920431_de-DE

liliconcom

Effiziente RSM-Anpassung und schrittweise Regression auf großen DoE-Datensätzen mit minimalen Klicks in JMP Pro

Hallo zusammen,

Ich arbeite mit einem sehr großen DoE-Datensatz in JMP Pro und möchte ihn schnell und mit möglichst wenigen manuellen Klicks auswerten. Ich bin noch relativ neu in JMP Pro und habe DoE-Studien bisher hauptsächlich mit Standardmethoden der kleinsten Quadrate analysiert. Daher bin ich mir trotz des Lesens von Dokumentation und Tutorials noch immer unsicher, welcher Workflow für meine aktuelle Aufgabe am effizientesten ist.

Mein Versuchsdesign umfasst drei Faktoren und etwa 20 Zielgrößen, gruppiert nach verschiedenen Behandlungen. Ich möchte für jede Zielgröße ein Response-Surface-Modell (RSM) neu anpassen und die Ergebnisse einheitlich analysieren.

Meine Hauptfragen lauten:

1. Gibt es eine Möglichkeit, die schrittweise Regression oder die RSM-Anpassung effizienter durchzuführen, ohne für jeden Schritt wiederholt auf „Start“ klicken zu müssen?

2. Gibt es in JMP Werkzeuge oder Optionen, die halbautomatische oder Ein-Klick-Workflows für mehrere Antworten ermöglichen (z. B. Fit Definitive Screening / Fit Model-Voreinstellungen, Modelldialoge oder andere Tastenkombinationen)?

3. Eine weitere Frage: Falls eine vollständige Automatisierung erforderlich ist, wären Skripte (JSL) oder Stapelverarbeitung die beste Methode zur Skalierung? Gibt es in diesem Fall empfohlene Einstiegspunkte oder Vorlagen für Anfänger?

Mein Ziel ist es, die Schritte der Modellevaluierung und -anpassung so weit wie möglich zu beschleunigen, idealerweise ohne aufwändige Skripterstellung.

Vielen Dank im Voraus für Ihre Hilfe und Vorschläge.

Fortgeschrittene statistische ModellierungAutomatisierung und SkripterstellungDatenexploration und -visualisierungVersuchsplanungMassenanpassungPrädiktive Modellierung und maschinelles LernenBetreff: Effiziente RSM-Anpassung und schrittweise Regression auf großen DoE-Datensätzen mit minimalen Klicks in JMP Pro

Es ist praktisch unmöglich, auf Grundlage der von Ihnen bereitgestellten Informationen konkrete Ratschläge zu geben. Können Sie das Experiment anhängen? Oder zumindest den codierten Versuchsablauf?

Entschuldigung, ich bin etwas verwirrt von Ihrer Anfrage. Ihrem Beitrag zufolge verfügen Sie über einen großen DOE-Datensatz. Ich verstehe nicht ganz, warum Sie einen Workflow einrichten möchten, da Sie nur drei Faktoren haben. Der erste Schritt jedes Experiments besteht darin, zu prüfen, ob aus praktischer Sicht genügend Variation erzeugt wurde. Variierten die Zielvariablen ausreichend, um für die Analyse des Experiments relevant zu sein? Falls ja, ist der nächste Schritt die multivariate Korrelation der vielen Y-Variablen. Gleichzeitig sollten Sie mithilfe des Mahalanobis-Tests auf Ausreißer prüfen. Abhängig von der Anzahl der korrelierten Y-Variablen (bei Korrelation bleibt die Analyse gleich) müssen Sie die Y-Variablen möglicherweise separat anpassen. Die schrittweise Vorgehensweise ist nicht für die DOE-Analyse geeignet. Sie wird für historische oder Beobachtungsdaten verwendet, wenn Sie nach einem Modell suchen. Bei DOE haben Sie bereits ein Modell im Sinn (oder sollten es zumindest), daher ist die Funktion „Modell anpassen“ die richtige Plattform dafür.

