과거 혼합물 데이터를 분석하고 다음 제형에 대한 적합성을 극대화하는 방법은 무엇입니까?여러분, 안녕하세요,
저는 여러 반응 변수에 걸쳐 혼합물 공식을 분석하는 데 비교적 익숙하지 않으며 몇 가지 지침을 사용할 수 있습니다. 현재 저는 회사 내 다양한 공식의 과거 데이터를 통합하는 새로운 데이터 세트를 작업 중입니다. 제 목표는 JMP를 활용하여 재료의 다양한 중량 비율이 이러한 반응 변수에 어떤 영향을 미치는지 분석하는 것입니다.
첨부된 데이터 세트는 예시이며, 이 데이터를 처리하기 위한 최선의 접근 방식에 대한 조언을 구하고 있습니다. 역사적으로 우리는 24가지의 서로 다른 성분을 평가해 왔으며 제형의 바람직성을 극대화하는 데 열중하고 있습니다.
기본적으로 저는 특정 성분의 중량 비율과 해당 반응 변수 사이의 추세를 파악하려고 합니다. 또한 특정 범위 내에서 '이상적인' 공식에 대한 추천을 받는 데 관심이 있습니다. 기존 데이터 세트를 사용하여 테스트하기 위한 실험 설계(DOE) 접근 방식도 제안할 수 있다면 매우 도움이 될 것입니다.
어떤 통찰력이나 제안이라도 대단히 감사하겠습니다.
미리 감사드립니다!
데이터 탐색 및 시각화실험 설계윈도우Re: 과거 혼합물 데이터를 분석하고 다음 제제에 대한 적합성을 극대화하는 방법은 무엇입니까?구성 요소가 하나에 추가되는지 확인하는 가장 쉬운 방법은 구성 요소 중 하나를 (1 - 나머지 모두) 공식으로 만드는 것입니다. 귀하의 상황에서는 항상 혼합되어 있는 구성 요소로 만드는 것이 중요할 것입니다.
누락된 값을 0으로 바꾸려면 모든 요인 열을 선택합니다. 이렇게 하면 응답의 누락된 값이 0으로 변경되지 않으므로 원하지 않습니다. 편집 > 검색 > 찾기로 이동합니다. 찾을 내용 상자에 "."를 입력합니다. (따옴표 없음). 바꿀 내용 필드에 0을 입력합니다. 그런 다음 "선택한 열로 제한" 상자를 선택하고 "모두 바꾸기"를 클릭합니다.
누락된 응답이 포함되지 않는 경우 샘플 크기가 줄어든 경우에만 문제가 될 수 있습니다. 따라서 적합하려는 모델에 대해 적절한 횟수의 시행이 없을 수 있습니다. 또는 충분한 시도가 있더라도 유용한 모델을 구축하기에 적절한 위치에 있지 않을 수도 있습니다.
JMP 웹사이트에는 혼합 모델링에 대한 무료 리소스가 많이 있습니다. 교과서를 보고 싶다면 John Cornell의 Experiments with Mixtures 책이 여전히 최고로 간주됩니다.
Re: 과거 혼합물 데이터를 분석하고 다음 제제에 대한 적합성을 극대화하는 방법은 무엇입니까?안녕하세요 댄,
상세한 답변 감사드립니다. 과거 데이터 사용 시 주의사항에 동의합니다. 이는 반드시 내가 직접 수행한 실행은 아니지만 데이터가 유사한 조건에서 수행되었음을 신뢰해야 합니다. 재료를 정확히 1로 반올림하는 것과 관련하여 JMP가 자동으로 합을 1로 해석하도록 하는 방법이 있습니까? 이는 추가 계산을 수행하지 않고 중량% 대신 부품을 사용하는 것에 대한 별도의 질문을 해결합니다.
예제 데이터 세트에서는 누락된 값과 0 수준 사이에 차이가 없습니다. 수동으로 수행하지 않고 이를 채울 수 있는 빠른 방법이 있습니까? 누락된 값의 문제가 무엇인지 확인하고 이를 적절하게 채울 것입니다. 모든 응답 변수가 각 실행에 대해 측정되지 않았으므로 포함되지 않는 것 외에 분석에 문제가 발생합니까?
나는 귀하의 제안과 조치를 검토하고 그것이 나를 어디로 이끄는지 알아보겠습니다. Scheffe 혼합 모델링과 일반 회귀에 대한 연구 외에도 내가 원하는 작업에 대한 문서나 유사한 예가 있습니까? 또는 이해를 심화하는 데 도움이 되는 다른 자료가 있으면 감사하겠습니다.
당신의 도움을 주셔서 감사합니다!
