다음 세션은 다음과 같습니다.
9월 23일 | 3분기: https://www.jmp.com/en/events/europe/users-groups/doe-club/2025/23-9월
11월 25일 | 4분기: https://www.jmp.com/en/events/europe/users-groups/doe-club/2025/25-nov
질문 1: 분석 결과 유의미한 효과나 상호작용이 나타나지 않는 상황은 어떻게 처리해야 합니까?
Chandra: JMP에서 그래픽 탐색 프로파일러, 등고선 플롯, 상호 작용 플롯을 사용하면 통계적으로 유의미하지는 않지만 추가 연구가 필요할 수 있는 추세를 파악하는 데 도움이 될 수 있습니다.
Victor: 연구 대상 시스템의 목표, 사전 지식 및 가정 모델/복잡성 + 예산 제약에 따라 달라집니다.
확정적 스크리닝 설계 및 OML 설계( 혼합 수준 스크리닝 설계 )는 스크리닝 단계 초기에 곡률(2차) 효과를 조사하는 데 도움이 됩니다.
Simon: 기존 DSD 데이터가 이미 있고 이를 완전한 RSM으로 확장하려는 경우, 첫 번째 데이터 세트와 함께 측정하지 않은 추가 실행을 추가하여 무작위성이 부족하다는 문제를 어떻게 처리해야 합니까?
Victor: 디자인을 강화할 때 차단을 사용하세요
Phil: FitDSD는 불행히도 실행이 누락된 경우에는 작동하지 않습니다.
Simon: 소프트웨어에서 차단을 사용하여 증강을 보여줄 수 있나요?
Victor: 위시리스트에 이 기본 확인을 추가했습니다: https://community.jmp.com/t5/JMP-Wish-List/DoE-Augmentation-Option-quot-Group-new-runs-into-separate-block/idi-p/665019
질문 2: 다양한 DOE 유형(예: 완전 요인 분석, 부분 요인 분석, 반응 표면 분석) 중에서 어떻게 선택해야 합니까?
질문 3: DOE 실행을 잃었을 때 어떻게 해야 합니까?
Victor: 가능하다면 이번 실행 없이 모델을 실행하여, 마지막으로 추가된 실행의 반응을 모델이 근사할 수 있는지 확인해 볼 수도 있습니다. 또한, 요인 범위가 너무 좁아서 범위를 확장해야 하는 경우, 처음부터 다시 시작하는 대신 기존에 수집된 정보를 활용하여 설계를 보완할 수 있습니다.
데이비드: 문제는 이미 런 수가 한계에 도달했는데, 한 런이라도 덜 하면 안 된다는 겁니다. 그래서 어떻게든 디자인을 "보강"해야 합니다. 블로킹을 꼭 해야 하는지에 대한 의견이 있으신가요?
케빈: 제가 흔히 보고, 또 스스로도 자주 저지르는 실수는 처음부터 요인 수를 제한해서 관리하기 쉽게 만들려고 하는 것입니다(즉, 실행 횟수를 줄이는 거죠). 그런 다음 DoE를 기준으로 요소를 걸러내는 대신, 직감적으로 제거하려고 하는 거죠.
물론, 떠오르는 모든 생각을 다 검토할 수는 없지만, 회의에 전문가 몇 명을 모아 시작 요소에 대한 브레인스토밍을 하는 것이 도움이 되는 경우가 많습니다.
승리자: 포화된 모델을 사용한 디자인이 있나요? 포화된 디자인에 적합한 도구인 Fit Two-Levels Screening 플랫폼( Fit Two Level Screening Platform )을 사용하여 관련 모델을 만들어 볼 수도 있습니다.
또는 언급하신 대로, 불완전한 첫 번째 설계를 보강하고 새로운 실행에 차단 기능을 사용하여 첫 번째 실험 배치와 두 번째 실험 배치 사이에 발생하는 변화나 변동을 방지하거나 감지할 수 있습니다.
