では、合格/不合格の応答がある場合の実験の設計と分析についてお話ししましょう。このセッションでは、合格/不合格の応答についてお話しします。ただし、これは実際には、2 つのカテゴリ、つまり 2 つのカテゴリのいずれか、または他のカテゴリのいずれかである応答を扱うすべてのケースに適用されます。これらは相互に排他的で網羅的です。合格/不合格、ゴー/ノーゴー、はい/いいえ、応答が相互に排他的で網羅的な 2 つのカテゴリを持っている限り。セッションを 4 つの部分に分けます。まずは例から始めます。おそらく、見覚えがあると思います。
うまくいけば、これは、過去の失敗例のある実験を扱うという点で、皆さんがこれまでに見たことがあるようなものになるでしょう。うまくいかないことについて少し触れます。その後、モデルについてお話しします。すべては、私がモデルについて立てている基本的な仮定と、それが私が選択する分析の方向性や実験の規模を決定する方向に左右されるからです。PowerPoint スライドが終わったら、私が実験データ、つまりこれから提示するサンプル データを実際にどのように分析するかを見ていきます。
JMP と JMP Pro の両方で利用できるオプションについていくつか説明します。最後に、実験の規模をどのように決めるかで締めくくります。合格/不合格の実験では、重要なのは実験の実行回数ではなく、実験の実行回数、実験条件ごとの試行回数です。JMP Pro での設定方法、この試行回数が適切かどうかを判断できるシミュレーションの設定方法について説明します。例についてお話ししましょう。ウィジェットを作成しています。失敗率があまり良くないプロセスがあります。
私たちは、これらのウィジェットの不良率を改善するのに役立つと思われる 4 つの要素を特定しました。添加剤、圧縮ステップ、そして変化させる 3 つの要素があります。変化させるのは、温度、圧力、保持時間です。問題は、ウィジェットに欠陥があるかどうかです。ウィジェットを処理します。はい、欠陥があります。いいえ、欠陥はありません。欠陥がある場合は、それを失敗と呼びます。現在の欠陥率は 15% で、最終的にこれを実験のサイズに使用します。
私たちの目標は、故障率を 5 パーセントまで下げることです。しかし、3 パーセントから 5 パーセント程度の差が特定できれば満足です。欠陥率が 10 パーセントまで下がったことを検出できれば満足です。それを検出できればいいのです。もう 1 つ知りたいのは、1 回の実行に約 10 分かかるということです。実行回数に制限はありません。1 時間あたり約 6 回実行できます。
では、この因子を JMP に入力してみましょう。カスタム設計ツールを開きます。応答曲面設計にすることにします。中心点を 3 つ追加します。これが、私たちが思いついた設計です。ここまでは順調です。設計を取り出し、実験を実行するオペレーターに設計を送信すると、次の結果が返されます。この実験を実行するには 24 回の実行が必要で、約 4 時間かかります。これらの 1 と 0 は、欠陥のある観測値または欠陥のない観測値を表すと言われています。次に、データを分析して、JMP に入力します。
さて、これらの 1 と 0 は連続データではないことはわかっています。これは実際にはカテゴリ データです。バイナリ データです。そのように扱います。私が扱っているのはロジスティック回帰と呼ばれるものであることは十分理解していると思います。この実験は JMP で設計したので、モデルは応答曲面モデルがモデル構築ダイアログ ボックスに表示されます。分析を適合すると、すぐに心配になります。これらのパラメータ推定値に対して、これらのパラメータ推定値は不安定であるというメッセージが表示されます。
この種の実験に詳しい人とこの件について話し合うと、処理条件のセットに対して 1 回の試行しか行っていないのが問題だと言われます。正確な推定値を得るには、複数回の試行が必要です。戻ってオペレーターと話し合うとします。オペレーターは、実験の規模を 1 回の試行から 5 回に増やすことを嫌がります。今、約 20 時間かかる実験があります。しかし、私はオペレーターを説得して、実験条件のセットごとに 5 回の試行で実験をやり直すことにしました。
