확정적 스크리닝 설계에서의 검출 한계저는 2개의 범주형 요인(요인 A(수준 A1, A2), 요인 B(수준 B1, B2) 및 2개의 연속형 요인(요인 C, 요인 D))을 사용하여 JMP18 Pro에서 DSD DOE를 실행하고 있습니다. 제 목표는 모든 요인의 2차 상호 작용 항을 포함하여 각 요인 A와 B에서 더 나은 수준(예: A1 또는 A2, B1 또는 B2)을 선택하고 요인 C, D의 이차 항을 추정하는 것입니다.
모델의 성능을 높이기 위해 블록을 사용한 런을 8개 더 추가했고, 그 결과 총 런 수가 22개가 되었습니다.
실험을 실행한 후, 내 실행의 약 1/3이 감지 한계 미만이었습니다. 저는 검열된 데이터로 "Fit model" --> "Generalized Regression/LogNormal"을 사용하여 데이터를 분석하려고 했습니다.
제 질문은 다음과 같습니다.
1/ Construct Model Effects에 무엇을 넣어야 하나요? 모델에 주효과만 포함해야 하나요 아니면 모든 주효과 + 2방향 상호작용 + 2차항(요인 C, D에 대해)을 포함해야 하나요?
2/ 일반화 회귀에서 가장 좋은 추정 방법은 무엇입니까? 기본적으로 추정 방법은 2단계 전방 선택이었습니다. 다른 방법을 시도하고 AICc 또는 BIC를 사용하여 어느 모델이 가장 잘 작동하는지 평가해야 합니까? (시도해 보았고 Ridge/Holdback이 가장 낮은 AICc를 제공했는데 사용해야 합니까?)
3/ DSD로 작업할 때, 저는 보통 Fit Definitive Screening Platform을 사용합니다. 여기에는 분석에서 용어를 평가하는 2단계가 있습니다. 탐지 한계 또는 좌측 검열 데이터로 이 작업을 할 수 있습니까?
여러분의 도움에 감사드립니다!
고급 통계 모델링실험 설계윈도우Re: 확정적 스크리닝 설계의 검출 한계제공된 정보가 충분하지 않고 SME가 없으면 비판할 근거가 거의 없습니다. 저는 다음과 같은 일반적인 의견을 가지고 있습니다.
1. DSD는 스크리닝 설계 방법론입니다. 실험에는 4개의 요인만 있습니다. 이것은 DSD의 의도된 용도가 아닙니다. 범주형 요인으로 DSD를 실행할 수 있지만, 설계 공간 내에서 2차 정보를 제공하려는 DSD의 강점은 아닙니다.
2. 실험을 수행할 때마다 사용하는 설계는 가설 모델의 함수입니다. 즉, 모델은 SME에서 예측되고 실험을 통해 테스트됩니다. 저는 항상 포화된 모델로 시작하여 모델에서 중요하지 않거나 흥미롭지 않은 용어를 제거합니다(일명 모델 구축의 빼기 방법). 초기 모델에 모든 추정 가능한 용어를 포함해야 합니다.
3. 모델을 평가하는 데 사용하는 통계는 개인의 선택 입니다. 저는 용어를 제거하면서 모델을 평가하기 위해 하나가 아닌 여러 가지를 사용합니다(예: R-제곱-R-제곱 조정 델타, R-제곱 조정 크기, RMSE, 잔차 플롯, p-값). 항상 SME의 도움을 받습니다.
4. 저는 항상 정량적 분석 전에 데이터를 진단하는 데 주의를 기울입니다. 이것이 제가 항상 다음 순서를 사용하는 이유입니다. 실용적 유의성, 그래픽 분석, 마지막으로 정량적 분석(PGQ). 데이터가 의미가 없거나 실질적인 유의성이 전혀 변하지 않으면 정량적 분석으로 수정할 수 없습니다.
5. 블로킹은 설계의 힘을 증가시키는 전략이 아닙니다(그럴 수도 있지만, 그것이 발명된 이유는 아닙니다. Fisher 참조). 블로킹은 실험의 정확도를 떨어뜨리지 않으면서 추론 공간을 늘리는 데 사용됩니다.
Re: 확정적 스크리닝 설계의 검출 한계안녕하세요 @D_P2025 ,
@statman 님께 서 이미 귀하의 주제와 관련하여 확정적 스크리닝 설계와 모델 구축에 관한 많은 유용한 정보를 제공해 주셨습니다.
저는 추가적인 의견을 제공하고 여러분이 가지고 있던 다른 질문들 중 일부에 답변하려고 노력할 것입니다.
이 추가 답변이 도움이 되기를 바랍니다.
Re: 확정적 스크리닝 설계의 검출 한계귀하의 의견에 감사드립니다. 저는 DOE에 대해 잘 모르고 아직 설계 유형이 많지 않아서 DSD가 제 목적에 적합한 옵션이라고 생각했습니다. 사실 저는 Custom Design으로 설계를 시도했습니다. 동일한 요인을 사용하고 모든 주 효과, 양방향 상호 작용 및 이차 항을 포함했으며, + 차단 = 20개의 실행으로 DSD와 매우 유사합니다. 그 시점에서 저는 어느 것을 사용할지 고민했고, 실행 수가 조금 더 높은 DSD를 선택했는데, 그러면 더 나은 성능을 얻을 수 있을 것이라고 생각했습니다.
내가 차단을 사용한 이유는 한 번에 전체 실험을 실행할 수 없기 때문입니다(한 번에 최대 12회 실행). 그래서 모델을 설계할 때 실험을 2개의 블록으로 나누기로 했습니다(이것은 편리하게도 DSD의 옵션입니다).