Betreff: Effiziente RSM-Anpassung und schrittweise Regression auf großen DoE-Datensätzen mit minimalen Klicks in JMP Pro

Hallo Statman,

Vielen Dank für die Klarstellung. Lassen Sie mich meine Konfiguration genauer erläutern:

Ich arbeite mit einem dreifaktoriellen RSM-Design, habe aber für diese drei Faktoren 25 verschiedene Zielgrößen gemessen. Diese Zielgrößen sind in fünf Behandlungsgruppen gruppiert (mithilfe der „By“-Funktion). Obwohl der Faktorraum klein ist, ist die Gesamtzahl der Zielgrößen-/Behandlungskombinationen groß. Da ich zudem mehrere Datensätze dieser Art habe (insgesamt fünf Versuchsreihen), summieren sich die wiederholten Analyseschritte erheblich.

Ich verstehe vollkommen, dass der Datensatz hilfreich wäre und ich teile ihn sehr gerne, aber ich kann die Daten hier aufgrund von CDAs nicht teilen, und Anonymisierung ist leider auch keine Option.

Ich habe die Designs mit dem JMP Custom Designer erstellt und nutze die Fit-Model-Plattform für die Analyse. Ich wollte die schrittweise Regression anstelle der Standard-Kleinste-Quadrate-Methode wählen, um durch die Verwendung von AIC/BIC-Kriterien anstelle der p-Wert-basierten Auswahl eine höhere Objektivität zu erreichen und zudem Klicks zu sparen, da ich nur auf die Schaltfläche „Los“ klicken muss. Die schrittweise Regression passt weiterhin ein Polynommodell an meine Daten an, jedoch automatisierter, mit weniger Verzerrung und nicht ausschließlich vom p-Wert abhängig.

Das praktische Problem besteht jedoch darin, dass ich für jede Antwort in jeder Behandlungsgruppe immer noch wiederholt auf die Schaltfläche „Los“ klicken muss. Bei vielen Antworten und mehreren Datensätzen ist dies sehr zeitaufwändig. Meine Frage ist daher, ob dieser Teil des Arbeitsablaufs automatisiert oder beschleunigt werden kann.

Mein Ziel ist es, alle Antworten anzupassen, sie auszuwerten und mithilfe der DOE-Anpassungsplattform Vorhersageprofile zu erstellen. Ich möchte Ausreißer nicht im Voraus entfernen, da ich sie erst nach der Anpassung auswerten und die Analyse nicht von vornherein verfälschen möchte.

Die Kernfrage bleibt also bestehen:
Gibt es eine Möglichkeit, Stepwise (oder Fit Model) über mehrere Antworten und Behandlungsgruppen hinweg auszuführen, ohne für jede Antwort manuell auf „Go“ klicken zu müssen – entweder über vorhandene UI-Shortcuts oder per Skripting/Batch-Ausführung?

Dies würde die Anzahl der erforderlichen manuellen Klicks erheblich reduzieren.

Hilft dieser zusätzliche Kontext bei der Beantwortung meiner Frage zum Arbeitsablauf?

Ich analysiere Versuchsplanungen (DoEs) seit einigen Jahren mit JMP, immer noch ganz klassisch mit der Methode der kleinsten Quadrate. Jetzt nutze ich die JMP Pro-Version und hoffe, dass sie mir zeitsparende Optionen bietet.

Betreff: Effiziente RSM-Anpassung und schrittweise Regression auf großen DoE-Datensätzen mit minimalen Klicks in JMP Pro

Haben Sie versucht, STRG+Klick auf „Los“ zu verwenden?
Durch Drücken der Strg-Taste vor einer Aktion wird diese Aktion an alle ähnlichen Schaltflächen/Felder gesendet. Außerdem können damit die Einstellungen der schrittweisen Schätzung für alle Antworten gleichzeitig geändert werden.