データが戻ってきました。実験で返された 2 つの新しい列があります。Y5 列は失敗が見られた回数に対応しています。N の入った列は、一連の実験条件の試行回数に対応しています。今回は、カウント データではなく、失敗した試行回数を合計試行回数で割り、それを連続データとして扱うのがいいと思います。ここでは、特定の一連の実験条件の失敗の割合を取得しています。
これを連続データとして扱います。この方法でデータをモデリングすることに慣れているので、より安心できます。前回見たのと同じモデルですが、ロジスティック回帰ではなく、標準のリースの平方を使用します。ここまでは順調です。お気に入りのモデリング手法を使用し、お気に入りのモデル削減手法も使用して、この最終モデルを作成します。ここまでは順調です。次に行うことは、最適化です。
どのような条件でエラー率を可能な限り下げられるのか知りたいです。プロファイラー内の最適化ツールを使用すると、全体の時間を 45 秒に設定し、温度を 45 度に設定すれば、予測エラー率はゼロ未満になるはずです。これはゼロに十分近いので、ゼロに非常に近いだけで、ゼロ未満ではないので、これを無視してもよいかもしれません。しかし、技術的にこれは不可能であることはわかっています。エラー率をゼロ未満にすることはできません。これを実行することはできますが、この推定値はどの程度正確だろうかと自問するかもしれません。
実際にゼロにどれくらい近いのでしょうか? 間違ったモデルを構築してしまったのでしょうか? すべては、私が作成したモデルに帰着します... データを連続データとして扱うときに立てた仮定と、合格/不合格データを取得したときに立てるべき仮定です。これが私たちの典型的なモデルです。左側には、応答、観察があります。私たちの場合、それは不合格の確率です。すみません、左側には不合格の確率があります。
右側には線形モデルがあります。これは、入力と出力の間に構築しようとしている関係です。通常、これが考慮されるものです。この場合の一般的な仮定は、関係が線形であること、応答範囲が無制限であること、残差が正規分布していることです。残差は、データにモデルを当てはめて残ったもの、つまり残差です。残差は正規分布していると仮定します。つまり、ゼロを中心に対称であり、これらすべての優れた特性を備えています。これが問題の一部です。
確率を扱っている場合、応答は実際にはこのようになります。線形関係というよりは S 字型に近いものだと思います。この線形関係は実際には成り立ちません。無制限の応答範囲も成り立ちません。確率を扱っている以上、ゼロ未満の値や 1 を超える値はあり得ないことがわかっているからです。最後のポイントである正規誤差の仮定も機能しません。考えてみると、ゼロに近づくにつれて、予測値がゼロに近づくにつれて、残差を操作する余地がますます少なくなります。適合値とゼロの間で、残差が縮小し始めます。
対称誤差をゼロに近づけることはできません。同様に、1 に近づくにつれて対称誤差がなくなることもできません。この場合は、何かが犠牲になる必要があります。さて、この問題を簡単に解決できることを願っています。おそらく、単純な変換です。できれば、別の分布を使用するのもいいでしょう。JMP でこれを行うことはできますか? 答えは、3 つの異なるオプションがあります。最初のオプションは、例で既に説明したロジスティック回帰です。これは、データにロジット変換を使用するものです。
この場合、確率を応答として見ているのではなく、2 つの異なる応答レベルの比率を見ています。不合格の確率を合格の確率で割り、その対数を取っています。その対数を取って関係を線形関係にします。別の見方をすると、レベルが 2 つしかないので、不合格の確率を不合格の確率 1 で割った比率になるかもしれません。これまでにこのようなモデルを使用したことがあり、オッズや対数オッズという言葉を聞いたことがあるなら、これがまさにその定義です。
方程式の最初の部分は、オッズの定義です。これは、あるレベルと他のレベルの比率の比率です。これが私のオッズで、その対数を取るだけです。これが 1 つのオプションです。もう 1 つのオプションは、検認分析と呼ばれるものを使用することです。検認分析では、異なる変換を使用しています。この場合、正規分布の逆を使用しています。または、数式エディターまたは JSL を使用してこれを作成したことがある場合は、これは単なる正規分位関数です。
