확정 선별 설계를 위한 블록 및 중앙점저는 JMP를 사용하여 7개 요인과 3개 반응 변수로 확정 선별 설계를 만들기 시작했습니다. "블록 없음"을 설정했습니다!. 아래에 표시된 블록 수가 2인 이유는 무엇입니까? 2개의 중심점 측정값만 추가하고 싶었습니다. "Einzelversuche"는 복제와 동일합니까? 측정값을 4개만 추가할 수 있는 이유는 무엇입니까? "Einzelversuche"는 0으로만 설정할 수 있고 블록 수("Anzahl Blöcke")는 전혀 변경할 수 없습니다. 왜?
실험 설계Re: 확정 선별 설계를 위한 블록 및 중앙점안녕하세요 @Thommy7571 님 ,
DSD 플랫폼에서 "블록 없음" 옵션을 선택한 경우 생성된 디자인에는 블록이 없습니다.
표시되는 값은 옵션("중심 런이 있는 블록" 또는 "중심 런이 없는 블록") 중 하나를 선택한 경우 활성화되는 "기본" 옵션일 뿐입니다.
기본적으로 JMP는 DSD에 중앙 런을 생성하고, 여러 개의 중앙 런(1개의 중앙 런/블록)을 원하는 경우 블록을 생성합니다. 그러나 필요한 경우 언제든지 데이터 테이블을 편집하여 추가 센터 런을 추가할 수 있습니다.
예, 추가 실행은 반복실험(독립 실행)과 동일하지만 정확히 반복실험은 아닙니다. "가짜 요인"을 사용하여 생성되므로 설계의 다른 실행과 동일한 요인 값을 갖지 않을 수 있습니다. 추가 실행은 4개 블록으로 추가할 수 있습니다. 디자인에 4~8개의 추가 실행을 추가할 수 있으므로 설정을 0(추가 실행 없음), 4~8개의 추가 실행으로 변경할 수 있습니다. DSD의 특정 구조에 대한 추가 정보는 여기에서 찾을 수 있습니다. 확정 선별 설계의 구조
내 컴퓨터에서 블록 수를 늘릴 수 있으며 이렇게 하면 설정이 "블록 없음"에서 "2차 효과를 추정하기 위해 중심점을 사용하여 블록 추가"로 변경됩니다.
이것이 당신에게 도움이 되기를 바랍니다.
Re: 확정 선별 설계를 위한 블록 및 중앙점계속해서 디자인을 만들 수 있으며 블록은 추가되지 않습니다. 기본적으로 DSD 생성기는 4개의 중앙점을 추가하지만 2개의 중앙점만 사용하도록 선택할 수 있으며 생성된 설계에서 2개의 중앙점 실행을 삭제하기만 하면 됩니다. 4개의 중앙점이 기본값인 이유는 일부 연구에서 중요한 효과를 감지하는 검정력이 2개의 중앙점과 4개의 중앙점을 사용하는 경우 훨씬 적다는 사실이 밝혀졌기 때문입니다.
Re: 확정 선별 설계를 위한 블록 및 중앙점"추가 실행"은 중앙점이 아닙니다.
기본적으로 블록이 없으면 DSD에는 JMP의 중앙점이 하나 포함됩니다. 블록을 추가하면 중심점을 추가할 수 있습니다(각 블록마다 하나의 중심점).
기본 4개의 추가 실행은 상호 작용 및 2차 효과를 더 잘 감지하고 주 효과에 대한 검정력을 높이는 데 사용됩니다.
이러한 실행은 반복실험이 아니기 때문에 더 많은 효과 항을 탐지하고 추정할 수 있는 추가 자유도도 제공합니다.
이 답변이 모호함을 해결하기를 바랍니다.
Re: 확정 선별 설계를 위한 블록 및 중앙점안녕하세요,
<<
좋아, 요약하겠습니다. 원하는 만큼의 블록을 추가할 수 있습니다(예: +4, +8 등). 4개의 측정값이 있는 블록당 하나의 중앙점 측정값을 추가할 수 있습니다.
한편으로는 DSD 측정 횟수가 크게 늘어나므로 바람직하지 않습니다. 이는 추가 측정 없이 2차 효과와 주 효과 간의 상호 작용을 분리할 수 있어야 하는 DSD의 매력을 감소시킵니다. 반면 ChatGPT는 MathStatChem이 작성한 것처럼 여러 중심점 측정을 추가하도록 제안했습니다. Bradley는 DSD 기사에서 이 주제를 자세히 다루지 않았습니다. 그러므로 나는 그것에 대한 정확한 효과나 인용 가능한 이유를 가지고 있지 않습니다.추가된 중심점 측정 및/또는 중심점 측정 블록의 다양한 수의 효과를 조사하는 기사가 있습니까?
경험에 비추어 볼 때 DSD는 여전히 7가지 요소에 사용할 수 있습니까?
"가짜 요인"이 무엇인지는 확실하지 않습니다.
