오마르스 디자인의 특별한 장점은 무엇인가요?오랫동안 성공이 입증된 강력한 JMP DOE 도구가 많이 있는 반면, 최근에는 OMARS Designs에 관한 글이 많이 쓰여지고 게시되었습니다.
저는 경험이 많은 DOE 사용자에게 JMP DOE 메뉴에서 제공되는 것 외에도 이러한 새로운 종류의 설계의 특별한 이점이 무엇인지 묻고 싶습니다. 어떤 종류의 특정 사례에서 OMARS를 사용하는 것이 좋을까요? OMARS로 처리할 수 없는 사례가 있습니까? 제가 아는 바에 따르면 혼합, 분할 플롯 및 임의 효과는 OMARS 범위에 포함되지 않는다고 가정하는 것이 맞습니까?
실험 설계Re: 오마르 디자인의 특별한 장점은 무엇인가요?좋아, 빅터, 나한테는 분명해. 개인적으로 나는 한 번의 큰 실험으로 모든 것을 해결하는 것을 좋아하지 않아. 순차적 접근 방식으로 지식을 구축하는 것이 내가 가장 좋아하는 방법이고 지금까지 DSD로 강력하고 활동적인 효과를 스크리닝하고 두 번째 단계에서 DOE를 활동적인 효과로 RSM으로 증강하면 좋은 결과가 나와. 많은 경우, 유의미한 효과가 4개 미만이면 증강이 필요조차 없어서 몇 번만 실행하면 해결책이 나와. 나는 여전히 OMARS에 대해 확신하지 못해. 내 의견으로는 지식이 없거나 지식이 거의 없다면 한 번의 실험으로 모든 것을 끝내는 것은 너무 어려워. 나는 순차적 품질 PDCA 접근 방식을 더 좋아해. 충분한 지식이 있을 때 OMARS가 유익할 수 있다는 데 동의해(?)
Re: 오마르 디자인의 특별한 장점은 무엇인가요?안녕하세요 @frankderuyck ,
OMARS 설계는 최근(2020년경) Peter Goos와 Jose Nunez가 스크리닝 및 최적화 설계로 도입했습니다.
이러한 설계를 사용하는 목적은 확정적 스크리닝 설계 와 반응 표면 설계 사이의 격차를 메우는 것이었습니다. OMARS 설계의 몇 가지 좋은 특성을 보여주는 프레젠테이션을 쉽게 찾을 수 있습니다.
DSD(22)보다 동일한 수의 실행에 대한 예와 데모에서 OMARS는 더 나은 투영 속성과 2차 효과에 대한 더 큰 전력을 가질 수 있으며 모든 2-인자 상호 작용을 맞출 수 있습니다. OMARS Designs Add-In을 사용하여 비교를 재생성하고 Compare Designs 플랫폼을 사용하여 OMARS 설계와 DSD 설계를 비교할 수 있습니다.
비교를 더 쉽게 하기 위해 디자인 표를 첨부했으니, 보고 싶으시다면 확인해 보세요.
- OMARS가 더 많은 항목(DSD보다 모든 상호 작용 및 더 많은 2차 효과)을 적합시킬 수 있는지, 그리고 상호 작용 및 2차 효과에 대한 검정력이 동등하거나 더 높은지(주효과에 대한 약간의 검정력 감소 대가로) 확인할 수 있습니다.
- 또한 최대 예측 분산이 더 낮고 설계 공간 플롯 곡선의 분수도 더 낮습니다(따라서 전체 실험 공간에 대한 예측 분산이 더 낮습니다).
- 상관 관계 지도도 비교하기에 흥미로운데, 용어 간 상관 관계가 낮습니다.
마리아 란제라스 역시 자신의 사용 사례를 통해 OMARS의 사용법과 이점을 보여주었습니다.
지적으로, 이 디자인은 DSD와 RSD 사이의 격차를 통합하고 메우는 패밀리를 제공하기 때문에 매우 흥미롭습니다. 어떤 사용 사례에서는 이를 시도하고 다른 유형의 디자인과 비교하는 것이 흥미로울 수 있습니다. DSD와 유사한 제약 조건이 있습니다. 혼합 계수 없음, 제약 조건 없음, 변경하기 어려운 계수/분할 플롯 상황 없음, 무작위 효과 없음(DSD와 OMARS에서 블록을 사용할 수 있더라도) ...
하지만 Peter와 Jose가 웹 기반 인터페이스에서 OMARS 디자인을 배포하는 자체 회사 EFFEX를 만들었기 때문에 개발자들이 JMP에서 OMARS 디자인 구현을 추진할 것이라고 생각하지 않습니다. 여전히 애드인으로 OMARS 디자인을 실험하고 다른 디자인과 비교해 볼 수 있습니다.
이미 선택할 수 있는 다양한 디자인(DSD, OML, RSM, Optimal 등)이 충분히 있다고 생각했기 때문에 OMARS 디자인을 실제 사용 사례에 사용해 볼 기회가 없었습니다.
이 토론 시작이 당신에게 도움이 되기를 바랍니다.
Re: 오마르 디자인의 특별한 장점은 무엇인가요?프랭크, 저도 동의합니다. 순차적인 접근 방식이 항상 더 낫죠.