さて、JMP で可能な 3 番目のオプションがあります。これは少し手間がかかりますし、使用方法については詳しく説明しません。しかし、文献でよく見かけるので紹介したいと思います。それは相補 Log 関数です。これは JMP では直接利用できません。非線形プラットフォームのようなものを使って自分で構築する必要があります。近似できるのは、最小極値分布と呼ばれる分布ですが、これは別の日に残しておく必要があります。実際には、JMP ですぐに使用できるものに焦点を当てます。
ここで、2 つ目の大きな仮定が必要です。それは、選択した変換がロジットであれプロビットであれ、誤差は二項分布であると仮定することです。これは 2 つの部分から成ります。変換を行うだけでなく、異なる分布も想定します。前に述べたように、最初の 2 つは JMP のプラットフォームで直接使用できるため、簡単です。これらに焦点を当てます。最後の 1 つは、非線形プラットフォームを使用してモデル化できます。便利なのは、すべてが適合モデル プラットフォームから利用できることです。JMP には 3 つの異なるオプションがあります。
ロジスティック回帰を使用できます。これも例で確認しました。一般化線型モデルというオプションがあり、名目ロジスティック回帰と一般化線型モデルの間には強い関係があります。次に、JMP Pro ユーザー向けに一般化回帰があり、他の多くのオプションも提供されます。さて、Y を X で当てはめる単純ロジスティック回帰を実行できる別のプラットフォームがあります。ただし、ここでは実験条件を扱っており、通常は複数の要因があるため、これについては説明しません。ただし、単純ロジスティック回帰では、Y を X で当てはめることも同様に機能します。
JMP でこれを実装する方法に入る前に、データの構成について話す必要があります。データの構成方法、つまり、データの構成方法がわかっているデータとはどのようなものかということです。これは、モデルの適合ダイアログ ボックスで簡単に設定できます。簡単な例を挙げてみましょう。時間と温度の 2 因子実験があるとします。完全実施要因を実施したので、時間と温度のあらゆる組み合わせがあります。実験処理ごとに 5 つの試行を行う予定だとします。
処理とは、行、つまりこのデータ テーブルの行のことです。データを設定するには 3 つの方法があります。最初の方法は、生データとして設定する方法です。データ テーブルの各行は 1 つの試験に対応しています。生データの最初の行は、特定の時間と温度による処理の組み合わせ 1 行であることに気付くでしょう。この場合、バイナリ応答は、応答が緑か赤かです。最初の応答は緑でした。2 番目の行は、再び処理の組み合わせ 1 で、その応答は赤でした。
これが生の形式です。これら 3 つのアプローチはすべて生の形式を使用できます。これで、要約できます。データを要約する方が理にかなっている場合があります。データを要約するときは、処理条件と応答レベルの両方を要約します。要約されたスタックの最初の行には、処理条件 1、すべての緑、緑が見られた 2 つのケースがあります。2 行目は 2 番目の処理の組み合わせで、緑が 3 回観測されています。以下同様です。処理の組み合わせと応答レベルを集計しただけです。
3 つのアプローチすべてで、要約スタック形式を使用できます。3 つ目の構成は、おそらく多くの人にとって最も自然なものです。線形モデルで使用する構成によく似ているためです。要約分割形式です。この場合、処理の組み合わせについて集計しましたが、処理レベルの 1 つについてのみ集計しました。この場合、各試行で緑色の観測値を見た回数と試行回数をカウントしていることに気付くでしょう。たとえば、カスタム デザイナーを使用して DOE を作成する場合、データを入力するときに使用する形式はこれです。
