決定的スクリーニング設計から設計された実行に追加の実行を追加するにはどうすればよいですか?JMPの専門家の皆様へ
私は Chau Dang です。JMP は初めてです。実験の設計に JMP を使用しました。6 つの変数を持つ決定的スクリーニング設計 (DSD) を選択し、実験セットに対して 17 回の実行を作成しました。実験の実行中に、同じ変数で 7 回の追加実行 (DSD によって設計されていない) を行いました。最終的に、17 回の実行 (DSD から) と 7 回の追加実行 (偽の要因?) の結果を一緒に分析したいと思います。ただし、17 回の実行のテーブルに 7 回の追加実行を追加すると、モデル (決定的スクリーニングの適合) が理解できず、結果が表示されません。合計 24 回の実行に対して「分析 --> モデルの適合」を使用しようとしましたが、重要なパラメータのみが決定され、2 次が考慮されませんでした。
この問題を解決するための解決策を提案していただければ幸いです。7 回の追加実行を無駄にしたくありません。
多大なるご支援をいただき誠にありがとうございます！
皆さんのコメントをお待ちしています。
よろしくお願いします
チャウダン
実験計画法ウィンドウズRe: 決定的スクリーニング設計から設計された実行に追加の実行を追加するにはどうすればよいでしょうか?こんにちは@danghuyenchau89 、
コミュニティへようこそ！
7 回の実行は、17 回の実行設計における元の実行の複製です。決定的スクリーニング設計に複製を追加すると、DSD の特定のフォールドオーバー構造が破壊されるため、「Fit DSD」プラットフォームは使用できなくなります (分析にはフォールドオーバー構造が必要であるため)。 @Mark_Baileyによる決定的スクリーニング設計 - 複製トピックと回答を参照してください。サンプル サイズを増やしてモデル内の項を選択するのに十分な実験予算がある場合は、DSD プラットフォームの「 Extra Runs 」オプションを使用することをお勧めします: DSD の効果的なモデル選択
「モデルの適合」プラットフォームを使用して、すべての主効果、2 因子相互作用、および因子の二次効果を指定し、「モデルの適合」プラットフォームのステップワイズ特性 (JMP を使用) などの変数選択方法を使用したり、同じプラットフォームで一般化回帰モデル(JMP Pro を使用) を使用したりすることもできます。次のディスカッションも興味深いかもしれません:
決定的なスクリーニング設計で反復と失敗した実行を処理する方法。
決定的なスクリーニング設計に関する質問（反復の使用と影響について）
Stepwise プラットフォームを起動するためのスクリプトと、「Fit Model」で作成されたモデルを含むデータテーブルを添付します。
この回答がお役に立てば幸いです。
Re: 決定的スクリーニング設計から設計された実行に追加の実行を追加するにはどうすればよいでしょうか?親愛なるビクターへ
ご回答ありがとうございます！とても役に立ちました。
あなたの指示に従い、目的の結果を得ました。私が気づいたのは、「Fit Definitive Screening」で示されたものに基づいて、「Fit Model」で重要なパラメータ相互作用を選択する必要があるということです。そうしないと、すべてのパラメータ相互作用が考慮され、モデルの p 値と R 二乗 (Rsp) の結果が異なる場合があります。
思い浮かぶもう 1 つの疑問は、バイオマスをバイオ炭に変換する実験に関するものです。バイオ炭の固形物収量と発熱量は、モデルによって適切に予測されています。ただし、1 つの間接的な応答 (例: バイオ炭の灰の組成) があり、これはバイオ炭を 550°C で燃焼させて分析し、灰の組成を決定します。この間接的な応答は、モデルで 2930 という非常に高い RMSE (二乗平均平方根誤差) を示しています。
この高い RMSE をどのように解釈すればよいでしょうか? このモデルはこの間接的な応答を予測するのに適していないと結論付けてよいでしょうか?
よろしくお願いします
Re: 決定的スクリーニング設計から設計された実行に追加の実行を追加するにはどうすればよいでしょうか?申し訳ありませんが、 @danghuyenchau89 さん、この応答測定のモデル、応答、およびコンテキストに関する情報が不十分であるため、この特定の RMSE 値について解釈/結論付けることができません。
役に立ついくつかの質問:
- この測定の標準偏差はいくらですか? これらの測定の一般的な分散/不確実性を示すテストや値は既にありますか? この値は、モデルの予測パフォーマンスを測定の不確実性と比較するのに役立ちます。値の関連性の近さに応じて、モデルの信頼性と有用性についてより深く理解できます。
- DoE 調査におけるこの間接的な反応には、考えられるすべての要因が関連しているのでしょうか? DoE で考慮されていない他の要因が、この反応を説明したり予測したりするのに役立つ可能性はあるでしょうか?
- 動作条件はどの程度制御され、安定していますか? 特に、燃焼の温度設定はどの程度制御されていますか? 実験中に温度を測定して、分析で考慮に入れることはできますか (共変量としてなど)?
- モデリング部分では、応答の分布を確認し、適切なものを選択しましたか (たとえば、一般化回帰プラットフォームで)? 残差を確認しましたか? 不適切な分布はモデリングに重大な影響を及ぼし、線形回帰の仮定を破り、モデルのエラーを膨らませる可能性があります。前の例では、GenReg モデリングに LogNormal 分布を選択するか、Box-Cox 変換を適用すると、RMSE が向上します (2 つのモデルで同じ項を使用し、右側に Box-Cox 変換を適用すると、RMSE が 1623 から 1308 に減少します)。
- また、モデリングに関する情報がないため、確認すべき点がいくつかある可能性があります。モデルの選択基準とメトリック (R²、調整済み R²、RMSE、p 値、情報基準など) は何か、モデルで導入された用語は何か、などです。
他にも考慮すべき点がたくさんあると思いますが、これらの簡単な質問が役に立つと思います。