토미7571
Re: 확정 선별 설계를 위한 블록 및 중앙점안녕하세요 @Thommy7571 님 ,
이는 추가 측정 없이 2차 효과와 주 효과 간의 상호 작용을 분리할 수 있어야 하는 DSD의 매력을 감소시킵니다. 반면 ChatGPT는 MathStatChem이 작성한 것처럼 여러 중심점 측정을 추가하도록 제안했습니다. Bradley는 DSD 기사에서 이 주제를 자세히 다루지 않았습니다. 그러므로 나는 그것에 대한 정확한 효과나 인용 가능한 이유를 가지고 있지 않습니다.추가된 중심점 측정 및/또는 중심점 측정 블록의 다양한 수의 효과를 조사하는 기사가 있습니까?
다시 말하지만, 특히 DSD와 같은 현대적인 디자인에서는 정확한 답변을 위해 ChatGPT를 사용하지 않을 것입니다. 응답은 매우 일반적일 수 있으며 특정 사용 사례나 DSD 사용에 특히 적합하지 않을 수 있습니다.
중앙점이나 추가 런 추가의 효과와 관련하여 출판물을 검색하거나 JMP에서 여러 설계를 생성하고 비교하여 여러 시나리오를 시도해 볼 수 있습니다. 이 시나리오를 위해 3개의 DSD를 만들었습니다.
- 7개 연속 요인에 대한 DSD, 필요한 최소 런 양(17 런).
- 7개 연속 요인에 대한 DSD, 5개의 중앙점을 사용한 21개의 실행(1개는 기본적으로 생성되고 4개는 이후 데이터 테이블에 추가됨)
- 7개 연속 요인에 대한 DSD, 4개의 추가 실행이 포함된 21개의 실행입니다.
주요 차이점은 다음과 같습니다.
여기에 지정된 모델(3개의 상호 작용과 3개의 2차 효과 가정)을 사용하면 두 가지 "증강" DSD 설계(21개 실행)가 주 효과, 상호 작용 및 2차 효과를 탐지하는 검정력이 증가했음을 알 수 있습니다. 차이점은 다음과 같습니다.
- 중앙점이 추가된 DSD는 2차 효과를 탐지하는 검정력이 약간 높지만 4개의 추가 실행이 있는 상황에 비해 상호 작용 탐지의 이득은 그리 높지 않습니다.
- 4번의 추가 실행이 포함된 DSD는 2차 효과를 탐지하는 데 있어 비슷한 검정력을 가지며 2요인 상호 작용을 탐지하는 데는 더 높은 검정력을 갖습니다. 이는 추가 실행이 반복 실행이 아니고(동일한 설정/처리에 해당하는 중앙점과 달리) DSD 실행에 요인이 3개 수준으로 설정되어 있기 때문에 추가 실행이 주효과, 교호작용 및 상호 작용에 대한 검정력을 크게 향상시키기 때문입니다. 2차 효과에 대한 검정력도 높일 수 있습니다.
가정된 모델에 대한 추정의 상대 표준 오차를 살펴보면 검정력 분석과 동일한 해석을 할 수 있습니다. 중앙점을 추가하면 2차 효과(및 절편)를 추정하는 정밀도가 크게 향상되는 반면 추가 실행을 추가하면 추정의 정밀도가 향상됩니다. 보다 균일하게 용어를 사용합니다.
예측 분산의 측면에서 중심점은 실험 공간의 중심에서 더 낮고 안정적인 예측 분산을 가질 수 있도록 합니다. 이는 최적의 지점이 실험 공간의 중앙에 있을 수 있다고 생각하는 경우 특히 유용할 수 있습니다. 그러나 중앙점만 있는 DSD는 실험의 모서리에서 예측 분산이 더 높은 경향이 있습니다. 추가된 모든 점은 실험 공간 중심 주변의 예측 분산만 감소시키는 중심점이기 때문입니다.
여기에서는 예측 분산을 최대화하여 볼 수 있습니다. 중앙점이 5개인 DSD는 "증강되지 않은" 원래 DSD에 가까운 예측 분산을 갖는 반면, 4개의 추가 실행이 있는 DSD를 사용하면 실험 공간의 경계에서 예측 분산을 보다 균일하게 줄일 수 있습니다. .
경험에 비추어 볼 때 DSD는 여전히 7가지 요소에 사용할 수 있습니까?
연속형 요인이 있는 경우 5개 이상의 요인에 대한 효율적인 선별을 위해 DSD를 사용하는 것이 좋습니다. DSD 및 기타 스크리닝 디자인(아다마르 행렬을 사용한 고전적인 스크리닝 디자인, D-/A-최적 디자인 등)을 만들고 디자인 비교(jmp.com) 플랫폼을 사용하여 이 디자인이 자신에게 유용해 보이는지 언제든지 확인할 수 있습니다. . DSD와 달리 대부분의 선별 설계에는 요인에 대한 수준이 2개만 있다는 점을 고려하세요.
"가짜 요인"이 무엇인지는 확실하지 않습니다.
"가짜 요인"은 설계에서 더 많은 수의 런을 생성하기 위해 DSD 생성 시 추가된 요인이지만 실질적인 관심은 없습니다. 변경하려는 특정 실험 요인과 연결되지 않고 단순히 여기에서 매트릭스 크기. "가짜 요인"을 사용하여 실행을 추가하는 것은 더 나은 효과 추정과 검정력 증가를 가능하게 하고 모델의 추가 항에 맞게 사용할 수 있는 자유도를 높이는 방법입니다.
