레벨: 중급
Chris Gotwalt, SAS 통계 연구 개발 부문 JMP 이사
필립 램지, 뉴햄프셔 대학교 수석 강사, 노스 헤이븐 그룹 소유주
통계 모델링에는 설명과 예측이라는 두 가지 목표가 있습니다. 설명 모델은 종종 예측력이 낮습니다(Shmueli, 2010). 계획된 실험 분석(DOE)은 종종 설명적이지만, 실험 목표는 예측입니다. DOE는 미래 성능을 예측하는 제품 및 프로세스 개발에 있어 모범 사례입니다. 예측 모델링은 데이터를 훈련 세트와 검증 세트로 분할해야 하며, 검증 세트는 예측 모델을 평가하는 데 사용됩니다. 대부분의 DOE는 검증 세트를 구성할 관측치가 부족하여 예측 성능을 직접 평가할 수 없습니다. 본 연구에서는 원본 데이터를 사용하여 해당 데이터의 두 복사본, 즉 하나는 훈련 세트이고 다른 하나는 검증 세트인 "균형 자동 검증" 기법을 시연합니다. 각 세트는 행 가중치가 다릅니다. 가중치는 디리클레 분포를 따르며 "균형"을 이룹니다. 즉, 훈련 데이터에 더 많이 기여하는 관측치는 검증 세트에 덜 기여합니다(반대의 경우도 마찬가지입니다). 이 접근 방식은 데이터를 복사하고 가중치에 대한 수식 열을 생성하기만 하면 됩니다. 이 기법은 일반적이어서 실험실 및 제조 연구에서 흔히 볼 수 있는 소규모 데이터 세트에 예측 모델링 기법을 적용할 수 있습니다. 두 가지 바이오제약 공정 개발 사례 연구를 시연에 활용했습니다. 두 사례 모두 대규모 검증 세트와 확정적 스크리닝 설계를 결합했습니다. JMP는 분석 시연에 사용되었습니다.