Bills Anmerkungen zur schrittweisen Auswahl bleiben jedoch bestehen. Wenn Sie ein Versuchsdesign mit einer benutzerdefinierten Designplattform erstellt haben, verfügen Sie über ein vorab festgelegtes Modell für dieses Versuchsszenario. Dieses sollten Sie zuerst verwenden und andere Modellierungsmethoden (mit Vorsicht) als Vergleichsmodelle heranziehen, um deren Leistungsfähigkeit sowie Vor- und Nachteile zu vergleichen.

Betreff: Effiziente RSM-Anpassung und schrittweise Regression auf großen DoE-Datensätzen mit minimalen Klicks in JMP Pro

Hallo Victor,

Zunächst einmal vielen Dank für Ihre Hilfe wie immer!!

Danke, diese kleine Kombination hilft hier tatsächlich.
Zu Ihrem Kommentar bezüglich der Einschränkung des Passformmodells bin ich etwas verwirrt.
Nach meinem Verständnis passen sowohl die Standard-Kleinste-Quadrate-Regression mit manueller p-Wert-Auswahl als auch die schrittweise Regression ein Polynommodell an meine Daten an. Die Terme des Polynommodells werden im Modelldialog angegeben (in meinem Fall handelt es sich um ein RSM mit …).
Ich habe dieses sehr schöne Video gefunden: (JMP meistern) Schrittweise Regressionsmethoden in JMP und JMP Pro einsetzen - YouTube.
und diese Erklärung: 11.2 - Schrittweise Regression | STAT 462

Hier werden die Unterschiede zwischen der Standard-Kleinste-Quadrate-Methode und der schrittweisen Regression gut erklärt. Meiner naiven Schlussfolgerung nach ist es im Prinzip dasselbe. Zusätzlich wird bei der schrittweisen Regression nicht nur der p-Wert ausgewählt, sondern auch das BIC- (oder AIC-)Kriterium verwendet. Das ist sinnvoll, da die Frage, welche Variablen für das Modell wichtig sind, ohne dessen Komplexität zu erhöhen (vereinfacht gesagt), subjektive p-Wert-Verzerrungen vermeidet und den gesamten Modellbildungsprozess automatisiert – was zu mehr Objektivität führt. Stimmen Sie dem zu?

Meine Frage ist immer noch nicht beantwortet, deshalb werde ich sie hier erneut stellen und weitere Fragen hinzufügen:

1) Gibt es eine praktische und schnelle Möglichkeit, den DoE-Modellbau in JMP Pro für riesige Datensätze mit unzähligen Antworten zu automatisieren (einfaches Design mit benutzerdefiniertem Designer, z. B. RSM, benutzerdefiniertes Design usw.)?
2) Ist eine schrittweise Regression hier eine Option?
3) Da ich nur das finale Vorhersageprofil mit allen meinen Antworten benötige, stehe ich vor einem weiteren Problem: Wie kann ich das finale Vorhersageprofil speichern, ohne die gesamte Analyse erneut durchführen zu müssen? Wenn ich es derzeit als Skript speichere, muss ich alles wiederholen, da das Vorhersageprofil nach dem Modellaufbau nicht gesichert wird.
4) In JMP Pro ist in meinem Skriptfenster automatisch die Option für allgemeine Regression verfügbar, die ich auch verwenden kann (und die Erklärung beim Überfahren mit der Maus besagt, dass dies die bevorzugte Methode für alle linearen Regressionsoptionen ist). Worin liegt der Vorteil gegenüber der Standard-Kleinste-Quadrate- oder der schrittweisen Regression? Wie kann ich die Analyse im allgemeinen Regressionsmodell-Builder automatisieren (die Strg+Klick-Option funktioniert hier nicht)?

Vielen Dank im Voraus für Ihre Hilfe. Ich nehme an, dass die Frage der Automatisierung von DoE-Analysen und Modellbildung für riesige Datensätze nicht nur ein Problem ist, mit dem ich konfrontiert bin, und dass sie vielen Menschen helfen würde!

