JMPでは、デニス・レンドレム氏、彼の著書、LinkedInの投稿、ニュースレターのファンです。白衣を着た猿、より良い科学を推進する情熱、そして英国らしいユーモア。今回の「Statistically Speaking」エピソードでは、質問が多すぎて答えきれませんでした。そこで、レンドレム氏はこのブログ記事のために親切にも回答を寄せてくれました。より良い科学とより迅速な問題解決の必要性という彼のメッセージを強調できることを嬉しく思います。
科学者と協力して、DOEが実験をより効果的に行える方法を示すことで、 効率的で効果的であるにもかかわらず、DOE の威力に感銘を受け、DOE について学び、自分で使用してみようと思った人はいるでしょうか?
少数ではありますが、期待しすぎないでください。ほとんどの人にとって、それはまるで原始人に火を見せるようなものなのです。最初は畏敬の念を抱きますが、翌日にはまた棒切れをこすり合わせているのです。なぜでしょう？それは習慣でも本能でも訓練されたわけでもないからです。改宗する人は、何かがおかしいと既に疑っていた人が多いのです。何年もの間、食料を探し求めてはいたものの、何の成果も得られなかったのです。
エンジニアリング、ソフトウェア テスト、その他の分野では、低密度の採餌が見られます。高校でスマートな実験を教え始め、最終的に 1 つの要素ずつアプローチを置き換えるべきでしょうか?
そうです。実際、30年前にそれをしなかったことを謝罪すべきです。
一度に一つの要因を考えるという考え方は、科学的なジャンクフードです。単純で満足感があり、そして完全に誤解を招きます。学生が大学に入学する頃には、既にそれが刷り込まれています。彼らはそれを疑問視することさえしません。私たちは、世界が複雑であり、単一変数思考は安心感を得るために自らに言い聞かせている嘘であることを認めなければなりません。重要なのは統計ではなく、好奇心、体系的な発見、そして体系的な探究です。これは、早い段階で身につける価値のある考え方です。（下記の関連する補足質問も参照してください。）
親切な学習空間と親切でない学習空間についてのご指摘ですが、多くの分野で複雑性が増す中で、組み合わせテストや被覆配列設計の機会が増えると思いますか？例えば、ソフトウェアはより普及しつつあります。自動運転車などを考えてみてください。.
まさにその通りです。学習空間はもはや優しくありません。高次元で、疎で、罠だらけです。直感や単一変数のいじくり回しに頼ることはできません。そうすることで、致命的な相互作用を見逃してしまうのです。組み合わせテストや被覆配列はもはやオプションではなく、生き残るためのツールです。ソフトウェアテストはそれを理解しました。エンジニアリングは追いつきつつありますが、科学はまだそれを否定しています。そして、自動運転車はまさに何百万もの入力の組み合わせが可能な代表例です。テストを自分で設計するか、歩行者を使って現実世界に任せるかのどちらかです。
2024年に発生した54億ドル規模のシステム停止/クラッシュはバグではなく、故障でした。入力チェックが1つでも抜けていたら、あっという間にフライトが欠航になり、病院もオフラインになりました。だからこそ、組み合わせテストは贅沢ではなく、リスクなのです。‐緩和策。クラウドストライクはデルタ航空から5億ドルの訴訟を起こされており、今後も訴訟は続くだろう。
一度に一つの変数ですか？ブロッキングやロボット、一部実施要因DOEや交絡因子についてはどうですか？
一度に 1 つの変数のみを扱う実験を禁止する法律が必要です。
ロボット工学においても、機器が故障したり、何か問題が起きたりする可能性があるため、ブロッキングは重要です。マーフィーの法則を参照してください。スーツを着たゴリラ.
