JMP Pro에서 최소한의 클릭으로 대규모 DoE 데이터 세트에 대한 효율적인 RSM 적합 및 단계적 회귀 분석여러분, 안녕하세요,
저는 JMP Pro에서 매우 큰 규모의 DoE 데이터셋을 다루고 있는데, 수동 클릭 횟수를 최소화하면서 신속하게 분석하고 싶습니다. JMP Pro 사용 경험이 아직 부족하고, 최근까지는 주로 표준 최소제곱법을 사용하여 DoE 연구를 분석해 왔습니다. 따라서 관련 문서와 튜토리얼을 읽어봤지만, 현재 작업에 가장 효율적인 워크플로우가 무엇인지 확신이 서지 않습니다.
제 설계에는 세 가지 요인과 약 20개의 반응이 포함되어 있으며, 각 반응은 서로 다른 처리 조건에 따라 그룹화됩니다. 각 반응에 대해 반응 표면 모델(RSM)을 다시 적합시키고 일관된 방식으로 분석하고 싶습니다.
제가 궁금한 주요 사항은 다음과 같습니다.
-
단계적 회귀 분석이나 RSM 적합을 실행할 때, 각 단계마다 "실행" 버튼을 반복해서 클릭하지 않고 더 효율적으로 실행할 수 있는 방법이 있을까요?
-
JMP에는 여러 응답에 대해 반자동 또는 원클릭 워크플로를 지원하는 도구나 옵션이 있습니까? (예: 적합성 확정 스크리닝/적합성 모델 사전 설정, 모델 대화 상자 또는 기타 바로 가기)
-
추가 질문입니다. 완전 자동화가 필요한 경우, 스크립팅(JSL)과 배치 처리 중 어떤 방식이 확장에 가장 적합할까요? 그렇다면 초보자를 위한 추천 시작점이나 템플릿이 있을까요?
제 목표는 모델 평가 및 재적합 단계를 최대한 빠르게 진행하는 것이며, 이상적으로는 복잡한 스크립트 작성을 피하는 것입니다.
도움과 제안에 미리 감사드립니다.
고급 통계 모델링자동화 및 스크립팅데이터 탐색 및 시각화실험 설계대량 맞춤화예측 모델링 및 머신 러닝제목: JMP Pro에서 최소한의 클릭으로 대규모 DoE 데이터 세트에 대한 효율적인 RSM 적합 및 단계적 회귀 분석제공해주신 정보만으로는 구체적인 조언을 드리기가 사실상 불가능합니다. 실험 파일을 첨부해 주시겠습니까? 아니면 최소한 실험 코드라도 첨부해 주시겠습니까?
죄송하지만, 질문 내용이 조금 혼란스럽습니다. 게시글을 보면 하나의 큰 DOE 데이터 세트를 가지고 계신 것 같은데, 요인이 3개밖에 없으신 것 같아 잘 이해가 안 됩니다. 왜 워크플로우를 설정하시려는 건가요? 어쨌든 모든 실험의 첫 번째 단계는 실질적인 관점에서 충분한 변동성을 확보했는지 확인하는 것입니다. 반응 변수들이 실험 분석에 의미 있는 만큼 충분히 변동성을 보였는지 확인해야 합니다. 만약 그렇다면, 다음 단계는 여러 Y 변수들의 다변량 상관 분석을 수행하는 것입니다. 동시에 마할라노비스 이상치 검정을 사용하여 이상치를 검사해야 합니다. 상관관계가 있는 Y 변수의 개수에 따라 (상관관계가 있는 경우 분석 결과는 동일합니다), 각 Y 변수를 개별적으로 적합시켜야 할 수도 있습니다. 단계적 회귀 분석은 DOE 분석 절차가 아닙니다. 모델을 찾을 때 과거 데이터나 관측 데이터에 사용하는 절차입니다. DOE 분석에서는 이미 모델을 염두에 두고 있어야 하므로 (또는 있어야 하므로), 모델 적합(Fit Model)이 그 역할을 하는 플랫폼입니다.
제목: JMP Pro에서 최소한의 클릭으로 대규모 DoE 데이터 세트에 대한 효율적인 RSM 적합 및 단계적 회귀 분석안녕하세요, 스탯맨님.
설명해주셔서 감사합니다. 제 시스템 구성에 대해 좀 더 자세히 설명드리겠습니다.
저는 3개 요인으로 구성된 반응표본분석(RSM) 설계를 사용하고 있는데, 이 3개 요인에 대해 각각 25개의 서로 다른 반응 변수를 측정했습니다. 이 반응 변수들은 'By' 역할을 이용하여 5개의 처리군으로 그룹화되어 있습니다. 따라서 요인 공간은 작지만, 반응 변수와 처리군 조합의 총 개수는 매우 많습니다. 게다가 이러한 유형의 데이터셋이 여러 개(총 5개의 실험계획법) 있기 때문에 분석 단계가 반복적으로 수행되어야 하는 부분이 상당히 많습니다.