Betreff: Effiziente RSM-Anpassung und schrittweise Regression auf großen DoE-Datensätzen mit minimalen Klicks in JMP Pro

Die beste Methode zur Analyse einer Response-Surface-Methodik (RSM) ist die Verwendung grafischer Konturdiagramme. Befinden Sie sich in der Optimierungsphase, für die die RSM konzipiert ist, sollten Sie die Bedeutung der Modelleffekte erster und zweiter Ordnung bereits kennen.

Bei der Modellanpassung und der Beurteilung der Modellgüte ist der p-Wert nur eine von mehreren Statistiken, die Sie verwenden sollten (und zwar nur dann, wenn Sie eine Vorstellung davon haben, wie der mittlere quadratische Fehler (MSE) berechnet wird und dieser repräsentativ ist). Prüfen Sie vorab die Datenintegrität (hierfür gibt es verschiedene Methoden). Berücksichtigen Sie anschließend die praktische Relevanz. Prüfen Sie außerdem das korrigierte R² (je höher, desto besser), die Differenz zwischen dem ursprünglichen und dem korrigierten R² (je niedriger, desto besser, sonst ist das Modell überspezifiziert) und den mittleren quadratischen Fehler (RMSE) (je niedriger, desto besser). Bewerten Sie stets die praktischen Auswirkungen. Ist das Modell anwendbar?

Ehrlich gesagt ist Ihre Situation nicht besonders komplex. Die Auswertung sollte nicht lange dauern (ich hatte mal ein Experiment mit 3281 Antworten).

Sie können einen Arbeitsablauf erstellen, aber die einzelnen Schritte können je nach den Ergebnissen Ihrer Recherchen unterschiedlich sein.

https://www.jmp.com/support/help/en/19.0/?os=mac&source=application#page/jmp/workflow-builder.shtml

Betreff: Effiziente RSM-Anpassung und schrittweise Regression auf großen DoE-Datensätzen mit minimalen Klicks in JMP Pro

Hallo Statman,

Vielen Dank nochmals für Ihre Erläuterungen. Ich verstehe den klassischen DOE-Ansatz: Bei einem dreifaktoriellen RSM ist das Modell vordefiniert, der Fokus liegt auf der Optimierung und nicht auf der Modellsuche, und Kennzahlen wie das korrigierte R², der RMSE und die praktische Relevanz sind für die Eignung wichtig. Dem stimme ich zu.

Mein Problem sind nicht die Statistiken, sondern der praktische Arbeitsaufwand. In meinem Fachgebiet (Proteinstabilitätsforschung) habe ich oft etwa 25 Zielgrößen pro Datensatz – Aggregationsgrade, Ladungsvarianten, hydrodynamische Größe, Schmelztemperatur (Tm) usw. – gruppiert nach Behandlungen. Das Versuchsdesign selbst bleibt gleich (drei Faktoren), aber das tatsächliche Reaktionsverhalten ändert sich mit jedem Protein. Daher kann ich nicht einfach eine Workflow-Builder-Vorlage wiederverwenden; jeder Proteindatensatz muss einzeln ausgewertet werden, obwohl die Struktur des quadratischen Modells identisch ist.

Ich verstehe auch Kontur- oder Oberflächendiagramme für RSM. Diese sind hilfreich für das intuitive Verständnis. Sie sind jedoch im Wesentlichen qualitativ, da sie die vorhergesagte Oberfläche in 2D darstellen:

y_hat(x1, x2 | x3 = konstant)

Wo

• y_hat ist die vom Modell vorhergesagte Antwort.

• x1, x2, x3 sind die drei Faktoren.

• und „| x3 = konstant“ bedeutet einfach, dass x3 fixiert wird.