一部階乗は、情報損失をわずかに犠牲にしながらも、リソースを大幅に削減します。
また、ブロックと選択の両方の分数は、交絡を防ぐのに役立ちます。
3つの異なる業界で、チームを一定の境界と目標期間内に収めようとする製品開発を経験しました。そして、その集団思考が、最終的に計画された実験を効果的に活用することを阻害する要因となっていました。その理由は、データポイントの迅速な収集（計画なしに、科学者が条件を決定する）が自己成就的予言を引き起こし、それが唯一の、そして主要なアプローチとなってしまったからです。社内外を問わず、統計科学の分野で素晴らしいサポートを受けてきましたが、特に製品開発の分野において、科学的思考にさらに大きな影響を与える方法について、他のアイデアをぜひお聞きしたいです。
研究開発は機能不全に陥り、欠陥のある実験が蔓延しています。あなたは一人ではありません。信念を持ち続け、ニューウェーブの一員になりましょう。このような状況を乗り越えるより良い方法を知っている仲間を探しましょう。そして、下記をご覧ください。
ランダム実験と科学的採集のデータ セットはオンラインで入手できますか (JMP Live?)。自分のグループ内で例として使用したいと思います (もちろん、完全にクレジットを付けて!)。
まだです。第3巻の付録として出版される予定です。白衣を着た猿三部作、猿とアノラックは、11月1日に打ち上げられる予定です。より完全で最新のデータセットのコピーが必要な場合は、豊富な新データを持つニューカッスル大学のハロルド・フェラーマンまでお問い合わせください。
DOEアプローチに関する誤解の一つは、「コスト」がかかるとか、「条件」が多く必要になる（何度も耳にしてきた）というものです。私は全く逆のことを思いつきました！DOEは、あらゆる組み合わせを試行錯誤することなく、要因が反応に与える影響をモデル化し予測できるため、結果に至る最も効率的な方法です。反復的な手法です！完全実施要因から始めるのではなく、完全実施要因で終わります！
まず、多次元空間で何が起こっているかに関する情報の量を最大化しつつ、消費される条件とリソースの数を最小限に抑えたい場合、それを実現する唯一の方法は、設計されたアプローチを用いることです。それがデザインの目的です。以上です。より少ないリソースでそれを実現する唯一の方法は、情報を犠牲にすることです。以上です。
第二に、従来の科学的探索手法を用いたフィールドでのリソース消費量を見てみると、質の低い情報を生成するために、より多くのリソースが消費されていることがわかります。さらに、利用可能なリソースはより予測不可能です。偶然、うまく機能するものを見つけて、すぐにリリースできることもあります。しかし、時間切れになるまでもがき続け、ついにリリースしてしまうこともあります。どちらの場合も、情報が不完全で、解決策がすぐに頓挫してしまう可能性が高く、これは研究開発管理にとって悪夢のようなシナリオです。スーツを着たゴリラ.
自分の直感を信じたいと考えている科学者に、このメッセージを直接伝えるのは難しいと感じますか？科学者にアプローチを変えるように言うよりも、抽象的に話す方が簡単そうに思えます。
はい。誰もが理解しているわけではありません。私たちは理解している科学者たちと協力します。彼らは自らリードユーザーとして選んでくれます。最初の研究を進める間、彼らには疑念を抱かないようにお願いしているだけです。そして、彼らと協力して、組織に設計を売り込むための成功事例を生み出します。成功に勝るものはありません。そして、DOEは驚異的な成功を収めています。
研究における多次元DOEと統計的ベストプラクティスの適用を客観的に評価する尺度を開発するための研究は進行中ですか？言い換えれば、研究の結果や結論を評価するのではなく、研究が多次元DOEと統計的ベストプラクティスを用いて客観性をもって行われたかどうかを評価する評価システムです。
これは本当に良いアイデアです。今のところ、まだ不完全な状態です。赤道ネットワーク（例：STROBE、STARD、CONSORT）は積極的に活動していますが、臨床志向のものが多いです。また、過去には非公開の取り組みもありました。例えば、GSKは社内研究者向けに、1ページのDOEチートシートシリーズを作成しました。
科学者やDOEに詳しい人々との連携を強化する必要があることは明らかです。どうすれば連携を促進できるでしょうか？
人々が安全に学習できる機会が与えられる、親切な学習環境の構築が鍵となります。ウェビナー、ワークショップ、カンファレンスなどのイベントは、志を同じくする人々を集め、実社会での応用に関する共通理解を深めるのに役立ちます。その他の方法としては、共同作業用ソフトウェアツールの共有、結果の容易な視覚化、関心領域の多次元空間のマッピング、ユーザーが組織内のマインドセット変革を主導するための支援などが挙げられます。
DOEを使うべきだと確信しているのですが、どこから始めたらいいのか分かりません。何かアドバイスはありますか？
