2つの連続因子と1つの離散数値因子の実験計画JMPエキスパートの皆様
実験にどの DOE を使用するか決めるのに苦労しました。連続因子が 2 つと離散数値因子が 1 つあります (3 つのレベル)。目標は、これらの因子の組み合わせを最適化して、最大の Y 応答 (Y 応答が 2 つあります) を達成することです。
使用するのに最適な DOE は何でしょうか?
ご協力いただければ幸いです。
ありがとう！
実験計画法Re: 2 つの連続因子と 1 つの離散数値因子の実験計画こんにちは@stat_mr_h 、
コミュニティへようこそ！
特定のプラットフォームや設計タイプを推奨する前に、DoE とトピックを定義するのに役立ついくつかの質問があります。
- 調査の要因: 説明したケースでは、3 つの要因のみをリストしました。システムに影響を与える可能性のあるいくつかの要因をすでに選別して除外しましたか? 重要でアクティブな要因はこれら 3 つだけですか?
- 要因の範囲: 要因の範囲についてどの程度自信がありますか? 最適なポイントは、定義した実験空間内にあると思いますか?
- 応答測定/変動性: 必要な実行回数を評価するために、測定の変動性についてすでにある程度の知識を持っていますか? 測定システムの反復性/再現性はどの程度ですか?
- 応答レベルの違い: 前の 2 つの項目に関連して、測定の変動性を考慮すると、実験で有意に異なる応答測定値が得られるように、要因の範囲は十分に広いですか?
特定の設計タイプとプラットフォームの使用については、この JMP クイズが、最初に試すべき設計タイプについての最初の推奨事項を得るための良い出発点となる可能性があります。DOクイズ (jmp.com)
これまでに尋ねられたトピックや質問について疑問がある場合は、開始方法に関する推奨事項を以下に示します。
- 因子の範囲によって応答の違いを確認できるかどうか、また応答の変動性の最初の評価が可能かどうかをチェックするには、スクリーニング設計 (カスタム設計プラットフォームを使用し、主効果を確認するために単純な設計 (D 最適) を使用し、測定の変動性を評価するために中心点と反復をいくつか含める)、またはより倹約的で経済的なスコープ設計(デフォルトでは JMP に含まれていませんが、作成と分析/視覚化が非常に簡単です) から始めます。
- 初期設計を作成し、因子の範囲と応答の変動性の一致、および応答の差異を検出する機能を確認したら、 設計を拡張できます。因子と応答を入力し、「新しい実行を別のブロックにグループ化」をクリックして、拡張オプションをクリックします。範囲が広すぎる場合や、別の実験領域に移動する場合は、この手順で因子の範囲を変更することもできます。そこから、必要なモデルを指定できます。この場合、「RSM」をクリックして、主効果、2 因子相互作用、および二次効果を含む応答表面モデルを指定することをお勧めします。
- 設計の結果、モデルの妥当性を分析し、最適なポイントを見つけられるかどうかを確認します。最適な領域がまだ完全に分析されていない場合、または適切にモデル化できない非線形効果が存在する可能性がある場合は、設計をもう一度拡張し、 Space-Filling 拡張タイプを選択できます。これにより、実験空間に準ランダムかつ均一にポイントが作成され、必要に応じて機械学習モデルなどの他のタイプのモデルを使用できるようになります。
因子、範囲、応答についてすでに確信がある場合は、カスタム設計プラットフォームを使用して、モデル内のすべての主効果、2 因子相互作用、および 2 次効果を指定して (またはモデル パネルで [RSM] ボタンをクリックするだけで)、JMP で応答曲面設計を直接作成することもできます。必要な実験予算と設計パフォーマンスのトレードオフをよりよく理解し、この妥協点を最適化するために、さまざまな実行回数で複数の設計を作成することをお勧めします。複数の設計を作成し、 設計の比較プラットフォームを使用してそれらのパフォーマンスを比較するか、 設計エクスプローラープラットフォームを使用してさまざまな構成で複数の設計を直接生成することができます。
この回答がお役に立てば幸いです。
Re: 2 つの連続因子と 1 つの離散数値因子の実験計画おっと、これを投稿する前に@P_Bartell の返答を見ていませんでした。
カスタムデザインを試してみるのも良いでしょう。
DOE=>カスタムデザイン
実験の詳細を入力すると、DOE が自動的に構築されます。
Re: 2 つの連続因子と 1 つの離散数値因子の実験計画このデザインは、カスタム デザイン プラットフォームで簡単に作成できます。グラフ ビルダーでの分析、または Fit Y by X による多くの視覚化と Fit Model プラットフォームでのモデリング、応答が本質的に連続的/数値的であると仮定した標準の最小二乗フィッティング パーソナリティなどです。それ以外の場合は、異なるフィッティング パーソナリティが必要ですが、これは応答データ タイプの特定の性質によって異なります。