要約スタック形式を使用する場合は、これらの実行を実際に複製する必要があります。緑用に 1 つ、赤用に 1 つ用意し、少し異なる方法で再編成します。ロジスティック回帰ではこの形式を使用できません。他の 2 つの形式のいずれかを使用する必要があります。一般化線形モデルと一般化回帰ではこの形式を使用できます。ロジスティック回帰を使用する場合は、注意が必要です。では、これを実行しましょう。PowerPoint はこれで十分です。JMP に移動して、私たちが見た実験データを使用して、これらの各例をどのように分析するかについてお話ししましょう。
では、ロジスティック回帰をやってみましょう。最初の例であるロジスティック回帰から始めましょう。また、要約されたスタックがあり、ここにフォーマットがあります。合格と不合格のカウントが入った列があります。これは集計データです。カウントは別の列にも入っています。わかりました。とても簡単ですね。これから説明する内容はすべて適合モデルの下にあります。これは JMP で設計したので、モデルに付属しています。
これは私が実験を設計した応答面モデルです。このダイアログ ボックスには既に入力されています。ここで指摘したいのは、この場合の応答は名目値であるということです。つまり合格/不合格です。また、データを集計したので、これらのカウントも必要です。目標レベルを選択しますが、これは、出力を表示する方向、つまり合格方向から行うのか不合格方向から行うのかによって異なります。これを設定しましょう。合格に戻しましょう。ここにはいくつかの選択肢があります。
どちらもロジスティック回帰です。名目ロジスティック回帰です。ステップワイズ回帰について少し知っていれば、ロジットモデルやロジスティック回帰モデルでステップワイズ回帰を実行することもできます。これもオプションの 1 つです。では、元の名目ロジスティックのままにしておきましょう。モデルを実行します。ここでも、データ削減手法またはモデル削減手法を使用します。モデルから手動で項目を削除するなどします。または、ステップワイズ回帰を使用することもできます。
実際には、これは重要ではありません。最初から適切なモデルが得られたからです。モデルからもう 1 つの項を削除してみましょう。これで完了です。これが最終モデルで、このモデルに満足しているとしましょう。プロファイラーに入りましょう。プロファイラーの一番下までスクロールして、これを少し大きくして、よく見えるようにします。このモデルを使用する利点の 1 つは、プロファイル、合格と不合格が制限されていることです。ただし、確率は 0 から 1 の間にする必要があります。望ましさ関数をオンにします。これは、実際に 2 つのグループに分割されているため、少し異なって見えます。
目標とする合格率と不合格率が決まりました。不合格をゼロに減らすだけです。不合格を最適化したくないからです。合格の望ましさを増やして、望ましさを最大化してみましょう。温度については、やはりずっと同じ値が表示されます。ただし、予測される不合格率、つまりこの場合は予測される合格率の推定値が向上します。この設定では、合格率は約 96%、不合格率は約 4% になるはずです。
確かにゼロより下ではなく、予想より少しゼロから離れています。では、一般化線形モデルに進み、要約分割形式を使用します。繰り返しますが、これは、これまで線形モデルを使用したことがある場合は、見慣れた形式です。これらは、おそらく私の設計実験から得られた観測値です。私は、あるレベルの観測数を数えました。この場合は、不合格項目の数を数え、次に試行の合計数を取得しました。
では、もう一度、モデルの適合ダイアログ ボックスに進みます。これは少し設定が異なります。この特定の組織では、連続変数が 2 つあります。1 つ目は個々のレベルのカウントで、2 つ目は合計カウントです。ここでは、一般化線形モデルを既定値に設定しています。分布を選択しました。この場合、既定値は二項分布です。ここで、ロジットまたはプロビットを見るオプションがあります。確率の点でわずかな違いがあります。ロジットで進めましょう。デフォルトでは、ロジットとロジスティック回帰は同じ結果になります。
一般化線形モデルの利点は、先ほど見た仮定の一部を緩和できることです。その仮定の 1 つは、誤差項が二項分布に従うというものです。二項誤差の場合、誤差は固定されており、確率に関係なく同じです。過分散をオンにすると、変動性が予想よりも少し大きい、または誤差が予想よりも少し大きい可能性があることがわかります。二項誤差の仮定が少し緩和されます。