제 생각에는 주어진 상황(예: 최적성 기준 등)에 맞게 설계 구조를 최적화하려는 사람들이 항상 있을 것입니다. 하지만 실험에서 가장 중요한 측면은 노이즈를 처리하는 방법입니다(예: 측정 오류, 배치 내, 부품 내와 같은 단기 노이즈, 주변 조건, 로트 간 원자재, 인간 기술과 같은 장기 노이즈). 실험 중에 노이즈가 일정하다면 결과가 외삽되지 않을 가능성이 높은 좁은 추론 공간이 있습니다. 실험 중에 노이즈가 "무작위로" 변하면 정밀도가 떨어집니다. 노이즈를 처리하는 전략은 소프트웨어(모든 소프트웨어)에서 잘 설명되지 않습니다. 항상 설계 구조(그리고 더 많은 것을 배우기 위해 실행을 경제적으로 만드는 방법)에 너무 집중합니다.
“불행히도, 미래의 실험(미래의 시험, 내일의 생산)은 이 실험에 영향을 미치는 것과 다른 환경 조건(온도, 재료, 사람)의 영향을 받을 것입니다... 그것은 주제에 대한 지식에 의해서만 가능하며, 추가 실험에 의해 도움이 될 수 있습니다 . (기울임체 추가) 더 광범위한 조건을 포괄하기 위해, 미래의 환경 조건이 현재의 환경 조건과 거의 동일하여 현재 결과를 사용할 수 있을지 여부를 잘못 판단할 위험을 감수하면서 결정할 수 있습니다."
데밍 박사
"이 경우의 일반 규칙을 만들기 전에 두세 번 테스트하고 테스트 결과가 동일한지 확인하십시오."
레오나르도 다빈치
"차단할 수 있는 것은 차단하고, 차단할 수 없는 것은 무작위로 지정하세요"
GEP 박스
Re: 오마르 디자인의 특별한 장점은 무엇인가요?순차적 실험을 지지하는 강력한 주장! 노이즈를 극복할 만큼 강력한 요인으로 모델을 구축하세요. 후자는 제한된 실행 스크리닝 실험으로 감지할 수 있으며, 결국 복제를 통해 감지할 수 있습니다. DSD는 여전히 훌륭한 도구입니다!
Re: 오마르 디자인의 특별한 장점은 무엇인가요?OMARS는 2레벨 범주형 효과보다 더 가능한가요? 또한 많은 범주형 효과나 범주형 효과만 가능한가요?
Re: 오마르 디자인의 특별한 장점은 무엇인가요?@frankderuyck @statman 과 순차적 실험에 대한 논의와 노이즈를 처리하는 방법에 대해 동의합니다.
그러나 DoE는 종종 실제 물리/화학 실험의 맥락에서 적용되므로 설계(및 관련 실행 수)를 선택할 때 비용과 시간도 고려해야 합니다. 응답에 측정/기록할 긴 지속 시간/시간 길이가 필요한 경우(예: 몇 달/몇 년 동안의 안정성 연구), 여러 개의 순차적인 DoE를 수행하는 대신 더 큰 "원샷" DoE를 수행하고 동시에 필요한 모든 결과를 얻는 것이 더 합리적일 수 있으며, 각 반복에서 많은 시간을 소비하게 됩니다. Maria Lanzerath는 또한 사용 가능한 용어 수와 관련된 모델 복잡성과 관련하여 모델 선택과 관련된 OMARS 설계의 이점에 대한 사용 사례에서 강조합니다.
귀하의 질문에 대하여 :
이 답변이 토론에 도움이 되고 유익하기를 바랍니다.
Re: 오마르 디자인의 특별한 장점은 무엇인가요?Victor, 고맙습니다. OML은 흥미롭습니다. 또한 OMARS를 사용하면 3단계 범주 효과도 가능합니까?
그런데 마리아 란체라스의 사례 연구를 살펴봤는데, 거기에는 꽤 많은 지식이 있고 상호작용 효과에 대한 가정이 있었습니다. 이 경우 맞춤형 설계를 통해 불필요한 상호작용을 건너뛰고 의심스러우면 "가능하다면"으로 전환하여 똑같이 좋은 DOE를 구성할 수 있었습니다.
Re: 오마르 디자인의 특별한 장점은 무엇인가요?아니요, DSD, OMARS 또는 OML 설계에서는 3단계 범주형 요인은 가능하지 않으며, 2단계 범주형 요인만 가능합니다.Re: 오마르 디자인의 특별한 장점은 무엇인가요?안녕하세요 Victor, OML과 DSD를 비교했을 때 4개의 이차 효과의 상관관계는 어떨까요? 위의 상관관계 표에서 저는 DSD를 선호합니다. 일부 주효과 간의 상관관계는 매우 낮고 미미하며 각 상호 작용 효과는 다른 상호 작용 효과 1개와만 상관관계가 있습니다. OML 상호 작용의 상관관계 구조는 매우 복잡합니다. OML 알고리즘에서는 주효과 간에 상관관계를 0으로 만드는 것이 너무 어려워서 상호 작용 간에 더 복잡한 상관관계가 발생합니다(?).(무료 점심은 없고 대가를 치러야 합니다..) 주효과 간에도 상관관계를 0으로 만드는 것은 제 의견으로는 필요하지 않습니다. 불균형한 사용자 정의 디자인이 많고 공변량 요인을 포함할 때 주 요인 간에 항상 약간의 상관관계가 있습니다. R < 0.2는 허용 가능합니다.