데이터셋이 유용할 것이라는 점은 충분히 이해하고 있으며 공유하고 싶지만, 기밀유지협약(CDA) 때문에 여기서는 공유할 수 없습니다. 또한 익명화 역시 불가능합니다.
저는 JMP의 사용자 정의 디자인 도구를 사용하여 설계를 생성했고, 분석에는 적합 모델 플랫폼을 사용했습니다. 표준 최소 제곱법 대신 단계적 접근 방식을 선택한 이유는 AIC/BIC 기준을 사용하여 p값 기반 선택보다 객관성을 높이고, 'GO' 버튼만 클릭하면 되므로 클릭 횟수를 줄이기 위해서였습니다. 단계적 접근 방식 역시 다항식 모델을 데이터에 적합시키지만, 더 자동화되어 있고 편향이 적으며 p값에만 의존하지 않습니다.
하지만 실질적인 문제는 각 치료 그룹의 모든 응답에 대해 "실행" 버튼을 반복적으로 클릭해야 한다는 점입니다. 응답 수가 많고 데이터 세트도 여러 개인 경우, 이는 매우 시간이 많이 소요됩니다. 제 질문은 간단히 말해서 이러한 워크플로 부분을 자동화하거나 가속화할 수 있는지 여부입니다.
제 최종 목표는 DOE 피팅 플랫폼을 사용하여 모든 응답을 피팅하고 평가한 후 예측 프로파일러를 생성하는 것입니다. 분석 초기에 이상치를 제거하지 않으려는 이유는 피팅 후에 이상치를 평가하여 분석 결과에 편향이 생기는 것을 방지하기 위해서입니다.
따라서 핵심 질문은 여전히 남아 있습니다.
기존 UI 단축키나 스크립팅/일괄 실행을 통해 여러 반응 및 치료 그룹에 걸쳐 단계별 분석(또는 모델 적합)을 수동으로 각 반응에 대해 "실행" 버튼을 클릭하지 않고 실행할 수 있는 방법이 있을까요?
이렇게 하면 수동으로 클릭해야 하는 횟수가 상당히 줄어들 것입니다.
이 추가적인 맥락이 제 워크플로 관련 질문에 답하는 데 도움이 되나요?
저는 JMP를 사용하여 수년간 실험계획법(DoE) 분석을 해왔는데, 항상 표준 최소제곱법을 사용하는 전통적인 방식을 고수해 왔습니다. 이제 JMP Pro 버전을 사용하고 있는데, 시간을 절약할 수 있는 몇 가지 옵션이 추가되기를 기대하고 있습니다.
제목: JMP Pro에서 최소한의 클릭으로 대규모 DoE 데이터 세트에 대한 효율적인 RSM 적합 및 단계적 회귀 분석"GO"를 CTRL+클릭해 보셨나요?
동작 전에 CTRL 키를 누르면 해당 동작이 유사한 모든 버튼/상자에 일괄적으로 적용됩니다. 또한 모든 응답에 대한 단계별 맞춤 추정 설정을 동시에 변경하는 데에도 사용할 수 있습니다.
하지만 단계적 선택에 대한 빌의 의견은 여전히 유효합니다. 맞춤형 설계 플랫폼을 사용하여 실험설계(DoE)를 구축했다면, 해당 실험 시나리오에 대한 사전 모델이 있다는 의미입니다. 따라서 이 모델을 먼저 사용하고, 다른 모델링 방법들은 (신중하게) 경쟁 모델로 활용하여 성능과 각 방법의 장단점을 비교해야 합니다.
제목: JMP Pro에서 최소한의 클릭으로 대규모 DoE 데이터 세트에 대한 효율적인 RSM 적합 및 단계적 회귀 분석안녕하세요, 빅터님.
우선 언제나처럼 도와주셔서 정말 감사합니다!!
감사합니다. 이 작은 조합이 정말 도움이 되네요.
적합 모델의 제약 조건에 대한 귀하의 의견에 대해 약간 혼란스럽습니다.
제가 이해한 바로는, 수동 p값 선택을 사용하는 표준 최소제곱 회귀 분석과 단계적 회귀 분석 모두 제 데이터에 다항식 모델을 적용하며, 다항식 모델의 항들은 모델 대화 상자에서 지정됩니다(제 경우에는 RSM입니다).
아주 좋은 영상을 찾았습니다: (JMP 마스터하기) JMP 및 JMP Pro에서 단계적 회귀 분석 방법 활용하기 - YouTube.
