がない可能性があります。または、十分な数の試行があっても、有用なモデルを構築するのに適切な場所に試行がない可能性があります。
JMP の Web サイトには、混合モデリングに関する無料のリソースが多数あります。教科書を参照したい場合は、John Cornell 著の「 Experiments with Mixtures」が依然として最も優れていると考えられています。
Re: 過去の混合データを分析し、次の配合の望ましさを最大化するにはどうすればよいでしょうか?こんにちは、ダンさん
詳しいご回答ありがとうございます。履歴データの使用には注意が必要であることに同意します。これらは必ずしも私が自分で実行した実行ではありませんが、同様の条件下でデータが実行されたことを信頼する必要があります。成分が正確に 1 に切り上げられるようにするには、JMP が自動的に合計を 1 と解釈する方法はありますか? これにより、追加の計算を行わずに、wt% ではなく部分を使用するという別の疑問が解決されます。
サンプル データセットでは、欠損値とレベル 0 の間に違いはありませんが、手動で入力せずに簡単に入力する方法はありますか? 欠損値の問題がわかったので、適切に入力します。実行ごとにすべての応答変数が測定されたわけではないので、含まれていないこと以外に分析に問題が発生するでしょうか?
あなたの提案と手順に取り組み、それが私をどこに導くかを見ていきます。Scheffe 混合モデリングと通常の回帰について調査する以外に、私がやりたいことに関するドキュメントや類似の例はありますか? または、理解を深めるのに役立つ他のリソースがあればありがたいです。
ご協力いただきありがとうございます！
Re: 過去の混合データを分析し、次の配合の望ましさを最大化するにはどうすればよいでしょうか?過去の混合データの分析には、いくつかの落とし穴があります。多くの場合、人々は過去のデータを利用しようとするのではなく、計画された実験を実行します。過去のデータは、さまざまな目的を念頭に置いてさまざまな条件下で収集されたため (記録されていない可能性が高い - 機器の変更を 1 つの例として考えてください)、そのデータを組み合わせることが無意味になる可能性があります。データが収集されたときの時間差でさえ、データを組み合わせる際に問題を引き起こす可能性があります。ただし、さらに進めたい場合は、追加の考え/懸念事項を以下に示します。
成分列の合計が正確に 1 になるようにする必要があります。四捨五入の誤差は許容されません。たとえば、サンプル データセットでは、行番号 2 の合計は 1.000000001 になります。混合モデルを適合させるときは、必ず分散分析レポートを確認してください (デフォルトでは表示されないため、要求する必要があります)。そのテーブルの下部に、「縮小モデル Y= 平均に対してテスト済み」というメッセージが表示されます。そのメッセージが表示されている場合は、混合モデルを適合させています。ただし、そのメッセージに「縮小モデル Y= 0 に対してテスト済み」と表示されている場合、混合モデルを適合させていません。切片のないモデルを適合させていますが、これは同じではありません。この最後のメッセージは通常、混合成分が常に 1 になるわけではないために発生します。
サンプル データセットから、成分の欠損値とレベル 0 の間に違いはありますか? 概念的には、欠損値をすべて 0 に置き換えることができると思います。入力変数の欠損値により、その観測が分析から除外される可能性があるため、これを行うと役立つ場合があります。
これは応答にも当てはまります。応答値が欠落していると、分析に間違いなく問題が発生します。その行を分析に含めるには、応答が必要です。したがって、各モデルで可能な限り多くのデータを利用するには、各応答変数を個別に分析する必要があります。
サンプル データが現実的なものであれば、多くの要素があります。これは当然、非常に大きなモデルにつながります。最適化を求めているので、少なくとも 2 元混合項 (相互作用のように見える) と特殊な 3 次項 (3 元相互作用のように見える) を含むモデルが必要になります。そのようなモデルに適合させるには、多くの観測が必要です。2 元項のみを使用すると、24 個の主効果 + 276 個の 2 元項になります。つまり、300 個のモデル項なので、少なくとも 300 個の観測が必要です。さらに、そのように大きなモデルは解釈と視覚化が非常に困難です。繰り返しになりますが、計画的実験では、重要な質問に焦点を絞ることができるため、より少ない要素で特定の質問に答えることができます。
モデルを構築する前に、モデル項間の相関関係を最小限に抑えるために、混合成分の疑似コンポーネント コーディングをオンにする必要があります。相関関係は削除されませんが、最小限に抑えられるため、分析に役立ちます。
また、例では行ったように、Mixture 列プロパティもオンにする必要があります。
まだ行っていない場合は、Scheffe 混合モデルのフィッティングが通常の回帰とどのように異なるかについて調べてください。混合モデルの解釈は異なります。
各応答のモデルを作成すれば、複数の応答の最適化を確実に実現できます。予測プロファイラーの望ましさ関数を使用することもできますが、混合プロファイラーも使用することを強くお勧めします。混合プロファイラーは、混合がない場合と同様に動作します。
最後に、サンプル テーブルを設計実験の作成の入力として利用できます。拡張設計を使用して、既存の行を「完了した実験」として指定します。適合するモデルと、必要な実行の合計数を指定します。JMP は、選択したモデルを推定するために使用する最適な実行を選択します。実行の合計数は、最初のテーブル + 新しい実行であり、JMP は提案された実行数に対していかなる方法も使用しないことに注意してください。したがって、知識を活用して適切な数を選択し、実行する前に結果の設計を必ず評価してください。
頭に浮かんだいくつかの考えを述べます。やりたいことは実行できますが、履歴データには細心の注意を払う必要があり、分析結果が信頼できるものになるようにデータの調整に多くの時間を費やす必要があります。
