次のセッションは次のとおりです:
9月23日 | Q3: https://www.jmp.com/en/events/europe/users-groups/doe-club/2025/23-sep
11月25日 | Q4: https://www.jmp.com/en/events/europe/users-groups/doe-club/2025/25-nov
質問 1:分析で有意な効果や相互作用が見られない状況にはどのように対処すればよいですか?
Chandra: JMP のグラフィカル探索プロファイラー、等高線図、相互作用プロットを使用すると、統計的には有意ではないものの、さらに調査する必要がある傾向を見つけることができます。
勝者:研究対象システムの目的、事前知識、想定されるモデル/複雑さ、および予算の制約によって異なります。
決定的スクリーニング設計とOML設計（ 混合レベルスクリーニング設計）は、スクリーニング段階の早い段階で曲率（二次）効果を調査するのに役立ちます。
Simon: すでに DSD データがあり、それを完全な RSM に拡張したい場合、最初のデータ セットと一緒に測定しなかった追加の実行を追加すると、ランダム化が不足する問題にどう対処すればよいですか。
勝者: デザインを拡張するときにブロッキングを使用する
フィル：残念ながらFitDSDは欠落したランニングでは機能しません
Simon: ソフトウェアでブロッキングを使用した拡張を表示できますか?
Victor:このデフォルトのチェックをウィッシュリストに追加しました: https://community.jmp.com/t5/JMP-Wish-List/DoE-Augmentation-Option-quot-Group-new-runs-into-separate-block/idi-p/665019
質問 2: さまざまな DOE タイプ (完全実施要因、一部実施要因、応答曲面など) を選択するにはどうすればよいですか?
質問3: DOEの実行に失敗した場合にはどうすればよいですか
Victor: 可能であれば、この実行を行わずにモデルを実行し、モデルが最後に追加した実行からの応答を近似できるかどうかを確認することもできます。また、因子の範囲が狭すぎるために範囲を拡大する必要がある場合は、最初からやり直すのではなく、既に収集されている情報を活用して設計を拡張することができます。
David:問題は、既に実行回数の上限に達しており、1回減らすことができないことです。そのため、何らかの方法でデザインを「拡張」する必要があります。ブロッキングを使用する必要があるかどうかについて、何かご意見はありますか？
ケビン：私がよく見かける、そして私自身も陥りがちな落とし穴は、物事を管理しやすくするために（つまり、実行回数を減らすために）最初に要因の数を絞り込もうとすることです。ですから、DoEに基づいて要因を除外するのではなく、直感で要因を排除するのです。
もちろん、頭に浮かぶ考えをすべて精査するのではなく、限界はありますが、会議に数人の専門家を招き、一連の要素についてブレインストーミングを行うことは、多くの場合役に立ちます。
ビクター：飽和モデルのデザインをお持ちですか？ Fit Two-Levels Screening プラットフォーム ( フィット2レベルスクリーニングプラットフォーム ) など、飽和デザインに適したツールを使用して、適切なモデルを作成することもできます。
また、おっしゃるとおり、不完全な最初の設計を拡張し、新しい実行にブロッキングを使用して、最初の一連の実験と 2 番目の一連の実験の間の変化や変動を防止/検出することもできます。
CK: アカウントを支援するために、以前実行されたものも実行できますか?
Simon:既にこの話題に触れたかどうかは分かりませんが、最終的なデータ分析とモデルの判断に限界を感じています。JMP DoEコースで分散分析と不適合度の分析を学びました。最終的なモデルを判断し、このモデルの統計量を使ってより良い実験を計画するために、他に、もしかしたらもっと良い方法はありますか？
ビクター：目的に応じて、モデルの比較/検証に使用できるモデルメトリックは多数あります: R²/R²調整、p値、RMSE、情報基準など。
詳しい議論： https://community.jmp.com/t5/Discussions/Model-reduction/mp/823421/highlight/true#M100286
ケビン：デイビッド、確かに難しい質問ですね。あなたのケースについて詳しくは分かりませんが、一度テスト／試してみるのは良いアイデアです。欠損データを扱える部分最小二乗法のようなツールを使ってみてください。計画している実験をXブロックに入力し、Y予測変数は測定結果です。欠損値はY列（複数の回答がある場合は行列）に残しておいてください。
PLS は予測を行うことができますが、最善ではないかもしれませんが、その実行を完全に中止するよりはましです。
また、欠落しているデータ ポイントがあった場合、この分析後の次のステップは何だったでしょうか。
Phil: Kimさんの言う通り、欠落している実行を繰り返すだけです。「ノイズ」要因が変化する可能性があるため理想的ではありませんが、これより良い方法はないと思います。別のブロックに入れるのは意味がありません。実行が1つしかないブロックは役に立ちません。
CK:センターポイントは良いですが、以前成功した実行を繰り返すことはできますか?
