ビデオ1：JMP 19の紹介
ビデオ 2: DOE の設定と分析に共変量および/または制御されていない補足変数を含める。
ビデオ 3: DOE でサンプル サイズの検出力を計算する方法 (特に、反復が一般的かつ必要な in vivo (動物研究) の場合)。
ビデオ 4: DoE 実験に適切な設計を選択するにはどうすればよいでしょうか?
Q3 DOEクラブQ&Aのまとめ
- DOE の設定と分析では、共変量と制御されていない補足変数をどのように処理する必要がありますか?
計画的実験では、計画された因子以外の変数、いわゆる共変量に直面することがよくあります。共変量の中には、測定可能だが統制されていないもの（例えば、ベースライン体重やpHなど）もあれば、統制されていないノイズ（例えば、湿度やオペレータ効果）もあります。これらを無視すると、誤差が大きくなり、真の因子効果が不明瞭になる可能性があります。
DOEアプローチ:
- 共変量: 測定可能な場合は、モデルに追加します。これにより、説明できない変動が削減され、推定値が明確になり、検出力が向上します。
- 制御されていない補足変数: 測定できない場合は、ブロッキング（類似の条件をグループ化）、ランダム化（迷惑な影響を均等に分散）、レプリケーション（変動性を推定）を通じて管理します。
解決：
定義段階で可能性のある共変量を特定し、それらを一貫して測定し、モデルに組み込みます。測定不可能なノイズ要因については、ブロック化、ランダム化、および反復を検討します。これにより、特に複雑な生物学的または製造分野のDOEにおいて、より明確なシグナル検出と信頼性の高い結論が得られます。
参照：
https://community.jmp.com/t5/JMP-Blog/実験デザインにおける共変量とは何か/ba-p/361517
https://community.jmp.com/t5/Discussions/DOE-with-covariate/td-p/825007
https://community.jmp.com/t5/Discussions/制御変数の予期しない変化/td-p/729169
https://community.jmp.com/t5/Discussions/Mixture-DOE-with-covariate-batch-effects/td-p/718593
https://community.jmp.com/t5/Learn-JMP-Events/Developer-Tutorial-Handling-Covariates-Effectively-when/ev-p/809996
https://community.jmp.com/t5/JMPer-Cable/New-in-JMP-16-Improved-covariate-handling-in-DOE/ba-p/361540
https://community.jmp.com/t5/Discussions/How-to-Account-for-Uncontrolled-Factors-Using-a-Definitive/td-p/666426
- 特に、反復が一般的かつ必要な生体内（動物）研究において、DOE サンプル サイズの検出力をどのように計算すればよいでしょうか。
生体内研究では、サンプルサイズはコスト、倫理、そして実現可能性によって制限されます。動物数が少なすぎると検出力が低下し（真の効果を見逃すリスクがあります）、多すぎると資源が無駄になり、倫理的な懸念が生じる可能性があります。
DOEアプローチ:
- 力サンプル サイズ、効果サイズ、変動性、および有意水準を与えられた場合に真の効果を検出する確率です。
- 複製する生物学的変動が大きいため、動物研究では特に重要です。
- JMPの検出力とサンプルサイズプラットフォーム調査を実行する前にさまざまなシナリオをシミュレートできます。
解決：
パイロットデータまたは文献から予想される変動性を推定します。検出力分析を用いて、許容可能な検出力（通常は80%）を達成するために必要な最小反復回数を決定します。リソースの制約によりサンプルサイズが制限される場合は、最も重要な因子に焦点を当てるようにDOEを設計し、ノイズを低減するためにブロッキングまたは共変量を検討します。これにより、統計的厳密さと倫理的および予算上の現実のバランスが取れます。
参照：
https://community.jmp.com/t5/Discussions/How-to-use-sample-size-and-power-for-factorial-DoE-to-determine/td-p/380872
https://community.jmp.com/t5/Discussions/Power-calculations-to-determine-sample-and-replication-of/td-p/552299
https://community.jmp.com/t5/Discussions/Sample-Size-for-DOE/td-p/237085
https://community.jmp.com/t5/Discussions/Power-Equation/td-p/53219
https://community.jmp.com/t5/Discussions/Should-I-consider-power-analysis-in-DOE/td-p/501063
https://community.jmp.com/t5/Discussions/DoE-How-to-treat-replicate-measurements/td-p/18588
https://community.jmp.com/t5/Discussions/Power-Analysis-in-Design-Evaluation-DOE/td-p/65472
https://community.jmp.com/t5/Discussions/Doe-and-replications/td-p/565281
https://community.jmp.com/t5/Learning-Center/Sample-Size-Explorers-DOE/ta-p/414885
https://community.jmp.com/t5/Discussions/quot-Animals-quot-Split-Plot-DOE/td-p/546140
- DOE 探索パスを作成する場合、特定の目標 (設計空間の範囲や不確実性の低減など) を達成するために必要な実験の数をどのように決定し、これをリソースの制約とどのようにバランスさせるか。
