JMP로 기존의 Definitive Screen 디자인을 검증하고 사용할 수 있을까요?안녕하세요,
ChatGPT 4.0에서 DOE 실험에 대한 확정적 스크린 설계를 얻었습니다. (여러 차례 논의한 후) 타당해 보입니다. JMP에서 확정적 스크린 설계가 허용되는지 확인할 수 있습니까? 기존 확정적 스크린 설계가 있는 경우 이를 사용한 후 JMP에서 이러한 측정의 실험 결과를 평가할 수 있습니까? 아니면 JMP에서 자체 설계만 평가합니까?
실험 설계Re: JMP로 기존의 Definitive Screen 디자인을 검증하고 사용할 수 있나요?네, 당신의 답변은 항상 도움이 됩니다. 감사합니다!
Re: JMP로 기존의 Definitive Screen 디자인을 검증하고 사용할 수 있나요?안녕하세요 @Ressel ,
DSD의 사용에 대해 더 잘 이해하려면 Bradley Jones의 블로그 게시물을 읽어보는 것을 적극 권장합니다.
확정적 스크리닝 디자인 소개
확정적 스크리닝 설계(DSD)의 적절한 사용과 부적절한 사용
귀하의 질문에 대하여 :
- DSD는 "일률적" 스크리닝 접근 방식으로 만들어지지 않았으며, 5개 이상의 요인을 포함하는 스크리닝 실험의 실행 횟수를 최적화하고 줄이는 것을 목표로 했습니다. 5개 요인 미만에는 스크리닝을 위한 "더 나은" 또는 더 적합한 설계 대안이 있습니다. D-최적 설계, 고전적 스크리닝 설계 또는 심지어 반응 표면 설계입니다.
7개 요인 아래에서 JMP는 7개 요인에 대한 최소 필수 실행(17회 실행)으로 DSD를 생성하고, 사용되지 않는 요인을 "가짜 요인"으로 간주하여 검정력을 높입니다. 이는 실험 설계에서 더 많은 요인을 사용할수록 검정력을 높이고 추정 정밀도를 높일 수 있는 추가 실행이 줄어들기 때문에 2~6개 요인이 포함된 설계에서 검정력이 약간 감소하는 이유를 설명합니다. 7번째 요인의 경우 가짜 요인이 더 이상 없으므로 검정력을 높이기 위해 추가 실행(JMP에서 권장하는 4회 실행)을 추가해야 합니다.
- DSD의 최소 실행 횟수는 m 요인 수에 따라 선형적으로 진화합니다.
- 인수의 개수 m이 짝수일 경우 2m+1,
- 인수의 개수 m이 홀수일 때는 2m+3이다.
이는 7개와 8개 요인, 또는 9개와 10개 요인을 가진 설계에서 필요한 실행 횟수가 동일한 이유를 설명합니다.
- JMP에서 권장하는 추가 4개 실행은 DSD에 가짜 요인 2개를 추가하는 것과 같습니다. 테스트를 수행하고 설계(4개 추가 실행이 있는 DSD와 가짜 요인 2개가 있는 DSD)를 비교할 수 있으며, 동일해야 합니다.
이 답변이 도움이 되길 바랍니다:)
Re: JMP로 기존의 Definitive Screen 디자인을 검증하고 사용할 수 있나요?안녕하세요 @Thommy7571 님 ,
네, Evaluate Designs(jmp.com) 플랫폼을 사용하면 모든 디자인을 평가할 수 있습니다.
여러 디자인을 Compare Designs(jmp.com) 플랫폼을 이용해 비교할 수 있습니다.
마지막으로, 요인 범위, 모델 용어, 제약 조건을 변경하거나, 중심점 추가, 복제 또는 무엇이든 원하는 경우 Augment Designs(jmp.com) 플랫폼을 사용할 수 있습니다. 무작위화는 데이터 테이블을 만들기 전에 모든 설계 구성의 마지막에 항상 제안됩니다.
JMP 도움말 섹션에는 디자인 증강에 대한 사용 사례에 대한 몇 가지 예가 있습니다. 디자인 복제, 중심점 추가, 접기, 축점, 공간 채우기 증강 등이 있습니다.