推定値を調整して、潜在的なバイアスを考慮に入れることもできます。過剰分散をオンにします。もう一度、モデルを実行します。このアプローチの欠点の 1 つは、ステップバイステップの機能がないことです。手動で実行するか、モデルを仮定してから、どの最終モデルを使用するかを決める必要があります。ここでも、手動で実行します。3 つの重要な要因を考えます。これをロジスティック回帰と比較すると、過剰分散をオンにしたため、変動性が推定値よりも少し大きくなっていることがわかります。
P 値が少し大きくなっています。ここで、自分自身に問いかける必要があります。つまり、これらは有意ではないが、モデルに残す価値がないなどと本当に信じたいのか、などです。しかし、モデル内の特定の仮定を緩和できるオプションがあるのは良いことです。繰り返しますが、プロファイラーをオンにして最適化を行う場合も、それが可能です。同じ優れた機能があります。この場合、過去の失敗ではなく確率をモデル化しているため、少し構成が異なります。これは、私たちがより見慣れているプロファイラーです。明らかに、この場合、失敗を最大化してしまうため、これを最適化したくありません。失敗を最小化します。先に進んで最適化しましょう。
繰り返しますが、時間、45 秒、温度、45 秒と表示されます。非常に近い値ではありますが、わずかに異なる推定値が表示されます。ここでも、制限されているのが便利です。スライダーがどこにあるかは関係ありません。これらの確率は 0 から 1 の間で制限されます。では、最後の例として、一般化回帰についてお話ししましょう。これは JMP Pro のみの機能です。他の追加オプションもいくつかあります。要約された分割データがあるため、開始場所、モデルの適合、設定は同じです。
ただし、一般化回帰を選択します。次に、別の分布を選択します。この場合、応答は 2 つの異なる変数で設定されているため、わかります。二項応答がありますが、ベータ二項を選択することもできます。ベータ二項は、一般化線形モデルで過剰分散オプションを使用するのと類似した手法です。これにより、確率の関数として変化する分散を考慮できます。この場合はデフォルトのままにします。先に進み、モデルを実行しましょう。
これまでに一般化回帰を使用したことがあるなら、このプラットフォームからすべてのモデル削減手法を利用できることをご存知でしょう。この場合、おそらくこれらの手法のいずれかを使用することになるでしょう。遺伝を適用します。フォワード ステップワイズ回帰を使用しましょう。ここにはさまざまなオプションがあります。これまでに一般化回帰を見たことがないなら、モデル削減手法に関してさまざまな優れたオプションがあります。ステップワイズ回帰のデフォルトであるフォワード ステップワイズを使用します。[実行] をクリックすると、最終的なモデルが表示されます。
繰り返しますが、非常に一貫性があります。これら 3 つのモデルはすべて、非常に一貫性のある結果を示しています。パラメータ推定値はわずかに異なります。確率もわずかに異なります。さて、ここでの質問は、この実験を本当に価値のあるものにするために十分な試行を実行できたかどうかです。これで、実験の規模を適正化する方法に移ります。実験の設定に関する短いスライドを 2、3 枚お見せするために、PowerPoint スライド デッキに戻りましょう。
これを実行する方法、実験のサイズを決定する方法、そして、これは JMP Pro でのみすぐに使用できる機能です。JMP Pro 以外のユーザーの場合は、JSL スクリプトを記述できるかもしれませんが、非常に面倒です。JMP Pro では、設定が非常に簡単です。カスタム デザイナーから始めます。カスタム デザイナーを使用して、意図したデザインを構築します。最終的なテーブルを生成する前に、応答のシミュレーションをオンにします。
これは左上隅のホットスポットにあります。データ テーブルを作成すると、係数を変更できるダイアログ ボックスが表示されます。次のスライドでは、係数の設定方法について少し説明します。係数を変更します。希望する大きさに変更します。次のスライドで、もう少し詳しく説明します。係数を変更したら、誤差を二項に設定し、サンプル サイズ、確認する試行回数を選択して、[適用] をクリックします。