ケビン：問題のシミュレーションをしてみていただけますか？ シミュレーションで、実行を中止し、後のブロックでそれを再開した場合の効果を、ブロック効果の有無でシミュレーションしてみてください。真実がわかっている偽のシステムを作成し、シナリオを再現する実験データをシミュレーションしてください。
デイビッド：それからどうするつもりですか？
ケビン：次に、シミュレーション データを分析し、この実行の失敗が、得られたであろう（または得られなかった）洞察にとってどれほど重要であるかを確認します。
シミュレートされたシステムの真実がわかっているので、シミュレートされたデータの分析でそれを確認する必要があります。
デイビッド: システム内の「真実」とは、どのような効果が存在するかということですか?
ケビン: そうですね、実験の目的が、操作している範囲内でどのような効果が働いているかを発見することであれば。
デイビッド：私は、システムを説明するために、最も低いAICcを持つモデルを得るためにデータを適合させたでしょう
ケビン: つまり、要因を選別し、システムについて学習している初期段階にあるということですね。
デイビッド：まさにその通り！だから毎回のランニングが大切だと感じています
ケビン：その場合、シミュレーションで確認すべき質問は、潜在的なスクリーニングや学習した知識（例えば、要因Aはレスポンス1を減少させる）は、その1回の欠落した実行がなければ学習した知識は間違っていたのか、それとも同じ情報が得られていたのかということです。言い換えれば、その欠落した実行があっても問題ではないということです。
質問4: DOE分析におけるBox Cox変換オプションの利用
Victor: 変換が必要かどうかを知るには、まずモデルの残差をチェックすることができます。
ダイアナ：ボックス・コックス変換：適切な変換の信頼区間内であれば、最も近い大きな数値に丸めることをお勧めします。そうすれば、後で聴衆に説明する際にずっと楽になります。「-0.132342356乗です」と言うよりも、「対数変換です」と言う方がずっと簡単です。
Phil: ボックス-コックス変換についてですが、JMPは応答を変換するべき乗であるラムダ値を提案します。0は対数変換に相当します。2は応答を2乗します。-1は応答の逆数を取ります。対数変換は、応答が細胞増殖数であり、桁違いに変動する場合など、場合によっては有効です。他の変換は正当化が難しいと思うので、避けた方が良いでしょう。唯一の例外は、応答がパーセントスケールまたは0から1のスケールである場合に役立つ変換です。ロジット変換とロジットPCT変換が役立つ場合があります。
質問5: 中心点の目的と適切な係数範囲の決定
Bill: DOE は非常にまばらであることで知られており、ツリー法や SVEM などの方法は DOE データを分析するのに適したオプションです。
Victor: 中心点のトピックは、以前の DoE クラブでも言及されています: https://community.jmp.com/t5/Design-of-Experiments-Club/Recordings-DOE-Club-Q1-2025/mp/842727
質問 6: DOE の原則に従わないデータ。
Victor: Augment 設計プラットフォームを使用できます。これは、OFATですでに実験を行った人々との信頼関係を築くのに役立ちます。
Chandra：OFAT研究後の交互作用と曲率を捉えるには、JMPの拡張計画機能を使用して、同じ因子とより完全なモデル（主効果、交互作用、2次曲線）を指定します。これにより追加の実験が生成され、OFATデータと組み合わせることで計画が完成します。また、ブロック因子を追加することで、元の実験と新しい実験を区別し、より適切なモデリングを行うことができます。
カレブ・キングからのコメント:
先ほど触れられた内容と多少関連のあることを共有したいと思います（キムは係数レベルをより適切なレベルに丸めることを言及していましたが、もちろん、純粋誤差の推定に中心点を使用するという議論もあります）。NASAに同僚がいますが、彼はテスターが指定された設計設定を達成するのに苦労する一方で、実際の設定は高精度に記録できるという状況に遭遇したことがあります。中心点を使用する以外にも、このような状況を利用して純粋誤差を推定する方法があります。このトピックについて3年前に行ったプレゼンテーション（私たちも独自の方法を考案しようとしましたが、数十年遅すぎたことが判明しました）を添付しました。この分野の研究の概要と参考文献が含まれています。皆さんの参考になるかもしれません。
（添付ファイルを参照）