Das mag für eine einzelne Antwort in Ordnung sein, aber bei 20–25 Antworten wird es schwierig, Entscheidungen allein auf Konturdiagrammen zu gründen.

In der Praxis nutze ich hauptsächlich den Prediction Profiler (und die Zielfunktion), da er mir eine quantitative Möglichkeit bietet, mehrere Zielgrößen gleichzeitig zu bewerten und zu optimieren. Beispielsweise habe ich für k Zielgrößen die vorhergesagten Werte y1_hat, y2_hat, …, yk_hat, und jede hat ihre eigene Zielfunktion d1(y1_hat), d2(y2_hat), …, dk(yk_hat). Die Gesamtzielfunktion, die ich zu optimieren versuche, ist:

D(x) = (d1 * d2 * … * dk)^(1/k)

mit x = (x1, x2, x3).
Dies ermöglicht mir die numerische Optimierung der Faktoreinstellungen für mehrere Stabilitätsmesswerte gleichzeitig. Das ist mit Kontur-/Fehlerflächen bei einer hohen Anzahl von Messwerten nicht ohne Weiteres möglich.

Das Kernproblem ist also nicht die Methodik, sondern der Zeitaufwand für die Klicks. Um von den Rohdaten zu Profilerstellung und auf Wünschen basierenden Entscheidungen zu gelangen, benötige ich derzeit mehr als eine Stunde pro Datensatz, nur um für jede Zielgröße dasselbe quadratische Modell anzuwenden. Bei mehreren Datensätzen summiert sich das auf vier bis fünf Stunden größtenteils repetitiver Klicks – obwohl sich die Modelldefinition nicht ändert.

Der Workflow Builder löst dieses Problem für mich nicht, denn selbst wenn die Faktoren identisch bleiben, liefert jeder Proteindatensatz unterschiedliche Ergebnisse, und ich muss die Modellangemessenheit immer noch einzeln überprüfen.

Deshalb suche ich nach einem effizienteren Weg – idealerweise über JSL –, um Folgendes zu erreichen:

• Schleife über eine Liste von Antwortspalten,

• Wenden Sie dasselbe quadratische RSM-Modell in Fit Model an und optimieren Sie es beispielsweise durch Minimierung von p oder Maximierung des korrigierten R².

• und automatisch Profile (und Attraktivität) generieren

ohne immer wieder auf „Ausschließen“ klicken zu müssen.

Meine Frage ist also ganz einfach: Gibt es in JMP Pro eine Möglichkeit, diesen Prozess zu stapeln? Ein passendes JSL-Muster oder Beispielskript wäre mir eine große Hilfe. Ich möchte mich an die Best Practices des DOE halten – ich möchte lediglich die manuellen Klicks im Prozess reduzieren.

Betreff: Effiziente RSM-Anpassung und schrittweise Regression auf großen DoE-Datensätzen mit minimalen Klicks in JMP Pro

Korrelieren die Zielvariablen miteinander? Falls ja, kann dies die Berechnung vereinfachen. Korrelieren die Zielvariablen nicht, müssen Sie Prioritäten setzen. Die Modelle werden sich unterscheiden. Ich weiß nicht, wie man ein Skript schreibt, das logisches, rationales Denken in die Entscheidungsfindung zur Modellverfeinerung integriert. Es gibt möglicherweise eine effizientere Programmierlösung, aber ich kenne sie nicht.

Wenn ich an ihrer Stelle wäre, würde ich untersuchen, was die einzelnen Proteine ​​unterscheidet und warum/wie die Faktoren für jedes Protein unterschiedlich eingestellt werden sollten (vielleicht lassen sich Proteine ​​kategorisieren?), aber ich bin kein Experte.