이러한 모든 작업은 JMP가 인식하는 형식으로 데이터를 업로드할 수 있는 한 모든 소스의 모든 디자인에서 수행할 수 있습니다. 데이터 가져오기(jmp.com) 그러나 @P_Bartell이 언급했듯이 DoE의 요인 및 응답을 처리하는 방법을 JMP가 인식하도록 돕는 특정 속성을 추가하기 위해 요인 및 응답 열 속성과 관련하여 일부 수동 준비가 필요할 수 있습니다. 열 속성(jmp.com)
이 답변이 귀하의 질문에 답변이 되기를 바랍니다.
Re: JMP로 기존의 Definitive Screen 디자인을 검증하고 사용할 수 있나요?@Victor_G , 경고, 초보자 질문 및 이 대화를 하이재킹한 것에 대해 사과드립니다. JMP의 DSD에서 저를 놀라게 하는 것은 설계에 추가된 처음 6개 요인에 대한 시행 횟수가 항상 17회에 머물러 있다는 것입니다. 시행 횟수가 21회로 늘어나는 것은 7번째 요인에서만 가능합니다. 완전성을 위해 한 요인에 대한 행을 포함했지만, 이는 제한적인 의미가 있습니다.
| 요인들 | 블록 | 추가 실행 횟수
(JMP 기본값) | 시련
(총) | 힘
(절단) | 힘
(intercept를 제외한 모든 용어) |
| 1 | 1 | 4 | 17 | 0,97 | 0,937 |
| 2 | 1 | 4 | 17 | 0,969 | 0,935 |
| 3 | 1 | 4 | 17 | 0,967 | 0,932 |
| 4 | 1 | 4 | 17 | 0,965 | 0,929 |
| 5 | 1 | 4 | 17 | 0,963 | 0,925 |
| 6 | 1 | 4 | 17 | 0,959 | 0,92 |
| 7 | 1 | 4 | 21 | 0,988 | 0,975 |
| 8 | 1 | 4 | 21 | 0,987 | 0,973 |
| 9 | 1 | 4 | 25 | 0,997 | 0,992 |
| 10 | 1 | 4 | 25 | 0,996 | 0,992 |
질문:
- JMP가 매우 적은 요인으로도 많은 실행을 제안하는 이유는 무엇이며, 7번째 요인이 도입된 후에야 실행 수가 변경되기 시작하는 이유는 무엇입니까?
- 요인의 파워 분석을 보면, 첫 번째 요인에서 여섯 번째 요인으로의 점진적 감소는 미미해 보입니다. 왜 그럴까요?
- 제가 오해하고 있는 부분이 있나요?
Re: JMP로 기존의 Definitive Screen 디자인을 검증하고 사용할 수 있나요?간단히 말해서 '예'입니다. 거의 모든 디자인을 JMP로 가져올 수 있습니다. 일반적인 경로는 원래 애플리케이션에서 디자인을 만든 다음 어떤 파일 형식으로 저장하는 것입니다. JMP는 기본적으로 많은 다양한 파일 형식을 가져올 수 있습니다. 설명서를 참조하세요. 다른 방법이 없다면 파일을 일반적으로 사용되는 형식(예: .xls 워크시트)으로 저장한 다음 JMP에 복사/붙여넣기하는 것만큼 쉽습니다. 디자인이 JMP 데이터 테이블에 있으면 다른 JMP 데이터 테이블처럼 완전히 편집할 수 있습니다.
하지만 문제는... JMP를 사용하여 네이티브로 디자인을 만들면... 많은 메타데이터가 평범한 Jane 처리 조합과 함께 생성됩니다. JMP는 시각화 및 분석과 관련된 모든 종류의 작업을 위해 백그라운드에서 이 메타데이터를 사용합니다. 일반적으로 가져온 파일에는 메타데이터가 제공되지 않습니다... 따라서 분석 워크플로, 결과 및 JMP 보고서에서 JMP가 원하는 대로 동작하도록 각 열에 메타데이터를 추가하는 데 많은 시간을 소비하게 될 수 있습니다.