シンプルに。それを経験した人を見つけましょう。初めてハンマーを振るうときは、その人に釘を握ってもらいましょう。保守的になりましょう。比較的安全なデザインにこだわりましょう。そして、ムーアの「どんなデザインでも、全くデザインがないよりはましだ」という格言を忘れないでください。
バイオテクノロジー業界の創業者や学術界の主任研究者の中には、科学的な探求を通してキャリアと名声を築いてきた人が数多くいます。彼らは今もなお権力を握っています。どうすればこの状況を打破できるでしょうか？「ボトムアップ」では不可能に思えます。ご意見をお聞かせください。
すべての変化は一人の人間から始まります。そして、その一人がトップに上り詰め、トップダウンで変化を推進するまでは、すべての変化はボトムアップで起こります。イモの物語を思い出してください。イモは、サツマイモを食べる前に砂を洗うという行動を群れに教え込んだニホンザルの幼獣です。この新しい傾向は群れ全体に広がりましたが、最後にこの行動を取り入れたのは、支配的なオスでした。
DOEによる科学教育が不十分な現状を改善する最善の方法について、皆様のご意見をお聞かせください。高校のカリキュラムに組み込むのでしょうか？博士課程のコースをターゲットにするのでしょうか？学部長？それとも、諦めて産業界に任せるのでしょうか？
今、私たちはこれらすべてを行う必要があります。次世代を今すぐ必要としています。それまでは、高校？はい。博士課程の授業？はい。学部長？ほとんどの人にとっては遅すぎますが、研究とイノベーションを担当する学部長が1人か2人いれば、興味を持つかもしれません。産業界？はい。
DOEを開発ライフサイクルのより早い段階、つまり学校に通う子供たちに浸透させる必要があります。子供たちは理解しています。一度に一つの変数に固執すべきだと教えられた人はいません。彼らはヘリコプターやカタパルトといったDOEの教材が大好きです。自己成就的予言のパラドックスのようなものを見せて、ほとんどの科学者が一度に一つの変数のアプローチを使っていると言えば、彼らは笑うでしょう。私たちは子供たちに、世界は複雑であり、一変数思考は大人が安心し、圧倒されるのを避けるために自分に言い聞かせている嘘であることを教えなければなりません。重要なのは、自然な好奇心を活かし、体系的な探究の機会を提供し、科学的発見を促すことで、科学的な思考を育むことです。
DOEが産業バイオサイエンスの分野に浸透し始めていることには全く同感ですが、学術界ではまだその傾向がはるかに薄いです。ロボット、自動化、消耗品などへの敷居の高さが一因かもしれません。予算が限られている研究者や学生は、どのようにすればDOEをより効果的に活用できるでしょうか？
ロボットは必要ありません。アクセスできれば素晴らしいですが、ロボットは必要ありません。消耗品を最小限に抑えたいなら、DOEはコストを最小限に抑えながら情報を最大化します。科学的な採集者は、多次元の暗闇の中でつまずきながら進むことに伴うコストを過小評価しています。
科学者がすぐに結論に飛びつきたがるという例に基づいて、連続的な実験がどのように役立つか、また少し危険でもあるかについてお話しいただけますか?
各実験のコストが法外に高い場合、逐次実験は有益となり得ます。しかし、並列実験が理想的であり、だからこそロボットは非常に有用となるのです。しかし、科学においては、実験のシーケンスが長くなるほど、経時変化による交絡の影響を受けやすくなり、分析ドリフトやその他の傾向が生じる機会が増え、マーフィーの法則が作用する可能性が高くなります。（マーフィーの法則に関する章を参照）スーツを着たゴリラ) シーケンスを短く保ち、ブロッキングを活用し、ラン効果をチェックします。
デニスはロナルド・フィッシャーの DOE に関する本を参照しましたか?
現在は印刷されていませんが、歴史的に興味深いものです。
- Fisher RA 1935 『実験計画法』出版社: Oliver & Boyd、エディンバラ。
しかし、DOE のより現代的で適切な扱いについては次のようになります。
JMP DOEの結果は他のアプリと異なると思いますか？もしそうなら、その理由は何ですか？
ソフトウェアが障害となるのを避けるため、クライアントが選択したソフトウェアでDOEのトレーニングを実施していました。その結果、市販されているほとんどのDOEパッケージ（Modde、DesignExpert、SPSS、BMDP、そして様々なRベースのDOEパッケージ）に精通することができました。JMP DOEは計算的には他のパッケージと同等の結果をもたらしますが、使いやすさ、データの視覚化、解釈といったユーザーエクスペリエンスにおいて優れています。
ライブ配信では時間がなくて答えられなかった質問にお答えいただいただけでなく、答えられた質問についても詳しく解説していただいたデニスに感謝します。啓発的で楽しいオンデマンド番組「Statistically Speaking」もぜひご覧ください。11月に発売予定の「Apes in Lab Coats」三部作第3作を楽しみにしています。
