4 因子混合設計と 4 つの応答のデータ分析に関するガイダンス私は、4 つの連続因子と 4 つの応答を持つ JMP の混合設計に取り組んでいます。個々の応答のモデリングと評価は進んでいますが、すべての応答をまとめて分析するのは困難だと感じています。具体的には、次のようになります。
- 三角プロットでは、一度に 3 つの混合成分のみを視覚化するように制限されているため、4 つの要因すべての動作を同時に理解することは困難です。
- 私の回答の中には、相反する傾向を示唆するものもあり、最適化には「中間」のアプローチが必要です。
- 予測プロファイラーは便利ですが、包括的な分析のためにすべての応答を組み合わせる複雑さには完全には対応していません。
- 各要因に対して単一の最適値を特定するのではなく、各化合物に対してより小さく実用的な範囲を定義することを目指しています。これらの範囲は、追加の応答を考慮する評価を行う後続の分析で使用されます。
私がすでにやったことは以下の通りです:
- それぞれの回答について、RMSE を低下させた有意な効果のみを保持しました。
- 残差と不適合性を調べましたが、明らかな傾向や問題は見つかりませんでした。
私は、この混合設計を効果的に分析するための、特にすべての応答にわたる洞察を統合し、各要因の意味のある範囲を特定するための、JMP 内での最適なアプローチまたはツールを探しています。関連する戦略またはドキュメントを教えていただければ幸いです。
よろしくお願いします！
データの探索と視覚化実験計画法4 つの応答を持つ 4 因子混合設計のデータ分析に関するガイダンスこんにちは@K_JMP 、
すでに結果を分析するために多くの作業を行っているようです。ここでは、いくつかのポイントに関連する追加の提案をいくつか紹介します。
- 三角プロットの代わりに、等高線プロット マトリックス (等高線プロファイラーの赤い三角形のオプションの「複数の等高線フレーム」) を使用して、すべての因子をペアで表示することもできます。
- Prediction Profiler で直面している困難は何ですか? カテゴリ応答がある場合は、確率式を使用してそれらを含める方法があります。
- 許容可能な要因の範囲を定義する場合は、 デザイン スペース プロファイラーが役立つ場合があります。
- 分析アプローチに関しては、混合設計は最適化設計であるため、予測指標に基づいてモデルを改良することをお勧めします。効果の遺伝を尊重するようにしてください。JMP Pro をお持ちの場合は、さまざまな検証方法オプションを使用して、 一般化回帰モデルでSVEM 、 剪定前向き選択または後向き選択などの他の推定方法を試すことができます。混合設計とポイントの再分割に応じて、過適合の大きなリスクなしで補間に効果的な単純な機械学習を試すこともできます (SVM とランダムフォレストが適切な候補です)。
これらの提案がお役に立てば幸いです。
4 つの応答を持つ 4 因子混合設計のデータ分析に関するガイダンス私の考えは次のとおりです。まず、応答変数の相関関係を調べます。相関関係を調べます。外れ値を探します (マハロノビス)。さまざまなグラフ作成手法を使用して、混合応答面を調べます。残念ながら、4 次元で見ることはできないため、3 つの可能なセットごとに複数のグラフを取得してみてください。分析は実用的に行ってください。あなたに代わって解釈を行う「魔法の」分析はありません。