Betreff: Effiziente RSM-Anpassung und schrittweise Regression auf großen DoE-Datensätzen mit minimalen Klicks in JMP Pro

Hallo, Sie können Zeit sparen, indem Sie ein Skript für die Anprobe aufnehmen und es dann für alle Antworten in einer Schleife abspielen lassen. So müssen Sie nicht ständig auf „Start“ klicken. Übrigens, ich bin Al Salman, Marketing Manager bei Premium Crystal. Wenn Sie in Dubai nach einem Mietwagen ohne Kaution suchen, haben wir die perfekte Lösung für Sie. Wir bieten Mietwagen in Dubai ohne Kaution an, was die Buchung bequemer und günstiger macht.

Betreff: Effiziente RSM-Anpassung und schrittweise Regression auf großen DoE-Datensätzen mit minimalen Klicks in JMP Pro

Hallo @DualARIMACougar ,

Wie @statman in seinen Antworten hervorgehoben hat, gibt es zahlreiche Metriken zur Bewertung und zum Vergleich von Modellen, abhängig von Ihren Zielen und dem Schwerpunkt der Modellierung (erklärend, prädiktiv, eine Kombination aus beidem usw.). Sie können einige frühere Diskussionen zu diesem Thema nachlesen: Analyse von Split-Plot-Designs mit vollständiger Faktorieller vs. RSM / bestes Modell / Statistische Signifikanz / ... Für Optimierungsziele legen Sie möglicherweise mehr Wert auf die Vorhersageleistung als auf die Leistung anderer Metriken. Daher können RMSE und Informationskriterien (AICc, BIC usw., um zu komplexe Modelle für die Vorhersageaufgabe zu vermeiden) sinnvolle Indikatoren sein.
Ich denke auch, dass man anstatt mehrere Designs für jeweils unterschiedliche Proteine ​​zu erstellen, diese verschiedenen Proteine ​​als kategorialen Faktor im Design verwenden könnte, wobei andere Faktoren innerhalb der Proteinnatur/-art verschachtelt werden. Wenn Sie numerische Charakterisierungen/Messungen dieser Proteine ​​haben oder chemische Strukturen zur Unterscheidung und Berechnung molekularer Deskriptoren verwenden können, können Sie die Proteine ​​anhand dieser Werte gruppieren (um die Unterschiede und Gemeinsamkeiten ihrer Ergebnisse besser zu verstehen) oder diese Werte als Kovariate für Ihr Design verwenden (um sicherzustellen, dass Sie eine Proteinstichprobe haben, die die Diversität der untersuchten Proteinpopulation abdeckt und repräsentativ ist). Die Verwendung kontinuierlicher anstelle von kategorialen Faktoren trägt dazu bei, den Inferenzraum zu erweitern. Sie können sich diese beiden Präsentationen als Inspiration ansehen: Steigerung der Effizienz und des Anwendungsbereichs des Modells beim Testen von Optionen, die auf den ersten Blick auf den ersten Blick plausibel erscheinen, sowie mehrstufige kategoriale Faktoren .
Codierung mit kontinuierlichen und Mischungsvariablen zur Erforschung eines größeren Teils des Eingaberaums (2022-US-45MP-1103)

Je mehr Automatisierung Sie in die Modellierungsphase einbringen, desto fehleranfälliger ist Ihre Analyse (und desto genauer müssen Sie die Modellierungs-/Vorhersageergebnisse prüfen und validieren). Beispielsweise können Sie in JMP zwar mehrere Dutzend Modelle für Ihre Zielgrößen erstellen, müssen aber dennoch die Gültigkeit jedes einzelnen Modells, insbesondere die Gültigkeit der Regressionsannahmen , beurteilen.