그리고 다음 설명: 11.2 - 단계적 회귀 분석 | STAT 462
여기서는 표준 최소제곱법과 단계적 회귀분석의 차이점이 잘 설명되어 있습니다. 제 생각에는 두 방법이 거의 비슷하지만, 단계적 회귀분석에서는 p값 선택뿐만 아니라 BIC(또는 AIC) 기준도 추가로 사용한다는 점이 다릅니다. 이는 모델의 복잡성을 높이지 않고 어떤 변수가 중요한지 파악하는 데 유용하며, 주관적인 p값 편향을 피하고 모델 구축 과정을 자동화하여 객관성을 높여줍니다. 제 생각에 동의하시나요?
아직 제 질문에 대한 답을 얻지 못해서 여기에 질문을 다시 올리고 몇 가지를 추가하겠습니다.
1) JMP Pro에서 수많은 응답 변수를 포함하는 대규모 데이터 세트(예: RSM, 사용자 지정 디자인 등을 사용하여 간단하게 설계한 경우)에 대한 DoE 모델 구축을 자동화하는 실용적이고 빠른 방법이 있습니까?
2) 단계적 회귀 분석이 이 경우에 적합한 방법일까요?
3) 모든 응답이 포함된 최종 예측 프로파일러만 필요하기 때문에 또 다른 문제가 발생합니다. 전체 분석을 다시 수행하지 않고 최종 예측 프로파일러를 저장하는 방법입니다. 현재 스크립트로 저장하는 경우 모든 과정을 다시 수행해야 하며, 모델 구축 후의 예측 프로파일러는 저장되지 않습니다.
4) JMP Pro에서는 스크립트 창에 일반 회귀 분석 옵션이 자동으로 표시되는데, 이 옵션을 사용할 수도 있습니다. (마우스를 올리면 모든 선형 회귀 분석 옵션에 대해 이 방법이 가장 적합하다고 설명되어 있습니다.) 표준 최소 제곱법이나 단계적 회귀 분석에 비해 이 옵션의 장점은 무엇인가요? 일반 회귀 모델 빌더에서 분석을 자동화하려면 어떻게 해야 하나요? (여기서는 Ctrl+클릭 옵션이 작동하지 않습니다.)
미리 도움 주셔서 정말 감사합니다. DoE 분석 자동화 및 대규모 데이터셋 모델 구축 문제는 저만의 문제가 아니라 많은 분들에게 도움이 될 거라고 생각합니다!
제목: JMP Pro에서 최소한의 클릭으로 대규모 DoE 데이터 세트에 대한 효율적인 RSM 적합 및 단계적 회귀 분석RSM을 분석하는 가장 좋은 방법은 그래프 형태의 등고선 플롯을 사용하는 것입니다. RSM의 본래 목적인 최적화 단계에 있다면, 1차 및 2차 모델 효과의 유의성을 이미 알고 있어야 합니다.
모델 적합도를 평가할 때, p값은 사용해야 할 통계량 중 하나일 뿐입니다 (그리고 MSE를 평가하는 데 사용된 통계량이 무엇인지 알고 있고 그 값이 대표성을 가질 때만 사용해야 합니다). 무엇보다 먼저 데이터의 무결성을 평가해야 합니다 (이를 위한 다양한 방법이 있습니다). 그다음 실질적인 유의성을 평가해야 합니다. 또한 조정된 R제곱(값이 클수록 좋음), R제곱과 조정된 R제곱 간의 차이(값이 작을수록 좋음, 그렇지 않으면 과도하게 지정된 모델임), RMSE(값이 작을수록 좋음)를 평가해야 합니다. 그리고 항상 실질적인 의미를 평가해야 합니다. 모델이 사용 가능한가?
솔직히 말씀드리면, 상황이 그렇게 복잡하지는 않습니다. 분석하는 데 그리 오래 걸리지 않을 겁니다 (전에 3281개의 응답을 분석해 본 적이 있습니다).
워크플로를 만들 수는 있지만, 진행하면서 발견하는 내용에 따라 단계는 달라질 수 있습니다.
https://www.jmp.com/support/help/en/19.0/?os=mac&source=application#page/jmp/workflow-builder.shtml
제목: JMP Pro에서 최소한의 클릭으로 대규모 DoE 데이터 세트에 대한 효율적인 RSM 적합 및 단계적 회귀 분석안녕하세요, 스탯맨님.
다시 한번 설명해주셔서 감사합니다. 저는 고전적인 실험계획법(DOE) 관점을 이해합니다. 3요인 반응표면분석(RSM)에서는 모델이 미리 정의되어 있고, 모델 탐색보다는 최적화에 초점을 맞추며, 조정된 결정계수(R-square), 제곱평균오차(RMSE), 그리고 실제적 관련성 같은 지표들이 적합성을 판단하는 데 중요합니다. 저는 그 의견에 동의합니다.
