Definitive Screening Design에서 설계된 실행에 추가 실행을 어떻게 추가할 수 있나요?JMP 전문가 여러분,
저는 Chau Dang이고 JMP를 처음 사용합니다. JMP를 사용하여 실험 설계를 했습니다. 6개 변수가 있는 확정적 선별 설계(DSD)를 선택하여 실험 세트에 대한 17개 실행을 만들었습니다. 실험을 수행하는 동안 동일한 변수로 7개 추가 실행(DSD에서 설계하지 않음)을 만들었습니다. 결국 17개 실행(DSD에서)과 7개 추가 실행(가짜 요인?)의 결과를 함께 분석하고 싶습니다. 그러나 17개 실행 표에 7개 추가 실행을 추가하면 모델(확정적 선별 적합)이 이해하지 못하고 결과를 제공하지 않습니다. 총 24개 실행에 대해 "분석 --> 모델 적합"을 사용하려고 했지만 유의미한 매개변수만 결정되었고 2차는 고려되지 않았습니다.
이 문제를 해결할 수 있는 해결책을 제안해 주시면 좋겠습니다. 7번의 추가 실행을 낭비하고 싶지 않습니다.
여러분의 큰 지원에 진심으로 감사드립니다!
여러분의 의견을 기다리고 있겠습니다.
감사합니다
차우당
실험 설계윈도우Re: Definitive Screening Design에서 설계된 실행에 추가 실행을 어떻게 추가할 수 있나요?안녕하세요 @danghuyenchau89 ,
커뮤니티에 오신 것을 환영합니다!
귀하의 7개 실행은 17개 실행 디자인의 원래 실행을 복제한 것입니다. 확정적 스크리닝 디자인에 복제를 추가하면 DSD의 특정 폴드오버 구조가 파괴되므로 더 이상 "Fit DSD" 플랫폼을 사용할 수 없습니다(분석을 위해 폴드오버 구조가 필요하기 때문). 확정적 스크리닝 디자인 - 복제 주제와 @Mark_Bailey 의 답변을 참조하세요. 모델에서 샘플 크기를 늘리고 용어를 선택하는 데 충분한 실험 예산이 있는 경우 DSD 플랫폼에서 " 추가 실행 " 옵션을 사용하는 것이 좋습니다. DSD에 대한 효과적인 모델 선택
여전히 "Fit Model" 플랫폼을 사용하여 모든 주요 효과, 2-요인 상호 작용 및 요인의 2차 효과를 지정하고 "Fit Model" 플랫폼(JMP 사용)의 Stepwise 개성과 같은 변수 선택 방법을 사용하거나 동일한 플랫폼에서 일반화 회귀 모델 (JMP Pro 사용)을 사용할 수 있습니다. 다음 토론에도 관심이 있을 수 있습니다.
확정적 스크리닝 설계에서 반복 실험과 실패한 실험 결과를 처리하는 방법입니다.
확정적 스크리닝 설계 질문 (반복의 사용 및 영향에 대한)
Stepwise 플랫폼을 시작하기 위한 스크립트와 "Fit Model"로 만든 모델이 포함된 데이터 테이블을 첨부해 드립니다.
이 답변이 도움이 되길 바랍니다.
Re: Definitive Screening Design에서 설계된 실행에 추가 실행을 어떻게 추가할 수 있나요?친애하는 빅터에게,
답변 정말 감사합니다! 매우 유용하다고 생각했어요.
저는 귀하의 지시를 따랐고 제가 목표로 했던 결과를 얻었습니다. 제가 깨달은 것은 "Fit Definitive Screening"에서 표시된 것에 따라 "Fit Model"에서 중요한 매개변수 상호 작용을 선택해야 한다는 것입니다. 그렇지 않으면 모든 매개변수 상호 작용이 고려되어 모델의 p-값과 R-제곱(Rsp)에 대해 다른 결과가 나올 수 있습니다.
또 다른 질문은 바이오매스를 바이오차로 전환한 실험과 관련이 있습니다. 바이오차의 고형물 수율과 발열량은 모델에서 잘 예측됩니다. 그러나 간접적인 반응(예: 바이오차의 재 구성)이 하나 있는데, 이는 바이오차를 550°C에서 연소시켜 재 구성을 결정함으로써 분석됩니다. 이 간접적인 반응은 모델에서 2930의 매우 높은 RMSE(Root Mean Square Error)를 보여줍니다.
이 높은 RMSE를 어떻게 해석해야 할까요? 이 모델이 이 간접적 반응을 예측하는 데 적합하지 않다고 결론 내릴 수 있을까요?
감사합니다
Re: Definitive Screening Design에서 설계된 실행에 추가 실행을 어떻게 추가할 수 있나요?@danghuyenchau89 님 , 죄송하지만 이 응답 측정의 모델, 응답 및 맥락에 대한 정보가 충분하지 않아 RMSE의 특정 값을 해석하거나 결론을 내리는 데 도움이 되지 않습니다.
도움이 될 몇 가지 질문:
- 이 측정의 표준 편차는 무엇입니까? 이러한 측정의 일반적인 분산/불확실성을 나타내는 테스트나 값이 이미 있습니까? 이 값은 모델의 예측 성능을 측정 불확실성과 비교하는 데 도움이 될 수 있습니다. 값의 관련성에 따라 모델의 신뢰성과 유용성에 대해 더 잘 이해할 수 있습니다.
- DoE 연구에서 이 간접적 반응에 모든 가능한 요인이 연결되어 있습니까? DoE에서 고려하지 않은 다른 요인이 이 반응을 설명하고 예측하는 데 도움이 될 수 있습니까?
- 작동 조건은 얼마나 통제되고 안정적입니까? 특히 연소를 위한 온도 설정은 얼마나 통제됩니까? 분석에서 설명하기 위해 실험 중에 온도를 측정할 수 있습니까(아마도 공변량으로)?
- 모델링 부분에서 응답 분포를 확인하고 적절한 분포를 선택했습니까(예: 일반화 회귀 플랫폼에서)? 잔차를 확인했습니까? 부적절한 분포는 모델링에 심각한 영향을 미쳐 선형 회귀의 가정을 깨고 모델의 오류를 부풀릴 수 있습니다. 이전 예에서 GenReg 모델링에 LogNormal 분포를 선택하거나 Box-Cox 변환을 적용하면 RMSE를 개선할 수 있습니다(두 모델에서 동일한 용어, 오른쪽의 Box-Cox 변환에서 RMSE가 1623에서 1308로 감소):
- 또한 모델링에 대한 정보가 없으므로 확인해야 할 사항이 몇 가지 있을 수 있습니다. 모델 선택 기준 및 측정 항목(R², 조정된 R², RMSE, p-값, 정보 기준 등), 모델에 도입된 용어 등입니다.
주의해야 할 점이 많이 있겠지만, 이 간단한 몇 가지 질문이 도움이 될 수 있습니다.