Re: 확정적 스크리닝 설계의 검출 한계물론 저는 실험 설계를 매우 지지합니다. 실험 설계를 실행하려는 여러분의 노력에 박수를 보냅니다. 다양한 실험 상황과 전략을 더 잘 이해하기 위해 책을 읽고 수업을 수강하는 것이 좋습니다. 실험에서 노이즈와 제한을 어떻게 처리하는지에 특히 주의하세요.
Re: 확정적 스크리닝 설계의 검출 한계답변해 주셔서 정말 감사합니다.
- Compare Design을 실행해 보았는데, 주요 효과 항목만 비교하더군요. 아마 DSD 구조 때문일까요?
- 저는 일반적으로 스크리닝 설계에는 D-Optimal을 사용한 Custom Design을 사용하고, 최적화 설계에는 I-Optimal을 사용합니다. 하지만 A-Optimal을 선호하는 상황은 없었습니다. 이에 대해 더 자세히 설명해 주시겠습니까?
- 저는 DSD를 사용하면 활성 항이 너무 많지 않은 한 양방향 상호 작용을 평가하고 이차 항을 추정할 수 있다고 생각했습니다. 그래서 모델의 능력을 높이기 위해 설계에 몇 번의 실행을 더 추가하여 대부분의 항을 감지할 수 있게 되었습니다.
- 공유해주신 링크가 매우 도움이 됩니다. 공유해주셔서 감사합니다.
- 간단하게 설명해 주셔서 감사합니다. 저는 데이터 과학 배경이 없어서 매우 도움이 됩니다.
- 온라인에서 검열된 데이터를 평가하는 다른 알고리즘이 있다는 것을 읽었습니다. 즉, 좌측 검열된 데이터를 처리할 때 베타 대체가 있습니다. JMP에 이것이 있는지 아십니까? 제 샘플 크기가 크지 않기 때문에 ML 방법이 가장 적합하지 않을 수도 있습니다.
Re: 확정적 스크리닝 설계의 검출 한계모델링의 경우 전체 반응 표면 모델로 시작한 다음 일반화 회귀에서 2단계 전방 회귀를 사용하는 것이 좋습니다. 여전히 데이터 검열을 사용할 수 있어야 하지만 간단한 방법은 결과에 대한 보고 또는 감지 임계값을 대체하는 것입니다.
Re: 확정적 스크리닝 설계의 검출 한계안녕하세요 @D_P2025 ,
추가 질문에 관하여 :
- 기본적으로 확정적 선별 설계를 평가하거나 비교할 때 모델 효과는 주효과로만 구성됩니다. 사용 가능한 자유도의 한계 내에서 일부 상호 작용 또는 이차 효과 항을 추가할 수 있습니다(설계의 독립 실행 수와 관련됨). DSD는 모든 주효과, 이차효과 및 상호 작용 항이 있는 전체 반응 표면 모델을 적합시킬 수 없으며, Central Composite Designs 또는 Box-Behnken과 같은 다른 설계가 이 전체 모델을 적합시키는 데 더 적합합니다. DSD는 일반적으로 선별 단계에서 사용되므로 효과 희소성 , 계층 및 유전 원리에 의존하여 많은 무시할 수 있는 항에서 몇 가지 중요한 활성 항을 식별하고, 좋은 투영 속성 덕분에 활성 항이 너무 많지 않으면 전체 반응 표면 모델을 적합시킬 수 있습니다.
- A-최적성 기준은 가정된 모델의 매개변수 추정치의 평균 분산을 최소화하는 데 도움이 됩니다. 이 기준은 용어 간의 상관관계(그렇지 않으면 매개변수 추정치 분산을 부풀릴 수 있음)를 최소화하는 데 도움이 되며, 이는 통계적으로 유의미한 효과를 훨씬 더 쉽게 판별할 수 있으므로 모델 선택에도 도움이 됩니다. 게다가 A-최적성 설계를 사용하여 특정 효과를 더 정확하게 추정하기 위한 가중치를 조정할 수도 있습니다(예: 주효과 대비 상호 작용 효과에 더 많은 강조를 두는 것). A-최적 성 매개변수 가중치 옵션을 사용합니다.
Bradley Jones는 이 주제에 대해 훌륭한 강연을 했습니다: 21세기 스크리닝 디자인(2020-US-45MP-538)
Jonathan Stallrich는 또한 2022년에 추정 분산과 편향의 최소화와 관련하여 D- 및 A-Optimal 설계의 속성을 비교했으며, A-Optimality 기준이 D-Optimality보다 유사하거나 더 나은 속성을 가진 후보 설계를 덜 제공한다는 것을 발견했습니다. 이 논문은 여기에서 볼 수 있습니다: https://arxiv.org/abs/2210.13943
이러한 이유로 JMP는 주효과와 2요인 상호 작용에 대한 2단계 설계를 사용할 때 A-최적성을 권장하는 최적성 기준으로 사용합니다.
DSD 분석과 관련하여 다양한 추정 방법과 모델 선택이 사용된 상황을 다루는 다른 논의가 있습니다.
DSD 분석에서 활성 효과를 추론하기 위해 높은 수준의 1단계 P값 설정
DSD 해석 및 다음 단계
확정적 스크리닝 설계의 요인의 중요성
이 보완적인 답변이 도움이 되기를 바랍니다.
Re: 확정적 스크리닝 설계의 검출 한계저는 검열에 대한 경험이 없지만, 규칙적이고 양질의 데이터라면 4가지 요인을 사용한 22개의 DSD 실행만으로도 최소한 모델링을 이해하고 올바르게 하는 방향을 제시하기에 충분할 것입니다. DSD 적합 모델 플랫폼에서 임계값 P-값을 0.1에서 0.4로 늘렸을 때의 결과가 궁금합니다. SVEM도 시도해 보셨나요?