応答シミュレーション オプションでは、二項誤差を選択したため、2 つの列が作成されます。1 つの列にはシミュレートされた試行回数、試行成功数、もう 1 つの列には試行の合計数が表示されます。これを使用して、全体的なシミュレーションを実行します。実験の規模を決定する上で重要なステップとなるため、これらの係数の設定方法について説明します。これらの係数の設定方法は、基礎となるモデルによって異なります。つまり、Logit モデルと Probit モデルのどちらを選択するかです。
私の例では、現在確認しているデータ、つまり Logit モデルで確認している例を使用します。これによって、ベースラインの確率の値をどのように設定するかが決まります。例を覚えていると思いますが、ベースラインでは、失敗率は約 15% です。これがベースラインになります。次に、どの程度の確率で違いを確認したいかを考えます。もう一度言いますが、10% への変化を確認できれば満足だと言いました。これが、15% から 10% の改善への変化を確認できるという、実験で必要なサイズです。
実際に、先ほど見た変換を使用して、検出したい確率である 10% のベースラインの値を計算します。この 2 つの値の差を取って、それを係数として使用します。この Logit ベースラインを使用する場合、15% を 1 マイナス 15% で割ったものになります。ベースラインは -1.73 です。10% の故障率への変化を確認したい場合は、これを方程式に代入します。0.1 を 1 マイナス 0.1 で割ったものです。つまり、マイナス 2.2 になります。係数は、これら 2 つの値の差になります。係数として約 0.5 を使用します。
PowerPoint はこれで十分です。実際にどのように行われるかを見てみましょう。実験と実験因子が表示されました。カスタム デザイナーを使用します。因子をロードして、必要な設計を構築します。覚えていると思いますが、応答曲面設計があります。そこに中心点を 3 つ追加します。これを 24 回実行してみましょう。[設計の作成] をクリックして、アルゴリズムから最適な設計を決定します。最後のテーブルを生成する前に、ホットスポットに移動して [応答のシミュレーション] を選択します。次に、テーブルを作成します。このテーブルから設計が取得され、係数を計算した値に変更します。
では、リセットしてみましょう。切片は -1.73 だと言いました。係数をそれぞれ 0.5 に設定します。これをコピーして貼り付けます。最後に、分布、誤差分布を二項分布に設定します。次に、[適用] ボタンをクリックします。このテーブルに注目してください。これにより、分析に使用する 2 つの列が生成されます。少し前に戻ります。サンプル サイズを設定する必要があります。忘れてはいけません。元の実験では 5 回実行しました。2 回目に実験を実行しました。これを再適用します。これで正しい方程式ができました。
これらは、初期分析とシミュレーションを行うために使用する列です。必要な場合は、実際にこれらの効果に符号を付けることができます。符号とは、期待される関係に応じて、効果を負または正にすることを意味します。時間の都合上、これについては説明していません。これらのさまざまな効果を調べて、これは正にすべきか、負にすべきかを判断する方法について説明したスライドがあります。これも実行できます。確かに、実際の効果サイズの大きさほど結果に影響はありません。しかし、ほとんどのデザインでは、完全に直交していない限り、これらの効果には相関関係があり、効果が正か負かによって検出力値に何らかの影響が出る可能性があります。
これで作業は完了です。実際に初期設計を生成したので、フィット モデルに進みます。設計を分析します。シミュレーションと試行を必ず入力する必要があります。この特定の状況では、通常、一般化回帰を使用します。また、モデル削減に関するオプションがすべて揃っているため、ここでも二項分布を使用します。シミュレーションでは、これらすべてが実行されるという利点があります。これを行うためにスクリプトを書く必要はありません。実行してみましょう。ここでも、前方選択を使用します。[実行] をクリックします。前方選択モデルまでスクロールします。ここにあります。