Zu Ihren anderen Punkten kann ich Ihnen jedoch einige weitere Optionen vorschlagen:

• Wenn Sie JMP Pro verwenden, empfehle ich die Plattform „Generalisierte Regression “ mit den Schätzmethoden „Normal Pruned Forward“ und „Two Stage Forward Regression“ sowie dem AICc-Kriterium (Sie können mit Strg+Klick denselben Modelltyp für alle Zielgrößen anwenden). Die mit diesem Modelltyp erzielten Modelle sind oft sehr zufriedenstellend. Eine genauere Analyse ist erforderlich, wenn einige Modellmetriken schwach erscheinen oder die Residuen ein ungewöhnliches (nicht-zufälliges/nicht-normalverteiltes) Muster aufweisen. Wenn Sie mehrere Zielgrößen anpassen, können Sie nach der Modellanpassung den Profiler für alle Zielgrößen im roten Dreieck aktivieren, ebenso wie andere Profilertypen. Sie können diese Vorhersageformeln auch in Ihrer Tabelle oder im Formeldepot speichern. Bei mehreren konkurrierenden Modellen empfiehlt sich die Plattform „Modellvergleich“ (direkt aus dem Formeldepot oder im Menü „Vorhersagemodellierung“), um die Modelle besser zu bewerten und zu vergleichen.
• Wenn mehrere Ihrer Antworten korreliert sind, können Sie auch ein Partial Least Squares Regressionsmodell verwenden, das die Korrelationen zwischen Ihren Y-Werten nutzt, um den Zusammenhang zwischen den X- und den Y-Werten besser zu modellieren.
• Da Ihr Schwerpunkt möglicherweise auf Vorhersageleistungen liegt, können Sie auch versuchen, ein flexibles Modell mithilfe verschiedener Machine-Learning-Modellierungsoptionen wie Gaußprozessen , Support Vector Machines oder Random Forests zu erstellen. Diese Machine-Learning-Modelle sind einfacher zu implementieren, basieren auf weniger oder schwächeren Annahmen, erfordern jedoch einen gewissen Aufwand für eine geeignete Validierungsstrategie, um Überanpassung zu vermeiden. Die Plattform -Modellprüfung kann ebenfalls hilfreich sein, um schnell mehrere ML-Modelle zu prüfen, zu vergleichen und auszuwählen. Wenn Ihre Designs jedoch modellbasiert für Oberflächenantworten zweiter Ordnung sind, eignen sich diese Modellierungsoptionen möglicherweise nicht optimal.
• Da Sie ein Optimierungsdesign verwenden, möchten Sie mithilfe der identifizierten Faktoren verschiedene Zielgrößen optimieren. Als ersten Schritt könnten Sie versuchen, den Zielgrößenraum mithilfe der Hauptkomponentenanalyse (PCA), anderer (nichtlinearer) multivariater Projektionen (wie UMAP) oder multidimensionaler Skalierung zu reduzieren und zu visualisieren, um die Ähnlichkeiten und Zielkonflikte Ihrer Experimente besser zu verstehen. Falls Sie Vergleichswerte haben, können Sie diese vor der Analyse in die Tabelle einfügen, um die Unterschiede zwischen Ihren Experimenten und den Vergleichswerten zu visualisieren und zu extrahieren. Sobald Sie den Zielgrößenraum reduziert haben, können Sie Modelle an diese transformierten, aggregierten Zielgrößen anpassen.

Sobald Sie Modelle an die Antworten angepasst haben, können Sie mit dem Simulator synthetische Datenpunkte in Ihrem experimentellen Raum generieren und die Vorhersageformel Ihrer Modelle verwenden, um die Antwortwerte vorherzusagen (um zu sehen, wie gut sie Ihren Zielen entsprechen), oder sogar die Spalten mit den Formeln für die Wünschbarkeit für jede Antwort speichern und verwenden, um die Wünschbarkeiten auf diesem synthetischen Datensatz zu berechnen und die Pareto-optimale Front der besten Kandidaten (entweder synthetische Daten oder reale Experimente) besser hervorzuheben: Datenpunkte, die den besten Gesamt-Wünschbarkeitswert für verschiedene Antwort-Kompromisse/Wichtigkeiten zeigen.

Ich hoffe, diese Vorschläge helfen Ihnen weiter.
Genießen Sie die Feierlichkeiten zum Jahresende!