그래서 제 이야기의 교훈은... 분석을 할 JMP가 이미 있다면... 왜 다른 데 가서 디자인을 만들겠어요? 저는 전혀 이해가 안 가요. 제가 생각할 수 있는 유일한 이유는 다른 사람이 디자인을 만들었기 때문입니다. 실험을 했고 이제 결과를 분석하라고 요청하고 있습니다.
Re: JMP로 기존의 Definitive Screen 디자인을 검증하고 사용할 수 있나요?안녕하세요, 답변 감사드립니다. ChatGPT가 최적이 아닐 수도 있지만, 다른 프로그램이든 동료의 디자인이든 다른 옵션이 있습니다. 그렇다면 다른 소프트웨어를 사용하여 설계를 만든 다음 JMP에서 이를 테스트하고 편집하고 사용할 수 있다는 뜻인가요? 나중에 표준 디자인(무작위가 아닌)을 편집할 수 있는 가능성(예: 여러 중심점 추가, 무작위화 등)이 가능하다면 좋을 것입니다. 가능합니까?
Re: JMP로 기존의 Definitive Screen 디자인을 검증하고 사용할 수 있나요?간단히 말해서, JMP는 모든 데이터 세트를 평가할 수 있습니다. 분석에서 얻을 것이 있는지는 다른 질문입니다.
Re: JMP로 기존의 Definitive Screen 디자인을 검증하고 사용할 수 있나요?안녕하세요 @Thommy7571 님 ,
첫 번째 요점: JMP가 있다면 DoE를 만드는 데 Large Language Models에 의존하는 대신 JMP를 사용하는 것을 강력히 권장합니다. LLM은 (의도적으로) 추론, 계획 및 계산을 할 수 없기 때문입니다. 일반적으로 사실, 계산 또는 분석을 기대할 때는 LLM을 사용하지 마십시오. 훈련 세트에 따라 허용 가능한 답변을 제공할 수 있지만 항상 그런 것은 아닙니다(그리고 재현 가능하지 않을 수도 있음).
데이터 테이블 자체에도 확인해야 할 측면이 몇 가지 있습니다.
- 각 연속 요인에 대해 3개 수준(-1, 0, 1)이 존재함
- 이 디자인의 런은 실험 공간의 중앙에 적어도 하나의 런이 있는 폴드오버 쌍으로 제공됩니다.
데이터 세트가 있고 그것이 어떻게 구성되어 있는지 확인하고 싶다면 Evaluate Designs(jmp.com) 플랫폼을 사용하는 것이 좋습니다. Definitive Screening Design을 사용하고 평가할 때 알아차릴 수 있는 측면이 몇 가지 있습니다.
- 주효과에 대한 전력 분석을 살펴보면 동일한 요인 유형에 대해 동일하거나 매우 유사한 전력 값이 있어야 합니다(여기서 X1~X5는 연속적이고 X6은 2개 수준을 가진 범주형입니다).
- 상관관계에 대한 색상 맵: 주요 효과 간에 상관관계가 없고, 주요 효과와 2요인 상호 작용 간에도 상관관계가 없어야 하므로 다음과 같은 패턴이 나타납니다.
여기서는 범주형 요인 X6의 존재로 인해 주요 효과 영역에서 매우 작은 상관관계가 있지만 연속 요인만 있는 경우 이 작은 경계가 없습니다. Alias 행렬을 살펴보면 완전한 교란 요인(고전적 요인 설계에서 존재할 수 있음)이 없는지 확인하는 데 도움이 될 수도 있습니다.
- 산점도 행렬을 살펴보면 DSD의 특정 구조와 요인 간 상관관계의 부재를 확인하는 데 도움이 될 수도 있습니다.
자세한 내용은 여기를 참조하세요: 확정적 스크리닝 디자인 소개 - JMP 사용자 커뮤니티
마지막으로, JMP가 있고 ChatGPT 4에서 생성된 설계를 여전히 확인하고 싶다면, 동일한 설정과 요인 수를 사용하여 JMP로 DSD를 생성하고, Compare Designs(jmp.com) 플랫폼을 사용하여 불규칙성이나 큰 차이가 있는지 확인할 수 있습니다.
이 답변이 도움이 되기를 바랍니다.