単一の観測値を取得したら、右クリックします。通常は、確率値の 1 つにマウスを移動します。右クリックすると、一番下に [シミュレート] オプションがあります。シミュレートされた成功回数を含む数式列が、これら両方で選択されていることを確認する必要があります。デフォルトでは選択されているはずです。実行するサンプル試行回数を指定します。[実行] をクリックすると、シミュレーションの反復ごとに、数式列が再計算され、基礎モデルに基づいて新しい試行回数のセットが提供されます。
これを 2,500 回実行し、そのデータを集計してわかりやすいレポートを作成します。時間をかけて処理を待つよりも、処理は迅速です。通常は 30 秒か 1 分程度しかかかりません。実際に実行した結果がこれです。最初の実行分を除く 2,500 回の実行結果です。ここには関数や数式をいくつか追加しました。喜んで共有します。ただし、これらはレポートの生成時に追加される 2 つのスクリプトです。パワー分析は分布のサブセットにすぎません。パワー分析を見てみましょう。
これは、すべての実行に関して、P 値の分布がどのようなものであるかを示す大量のデータを提供します。この場合の基礎モデルを思い出すと、すべてが有意でした。これは、シミュレーションを通じて確認した P 値の分布であり、予測値は 10,000 分の 1 程度であることを示しています。これは良いことです。予測された P 値の信頼区間の計算が得られます。実際には、ベイズ アプローチを使用しているため、これは信頼区間ではないと思います。
これは、信用できる区間です。信頼区間かもしれません。しかし、その確率値がどこにあるかが境界になります。しかし、興味深く重要な情報は、この場合は帰無仮説を棄却した回数です。これは、アルファ レベルを 0.01 にした場合、実際にはそれが実際の効果としてモデル化されているとわかっているにもかかわらず、帰無仮説を約半分の確率で棄却したであろうことを示しています。0.05 にすると、約 4 分の 3 の確率で棄却したことになります。
これは、実験のサイズを正しく設定したかという質問をするのに使用する情報です。主効果、主効果と 2 因子の相互作用、モデルに対するその他の効果を、選択した実行回数に満足できる十分な回数、十分な割合で検出できるでしょうか。このような場合に私がよく行うことは、組み込みレポートの一部に頼るだけでなく、たとえば、正しい有意な効果の数を数えることです。
カットオフ値を入力して、正しい回答の数を計算します。繰り返しますが、これはすべて資料と一緒にパッケージ化され、少しの説明と、これらすべてのモデルを構築する方法の式が付属します。繰り返しますが、リスクの独自の定義を使用して、その実験を 5 回、10 回、20 回など実行する価値があるほどの重要な効果を十分に捉えたかどうかを判断する必要があります。さて、これで JMP で紹介したかった内容は終わりです。まとめに戻りましょう。
まとめると、このデータをモデル化するときは、どの手法を使用するかに関係なく、Fit Model プラットフォームを使用します。ロジスティック回帰を使用する場合は、ロジスティック回帰またはロジスティック回帰をバックグラウンドで実行するステップワイズ回帰のいずれかを使用できます。一般化線型モデルを使用する場合は、デフォルトではロジスティック回帰と同じ出力が得られますが、エラーの仮定を緩和してバイアスを修正する機能が追加されます。次に、JMP Pro があれば、ロジスティック回帰または一般化線型モデルで見られるものと同じことを実行できる一般化回帰があり、さらにモデル生成も実行できるという利点もあります。
実験のサイズを決めるときは、カスタム デザイナーを使用して実験を作成し、JMP の組み込みシミュレーション機能を使用して、ブートストラップ シミュレーション実験、ブートストラップ シミュレーション分析を実行します。これで、私がお話ししたかった内容は終わりです。補足スライドには追加情報が記載されていますが、残念ながら時間がありません。しかし、ご覧いただいた内容が皆さんの興味を引き、今後活用して役立つものになれば幸いです。ありがとうございました。