DOEを計画する際には、理想的な実験回数（設計空間をカバーし、不確実性を低減するため）と、時間、コスト、倫理的制約により実現可能な最大実験回数との間に常に葛藤が生じます。綿密な計画がなければ、検出力不足の結果やリソースの無駄が生じるリスクがあります。
DOEアプローチ:
- 設計診断(予測分散プロファイル、設計空間カバレッジ、エイリアシング構造など) を使用して、候補設計が因子空間をどの程度探索しているかを定量化します。
- 検出力分析を適用して、選択したサンプル サイズで実用的な重要性のある効果を検出できるかどうかを確認します。
- すべてのリソースを事前に投入するのではなく、小さく始めて必要な場合にのみ拡張する順次/反復的な設計(Bayes Opt など) を検討します。
解決：
実験目標（効果検出、応答曲面マッピング、またはロバスト性試験）を明確に定義します。次に、DOEツールを用いて、与えられたリソース上限内で、候補となる実験計画をこれらの目標に対して評価します。許容される最大実験数で十分なカバレッジまたは検出力が得られない場合は、
- 研究対象を重要な要因と反応に絞り込む、または
- 段階的な設計戦略を採用する。これにより、制約がある場合でも、DOEは有意義で妥当な知見を生み出すことができる。
https://community.jmp.com/t5/Discussions/how-JMP-design-the-number-of-runs-for-Default-under-DOE-custom/td-p/662940
https://community.jmp.com/t5/Discussions/JMP-カスタムDOE-vs-フルファクトリアルDOE/td-p/256413
https://www.jmp.com/content/dam/jmp/documents/en/support/jmp111/DOE_Guide.pdf
https://community.jmp.com/t5/Learn-JMP-Events/Understanding-DOE-Capabilities-in-JMP/ev-p/809981
- DOE 研究に適切な実験設計を選択する最善の方法は何ですか?
不適切な設計を選択すると、リソースが無駄になり、研究の質問に答えられなくなるリスクがあります。
DOEアプローチ:
- 設計を目的に合わせる:
スクリーニング：一部実施要因、決定的スクリーニング設計 (DSD)。
最適化/曲率モデリング：応答曲面設計（中心複合法、ボックス–ベンケン法）。
混合/配合:単体格子、単体重心、または混合空間充填設計。
堅牢性/ノイズ:タグチ設計または堅牢な設計。
- JMPのカスタムデザイン: 標準のカタログ設計が適合しない場合（異常な因子タイプ、制約、またはリソース制限のため）、JMP のカスタム設計プラットフォームは、因子、モデル、および実行回数に合わせてカスタマイズされた実験を構築します。
- 選択を検証するために、常に診断(エイリアス構造、予測変動、設計効率) を確認してください。
解決：
実験目標（スクリーニング、最適化、ロバスト性、混合）を明確に定義します。必要に応じて従来の計画を使用しますが、複雑で現実的なシナリオを扱う場合はJMPのカスタム計画を活用します。これにより、柔軟性、リソースの効率的な活用、そして実際の科学的課題との整合性が確保されます。
https://www.synthace.com/blog/types-of-doe-design-a-users-guide
https://ilssi.org/how-to-choose-the-right-design-for-a-designed-experiment-doe/
https://community.jmp.com/t5/Abstracts/実験デザイン-s-重要なステップ-0-適切なDOEの選択/ev-p/738877
https://www.jmp.com/content/dam/jmp/documents/en/support/jmp111/DOE_Guide.pdf
https://www.itl.nist.gov/div898/handbook/pri/section3/pri33.htm
JMP 19 DOEリソース
JMP 19におけるベイズ最適化:
- JMP ベイズ最適化プラットフォームの概要: https://www.jmp.com/en/software/ベイズ最適化
- JMP Pro 19 のベイズ最適化に関するコミュニティ紹介: https://community.jmp.com/t5/JMPer-Cable/JMP-Pro におけるベイズ最適化プラットフォームの導入/ba-p/897807
- ベイズ最適化を含む JMP 19 新リリースの概要: https://www.jmp.com/en/software/new-release/new-in-jmp
- JMP Pro 19 ベイズ最適化 YouTube デモ: https://www.youtube.com/watch?v=9rOqTZHpRqA
JMP の DOE ホワイトペーパー (一般および JMP 19):
- JMP DOE アドバンテージ ホワイトペーパー: https://www.jmp.com/en/resources/white-papers/doe-advantage
- JMP 公式ホワイトペーパーページ（DOE ペーパーを含む）: https://www.jmp.com/en/resources/resource-listings/by-type/white-papers
- 詳細な JMP DOE ホワイトペーパー PDF: https://www.jmp.com/content/dam/jmp/documents/en/white-papers/jmp-whitepaper-doe-advantage.pdf
- 追加の DOE ホワイトペーパー PDF: https://www.jmp.com/content/dam/jmp/documents/en/white-papers/103044-doe.pdf
DOE 関連の情報と JMP 19 の新機能:
- JMP 19 実験計画法ガイド PDF: https://www.jmp.com/content/dam/jmp/documents/en/support/jmp19/実験デザインガイド.pdf
- JMP DOE 機能の概要ページ: https://www.jmp.com/en/software/capabilities/実験設計
- 新しいエクスプローラーと強化されたツールを備えた JMP DOE (JMP 19) の新機能: https://community.jmp.com/t5/JMPer-Cable/JMP-DOE の新機能/ba-p/898558