CK: 이전에 실행했던 것을 다시 실행해서 계정에 도움이 될 수 있나요?
Simon: 이미 이 주제를 다뤘는지 모르겠지만, 최종 데이터 분석과 모델 판단에 한계가 있다고 생각합니다. JMP DoE 과정에서 분산 분석과 적합도 분석 방법을 배웠습니다. 최종 모델을 판단하고 이 모델의 통계를 활용하여 더 나은 실험을 계획할 수 있는 다른, 어쩌면 더 나은 방법이 있을까요?
승리: 목표에 따라 모델 비교/검증에 사용할 수 있는 다양한 모델 지표가 있습니다. R²/R² 조정, p값, RMSE, 정보 기준 등이 있습니다.
추가 토론: https://community.jmp.com/t5/Discussions/Model-reduction/mp/823421/highlight/true#M100286
Kevin: 데이비드, 정말 어려운 질문이네요. 사례에 대해 더 자세히 알지 못하더라도, 부분 최소 제곱법(Partial Least Squares)처럼 결측 데이터를 처리할 수 있는 도구를 사용해 보세요. 계획한 실험을 X 블록에 넣고, Y 예측 변수는 측정한 값을 입력하세요. 결측값은 Y 열(또는 여러 응답이 있는 경우 행렬)에 그대로 두세요.
PLS는 당신을 대신하여 예측을 할 수 있습니다. 최고는 아니더라도, 실행을 완전히 중단하는 것보다는 나을 것입니다.
또한, 이 분석 이후, 누락된 데이터 포인트가 있다면 다음 단계는 무엇이었을까요?
필: 김 씨 말대로 빠진 런을 반복하는 게 나을 것 같아요. "노이즈" 요소가 바뀌었을 수도 있으니까 이상적이지는 않지만, 더 나은 방법은 없다고 생각해요. 별도의 블록에 넣는 건 의미가 없어요. 런이 하나뿐인 블록은 쓸모가 없어요.
CK: 중심점은 좋지만 이전에 성공했던 사례를 반복할 수 있을까요?
케빈: 문제를 시뮬레이션해 볼 수 있을까요? 시뮬레이션에서 실행을 삭제하고 이후 블록에서 다시 가져오는 효과를 확인해 보세요. 블록 효과를 적용하거나 적용하지 않고 시뮬레이션해 보세요. 실제 상황을 알고 있는 가짜 시스템을 만들고, 시나리오를 재현하는 실험 데이터를 시뮬레이션해 보세요.
데이비드: 그 다음에는 어떻게 진행하시겠습니까?
케빈: 그런 다음 시뮬레이션된 데이터에 대한 분석을 수행하고 이 누락된 실행이 귀하가 얻었을(또는 얻지 못했을) 통찰력에 얼마나 중요한지 확인하세요.
시뮬레이션된 시스템에서 진실을 알고 있으므로 시뮬레이션된 데이터를 분석할 때 그 사실을 다시 확인해야 합니다.
데이비드: 시스템 속의 "진실"이란 어떤 효과가 존재하는지 말하는 건가요?
케빈: 그렇죠. 만약 당신 실험의 의도가 당신이 작업하는 범위 내에서 어떤 효과가 작용하는지 발견하는 것이라면요.
David: 저는 시스템을 설명하기 위해 가장 낮은 AICc를 갖는 모델을 얻기 위해 데이터를 맞추었을 것입니다.
케빈: 그렇다면 초기 단계에 있는 것 같네요. 요소를 걸러내고 시스템에 대해 알아가는 중이시군요.
데이비드: 맞아요! 그래서 저는 모든 달리기가 중요하다고 생각해요.
케빈: 그렇다면 시뮬레이션에서 확인해야 할 질문은 다음과 같습니다. 잠재적 스크리닝 또는 학습된 지식(예: 요인 A가 반응 1을 감소시키는 경우)이 그 단일 실행 누락 없이 학습된 지식에 오류가 있었을까요, 아니면 동일한 정보를 얻었을까요? 다시 말해, 그 실행 누락은 문제가 되지 않습니다.
