100% 이상의 전환에 대한 예측 값입니다.여러분, 안녕하세요,
JMP에서 전환율(%)을 반응 변수로 사용하여 화학 반응을 최적화하기 위해 중앙 합성 회전형 설계(CCRD)를 실행하고 있습니다. 정의에 따르면 전환율은 0%에서 100% 사이여야 합니다. 하지만 제 적합 모델은 특정 요인 조합에 대해 전환율을 100%보다 높게 예측하는 경우가 있습니다(때로는 0% 미만으로 예측하기도 합니다).
지금까지 제가 한 일은 다음과 같습니다.
-
실험 데이터에는 0%에서 100% 사이의 전환 값만 포함됩니다.
-
저는 모델을 맞추기 위해 표준 최소 제곱 회귀 분석을 사용했습니다.
-
특히 Profiler를 사용하여 디자인 공간을 탐색할 때 이러한 범위를 벗어난 예측이 눈에 띄었습니다.
내 질문:
-
이 모델은 왜 물리적으로 불가능한 값을 예측하는가?
-
이것은 모델링 방식의 한계인가요, 아니면 JMP에서 설정을 놓친 건가요?
-
전환율과 같은 제한된 응답에 대해 예측이 0~100% 범위 내에 유지되도록 하는 가장 좋은 방법은 무엇입니까?
-
물리적 한계 내에서 예측을 제한하는 데 도움이 되는 권장 워크플로나 JMP 기능이 있습니까?
참고용으로 제 데이터와 모델 결과를 첨부합니다.
귀하의 도움과 통찰력에 감사드립니다!
실험 설계Re: 100% 이상의 전환에 대한 예측 값.유계 반응에 최소제곱법을 적용할 때 가장 큰 문제는 반응에 설정된 한계(물론 가장 일반적인 한계는 0~100%)를 본질적으로 존중하지 않는다는 것입니다. 따라서 베타 회귀를 고려하거나 반응 변수를 변환(예: 로짓 변환)하여 예측값을 한계 내에 유지할 수 있습니다.
Re: 100% 이상의 전환에 대한 예측 값.모델은 신뢰도가 낮은 요인 조합을 살펴볼 때 범위를 벗어난 값을 예측하는 경우가 있습니다(예: CCD에서 중심점은 축 방향 00a로 검정하지만, + 또는 - 값은 축 방향 '--a'로 검정하지 않는 경우). 이는 예측 오차를 의미합니다. 프로파일러 에서 외삽 제어를 활성화하여 이를 제한할 수 있습니다. 이렇게 하면 모델에 유효하지 않은 요인 조건으로 외삽하는 것을 방지할 수 있습니다.
이런 일은 SLS의 모델링 유형에 제한이 있고, 또한 데이터가 완전히 정확한 모델을 구축하기에 충분하지 않은 경우가 많기 때문에 발생할 수 있습니다. 이 경우 모델 진단을 살펴보고 모델의 성능을 파악해야 합니다.
또 다른 고려 사항은 SLS 접근법이 정규 분포 데이터를 가진 선형 모델을 가정한다는 점인데, 이 경우 데이터가 잘 맞지 않을 수 있습니다. JMP Pro의 일반화 회귀 분석을 통해 베타 분포와 같은 다른 분포와 데이터를 탐색할 수 있는 좋은 옵션이 있습니다. 로짓 변환과 같은 다른 옵션을 살펴보는 흥미로운 커뮤니티 게시물이 있습니다.
