JMP 10は3月に来ます。私の次のいくつかの投稿では、私は以下の分野における主な新機能を共有する予定です。実験計画 。これらの新機能の最も目に見えるものは、DOEメニューのEvaluate Design項目です。
デザインの評価機能とは何ですか？
設計の評価を使用すると、任意のデータテーブルの設計診断を設計された実験のように確認できます。
なぜ誰かがそれをしたいのですか？
この機能が欲しいという2つの一般的な理由を聞いたことがあります。第一に、教科書には多くのデザインがあり、教科書デザインの能力を次のようなアルゴリズムデザインと比較することが望ましいです。 JMP 生成します。次に、アナリストが同僚からデータを取得し、そのデータがさまざまなモデルの可能性を適切にサポートできるかどうかを知りたいということがよくあります。
例はどうですか？
下の表のデータは、Longleyによって次のように報告されています。アメリカ統計協会誌 1967年に データは計量経済データです。反応Yは総雇用の尺度です。列X1からX6が要因です。たとえば、X6は実際には暦年であると推測できます。
計量経済学データに関する1つのことは、変数がしばしば相関しているということです。もちろん、このデータは計画的な実験の結果ではありません。それにもかかわらず、6つの要因のどれが実際に応答を促進しているのかを判断することが本当に難しいのはなぜかを示すために設計診断を使用することができます。
Longleyデータは、JMPのSample DataフォルダのLongley.jmpファイルにあります。起動ダイアログの係数としてX1-X6を入力し、応答としてYを入力した後に最初に表示されるのは、Design Space Plotの割合です。プロット内の青い線上の点は、プロットされた値以下の予測の相対分散を持つデータによってカバーされる体積の割合を示します。たとえば、垂直線はX軸の0.5の位置にあります。水平線は青い曲線上の点で垂直線と交差し、約100でY軸に当たります。これの解釈は、データによってカバーされる空間の体積の半分が100未満の予測の相対分散を持つということです。逆に、ボリュームの半分の予測の相対分散も100より大きくなります。
それは悪いことなのか、それとも良いのか？
実際、それはひどいです！テーブルには16行あります。X1からX6までを制御して最適設計を実行できれば、最悪の相対予測分散は0.4375になります。そのため、Longleyデータの半分の領域では、うまく設計された実験から予測された最も不十分な因子の組み合わせよりも、予測分散が200倍以上悪くなっています。
だから予測は悪いです - パラメータ推定についてはどうですか？
以下の表は、主効果モデルの係数を推定するためのVIF（分散インフレ率）を示しています。直交設計の場合、すべての係数のVIFは1です。データの設計が良くないため、未知パラメータの分散は直交設計の場合よりも2009倍も悪いことがわかります。
これらの不十分な診断の原因は何ですか？
[Evaluate Design]レポートの[Correlations On Color Map]アウトラインノードを開くと、次の図が表示されます。X 1、X 2、X 5、およびX 6がほぼ完全に相関していることは簡単にわかります。因子間の高い相関は、高い係数分散と高い予測分散をもたらします。
経済学者は、計量経済学データを処理する必要があります。各国政府は国民経済に対して計画的な実験を行っていません。これらの診断法を見ると、なぜ経済指標がそのように動くのかを言うのが難しいのは当然のことです。
Longleyが彼の論文を書いた1つの理由は、このような過去のデータで重回帰の出力を解釈することの困難さを強調することでした。幸いなことに、うまく設計された実験から結論を引き出すことははるかに簡単です。
URL 書きました：
... [後戻り]...
[...]そこに60555以上の情報があるはずです。……...
JMP 10に関する10の素晴らしいこと - JMP Blog 書きました：
[...]とレプリケートの実行が変更されました。Âカスタムデザイナのこれらの機能強化に加えて、新しいEvaluate Designプラットフォームでは、デザインとして扱われるJMPデータテーブルを評価できます。]