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
분석과 비교를 재현하고 싶으시다면 예시로 생성된 세 가지 디자인을 추가해 봤습니다.
이 답변이 도움이 되길 바랍니다.
Re: 확정 선별 설계를 위한 블록 및 중앙점이 연구에 대해 진심으로 감사드립니다. 몇 가지 설명만 할게요. Bradly에 따르면 최소 설계는 직교여야 한다는 점을 제외하면 7개 요인에 대한 최소 실행 횟수는 15번입니다. 실행 횟수가 17번인 경우는 어떻게 될까요? 내가 이미 고려한 것처럼 팩토리얼 포인트가 포함되어 있다는 점은 흥미롭습니다. 따라서 코너 포인트도 더 잘 포함됩니다. 나는 방금 기사를 다시 읽었고 나중에 마지막 열을 제거하여 디자인에 대한 8가지 요소를 취하면 귀하의 제안과 일치해야 합니다. 결과는 상당히 논리적입니다. 특정 지역에서 복제하면 해당 지역에서 더 높은 예측 신뢰성을 얻을 수 있습니다. 디자인과 관련하여 ChatGPT를 포기하겠습니다... A 최적 디자인을 표준으로 사용하라는 제안이 있었습니다(귀하의 링크에 대한 비디오 1개). 마지막 답변). 그래서 나도 그것을 목표로 삼았다. 검진을 위해 G-optimal로 바꿔야 하나요? 왜?
Re: 확정 선별 설계를 위한 블록 및 중앙점안녕하세요 @Thommy7571 님 ,
Bradly에 따르면 최소 설계는 직교여야 한다는 점을 제외하면 7개 요인에 대한 최소 실행 횟수는 15번입니다. 실행 횟수가 17번인 경우는 어떻게 될까요?
죄송합니다. 최소 실행 횟수에 대한 정보가 불완전합니다. 필요한 최소 실행 횟수에 대한 전체 정보는 여기에서 확인할 수 있습니다. 확정 선별 설계의 구조
내용을 요약하면 다음과 같습니다.
- k 짝수 연속 요인이 있는 경우 2k+1 실행이 필요합니다.
- 연속 요인의 개수가 홀수인 경우 2,000+3번의 실행이 필요합니다.
따라서 7개 요소의 경우 최소 17개의 실행이 필요하고, 8개 요소의 경우 최소 실행도 17입니다. 이 실행 크기는 이 커뮤니티의 구성원이 언급하고 발견한 DSD의 특수성입니다(예: https:/) . /community.jmp.com/t5/Discussions/Verify-and-use-existing-Definitive-Screen-design-with-JMP/mp/752286/highlight/true#M93376
확정 선별 설계 플랫폼을 사용하고 다양한 요인 수에 대한 설계를 생성하여 이를 확인할 수도 있습니다. 이 규칙은 필요한 크기의 회의 매트릭스가 있는지에 따라 달라집니다. 여기 예를 참조하세요. 해결: Re: 49 요소 dsd 디자인 - JMP User Community
나는 방금 기사를 다시 읽었고 나중에 마지막 열을 제거하여 디자인에 대한 8가지 요소를 취하면 귀하의 제안과 일치해야 합니다.
예, 추가 실행을 추가하려면 "가짜" 요인을 추가한 다음 해당 열을 제거하면 됩니다. 이것이 DSD 플랫폼에서 추가 실행이 생성되는 방식입니다.
A 최적 디자인을 표준으로 사용하라는 제안이 있었습니다(마지막 답변 링크의 비디오 1개). 그래서 나도 그것을 목표로 삼았다. 검진을 위해 G-optimal로 바꿔야 하나요? 왜?
D- 및 A- 최적성 기준은 계수 추정의 정확한 추정 또는 분산 감소에 중점을 두기 때문에 설계 스크리닝에 더 적합하므로 통계적 유의성을 기반으로 중요한 요소에서 중요하지 않은 요소를 보다 효율적으로 스크리닝하고 필터링할 수 있습니다. 실질적인 중요성과 해당 분야의 전문성을 확인해야 합니다.
Bradley Jones는 D-Optimal 선별 설계와 유사한(더 좋지 않더라도) 성능을 가능하게 하고 일부 항의 추정에 다른 강조점을 추가할 수 있기 때문에 선별을 위한 A-Optimal 설계의 사용을 실제로 강조합니다(예: 더 많은 중요성 부여) /상호작용 대신 주효과를 정확하게 추정하기 위한 가중치) : 21st Century Screening Designs (2020-US-45MP-538)
G- 및 I- 최적성 기준은 최적화를 가능하게 하기 위해 실험 공간에 대한 예측 성능에 중점을 두는 반응 표면 모델 설계에 더 적합합니다. G-최적성 기준은 최대 예측 분산에 초점을 맞추고 최소화하는 반면, I-최적성은 평균 예측 분산을 최소화합니다.
이 답변이 도움이 되길 바라며,