Re: 과거 혼합물 데이터를 분석하고 다음 제제에 대한 적합성을 극대화하는 방법은 무엇입니까?과거 혼합물 데이터를 분석하는 데에는 몇 가지 함정이 있습니다. 많은 경우 사람들은 과거 데이터를 활용하려고 하기보다는 설계된 실험을 수행합니다. 과거 데이터는 다양한 목적을 염두에 두고 다양한 조건(기록되지 않았을 가능성이 높음 - 예를 들어 장비 변경을 생각함)에서 수집되었으므로 해당 데이터를 결합하는 것이 무의미해질 수 있습니다. 데이터가 수집된 시점의 시차조차도 데이터 결합에 문제를 일으킬 수 있습니다. 하지만 계속 진행하고 싶다면 여기에 몇 가지 추가 생각/우려 사항이 있습니다.
성분 열의 합이 정확히 1인지 확인해야 합니다. 반올림 오류는 허용되지 않습니다. 예를 들어 예시 데이터 세트에서 행 번호 2의 합은 1.000000001입니다. 혼합 모델을 피팅할 때 반드시 분산 분석 보고서를 살펴봐야 합니다(기본적으로 표시되지 않으므로 요청해야 함). 해당 표 하단에 "축소 모델 Y=평균에 대해 테스트됨"이라는 메시지가 표시됩니다. 해당 메시지가 있으면 혼합 모델을 피팅하고 있는 것입니다. 그러나 해당 메시지에 "축소 모델 Y=0에 대해 테스트되었습니다"라고 표시되면 혼합 모델을 적합하지 않은 것입니다. 당신은 동일하지 않은 노인터셉트 모델을 피팅하고 있습니다. 이 마지막 메시지는 일반적으로 혼합물 성분이 항상 1에 추가되지 않기 때문에 발생합니다.
예시 데이터 세트에서 성분의 누락된 값과 0 수준 사이에 차이가 있습니까? 개념적으로는 누락된 값을 모두 0으로 바꿀 수 있다고 생각합니다. 입력 변수에 대한 결측값으로 인해 해당 관측치가 분석에서 제외될 수 있으므로 그렇게 하는 것이 도움이 될 수 있습니다.
이는 응답에도 해당됩니다. 반응 값이 누락되면 분석에 확실히 문제가 발생합니다. 분석에 해당 행을 포함하려면 응답이 있어야 합니다. 따라서 각 모델에 대해 최대한 많은 데이터를 활용하려면 각 반응변수를 별도로 분석해야 합니다.
예제 데이터가 현실적이라면 많은 재료가 있는 것입니다. 이는 자연스럽게 매우 큰 모델로 이어질 것입니다. 최적화를 찾고 있으므로 최소한 2차 혼합 항(상호 작용처럼 보임)과 특수 3차 항(3차 상호 작용처럼 보임)이 있는 모델을 원할 것입니다. 그러한 종류의 모델에 적합하려면 많은 관찰이 필요합니다. 2차항을 사용하면 24개의 주효과 + 276개의 2차항을 갖게 됩니다. 이는 300개의 모델 항이므로 최소한 300개의 관측치가 필요합니다. 게다가 이렇게 큰 모델은 해석하고 시각화하기가 매우 어렵습니다. 다시 말하지만, 설계된 실험을 통해 특정 질문에 답하기 위해 더 적은 수의 재료를 사용하여 핵심 질문에 집중할 수 있습니다.
모델을 구축하기 전에 모델 항 간의 상관 관계를 최소화하기 위해 혼합물 성분에 대한 의사 구성 요소 코딩을 켜야 합니다. 상관관계를 제거하지는 못하더라도 최소화하여 분석에 도움이 됩니다.
또한 예제에서 했던 것처럼 Mixture 열 속성을 켜야 합니다.
아직 수행하지 않았다면 Scheffe 혼합 모델의 피팅이 일반 회귀 분석과 어떻게 다른지 조사해 보십시오. 혼합 모델에 대한 해석은 다를 수 있습니다.
각 반응에 대한 모델이 있으면 다중 반응의 최적화를 확실히 수행할 수 있습니다. Prediction Profiler에서 Desirability Function을 사용할 수 있지만 Mixture Profiler도 사용하는 것이 좋습니다. 이는 비혼합 상황과 유사한 방식으로 동작합니다.
마지막으로, 설계된 실험을 생성하기 위한 입력으로 예제 테이블을 활용할 수 있습니다. Augment Design을 사용하고 기존 행을 "완료된 실험"으로 지정합니다. 적합시키려는 모형과 원하는 총 실행 수를 지정하십시오. JMP는 선택한 모형을 추정하는 데 사용할 최상의 실행을 선택합니다. 총 실행 횟수는 초기 테이블 + 새 실행이 되며 JMP는 제안된 실행 횟수에 대해 어떤 방법론도 사용하지 않으므로 지식을 활용하여 합리적인 숫자를 선택하고 결과 설계를 평가하십시오. 실행하기 전에.
그래서 내 머리 꼭대기에서 몇 가지 생각이 들었습니다. 원하는 작업을 수행할 수 있지만 기록 데이터에 많은 주의를 기울여야 하며 분석 결과를 신뢰할 수 있도록 데이터를 조정하는 데 많은 시간을 투자해야 합니다.