질문 4: DOE 분석 내에서 Box Cox 변환 옵션 활용
Victor: 변환이 필요한지 알아보려면 먼저 모델에서 잔차를 확인할 수 있습니다.
다이애나: 박스 콕스 변환: 좋은 변환의 신뢰 구간 내에서 가장 가까운 큰 숫자로 반올림하는 것을 추천합니다. 나중에 청중에게 설명하기가 훨씬 쉽기 때문입니다. "-0.132342356 제곱입니다"라고 말하는 것보다 "로그 변환입니다"라고 말하는 것이 훨씬 쉽습니다.
필: 박스-콕스 변환에 대해: JMP는 응답의 거듭제곱인 람다 수를 변환으로 제안합니다. 0은 로그 변환과 같습니다. 2는 응답을 제곱하는 것과 같습니다. -1은 응답의 역수를 취하는 것입니다. 로그 변환은 경우에 따라 의미가 있습니다. 예를 들어, 응답이 세포 성장 횟수이고 따라서 자릿수에 따라 변하는 경우입니다. 다른 변환은 정당화하기 어렵다고 생각해서 사용하지 않을 것입니다. 유일한 예외는 응답이 백분율 척도이거나 0에서 1까지의 척도일 때 도움이 되는 변환입니다. 로짓 및 로짓 PCT 변환이 유용할 수 있습니다.
질문 5: 중심점의 목적은 무엇이며 적절한 요인 범위를 결정하는 것은 무엇입니까?
빌: DOE는 데이터가 매우 희소한 것으로 유명하며, 트리 방법이나 SVEM과 같은 방법은 DOE 데이터를 분석하는 데 좋은 옵션입니다.
Victor: 이전 DoE 클럽에서도 언급된 중심점 주제: https://community.jmp.com/t5/Design-of-Experiments-Club/Recordings-DOE-Club-Q1-2025/mp/842727
질문 6: DOE 원칙을 전혀 따르지 않는 데이터입니다.
Victor: Augment 디자인 플랫폼을 사용하면 됩니다.이는 OFAT를 사용하여 이미 실험을 수행한 사람들과의 신뢰를 구축하는 데 도움이 됩니다.
찬드라: OFAT 연구 후 상호작용과 곡률을 파악하려면 JMP의 증강 설계 기능을 사용하여 동일한 요인과 더 완전한 모델(주효과, 상호작용, 이차함수)을 지정하세요. 이렇게 하면 OFAT 데이터와 결합되어 설계를 완성하는 추가 실행이 생성됩니다. 또한, 더 나은 모델링을 위해 기존 실행과 새로운 실행을 구분하는 차단 요인을 추가합니다.
Caleb King의 댓글:
언급된 내용과 다소 관련이 있는 내용을 공유하고 싶습니다. (김 씨는 인수 수준을 더 나은 수준으로 반올림하는 것에 대해 언급했고, 물론 순수 오차 추정에 중심점을 사용하는 것에 대한 논의도 있습니다.) NASA에 있는 제 동료는 테스터가 지정된 설계 설정을 달성하는 데 어려움을 겪지만 실제 설정은 높은 정밀도로 기록할 수 있는 상황을 경험했습니다. 중심점을 사용하지 않고도 이러한 상황을 활용하여 순수 오차를 추정할 수 있는 방법이 있습니다. 3년 전에 이 주제에 대해 발표했던 내용을 첨부했습니다. (저희도 직접 만들어 보려고 했지만, 수십 년 늦었던 것으로 밝혀졌습니다.) 이 분야의 연구 요약과 참고 문헌이 포함되어 있습니다. 여러분 모두에게 유용할 것입니다.
(첨부 파일 참조)