제 문제는 통계 자체가 아니라 실질적인 작업량입니다. 제 연구 분야(단백질 안정성 연구)에서는 데이터 세트당 응집 수준, 전하 변이체, 유체역학적 크기, Tm 등 처리별로 그룹화된 약 25개의 반응 변수를 다루는 경우가 많습니다. 실험 설계(DOE) 자체는 동일하게 세 가지 요인으로 구성되지만, 실제 반응 양상은 단백질마다 다릅니다. 따라서 워크플로 빌더 템플릿을 단순히 재사용할 수 없습니다. 2차 모델 구조가 동일하더라도 각 단백질 데이터 세트를 개별적으로 평가해야 합니다.
RSM의 등고선 또는 표면 플롯도 이해합니다. 이러한 플롯은 직관적인 이해를 돕습니다. 하지만 본질적으로 정성적인 표현일 뿐이며, 예측된 표면을 2차원으로 보여줄 뿐입니다.
y_hat(x1, x2 | x3 = 상수)
어디
응답이 하나뿐일 때는 괜찮지만, 20~25개의 응답이 있을 경우 등고선 그래프만으로는 결정을 내리기가 어려워집니다.
실제로 저는 예측 프로파일러(및 선호도)를 더 많이 사용하는데, 이는 여러 반응을 한 번에 정량적으로 평가하고 최적화할 수 있는 방법을 제공하기 때문입니다. 예를 들어, k개의 반응에 대해 예측값 y1_hat, y2_hat, …, yk_hat이 있고, 각 예측값에는 고유의 선호도 함수 d1(y1_hat), d2(y2_hat), …, dk(yk_hat)이 있습니다. 제가 최적화하려는 전체 선호도는 다음과 같습니다.
D(x) = (d1 * d2 * … * dk)^(1/k)
x = (x1, x2, x3)인 경우.
이를 통해 여러 안정성 측정값에 대한 요인 설정을 한 번에 수치적으로 최적화할 수 있습니다. 이는 응답 개수가 많을 때 등고선/오차 곡면으로는 쉽게 할 수 없는 작업입니다.
핵심 문제는 방법론이 아니라 클릭에 소요되는 시간입니다. 원시 데이터에서 프로파일러 및 선호도 기반 의사 결정에 이르기까지, 현재 저는 각 응답에 대해 동일한 2차 모델을 실행하는 데 데이터 세트당 한 시간 이상이 소요됩니다. 여러 데이터 세트에 걸쳐서는 모델 정의가 변경되지 않더라도 대부분 반복적인 클릭에 4~5시간이 걸립니다.
워크플로 빌더는 제 문제를 해결해주지 못합니다. 왜냐하면 요인이 동일하더라도 각 단백질 데이터 세트마다 다른 반응이 나타나고, 여전히 모델 적합성을 개별적으로 검토해야 하기 때문입니다.
그래서 저는 JSL을 이용한 보다 효율적인 방법을 찾고 있습니다.
"제외" 버튼을 계속해서 누를 필요 없이.
제 질문은 간단합니다. JMP Pro에서 이 프로세스를 일괄 처리할 수 있는 방법이 있을까요? 이 시나리오에 맞는 JSL 패턴이나 예제 스크립트를 알고 계시다면 큰 도움이 될 것 같습니다. 저는 DOE의 모범 사례를 따르면서, 이 과정에서 수동 클릭 횟수를 줄이고 싶습니다.
제목: JMP Pro에서 최소한의 클릭으로 대규모 DoE 데이터 세트에 대한 효율적인 RSM 적합 및 단계적 회귀 분석반응 변수들 사이에 상관관계가 있나요? 있다면 계산 부하를 줄일 수 있을 겁니다. 만약 Y 변수들 사이에 상관관계가 없다면, 우선순위를 조정해야 할 것이고, 모델도 달라질 것입니다. 저는 논리적이고 합리적인 사고를 모델 개선에 적용하는 스크립트를 작성하는 방법을 모릅니다. 더 효율적인 코딩 방법이 있을 수도 있지만, 저는 알지 못합니다.
저라면 각 단백질을 다르게 만드는 요소가 무엇인지, 그리고 각 단백질에 대해 어떤 요인들을 어떻게 다르게 설정해야 하는지(어쩌면 단백질을 범주화할 수 있을지도 모릅니다)를 조사해 볼 텐데, 저는 해당 분야 전문가가 아닙니다.
제목: JMP Pro에서 최소한의 클릭으로 대규모 DoE 데이터 세트에 대한 효율적인 RSM 적합 및 단계적 회귀 분석안녕하세요, Fit Model 스크립트를 녹음한 후 모든 응답에 대해 반복 실행하면 시간을 절약할 수 있습니다. 이렇게 하면 "시작" 버튼을 반복해서 클릭할 필요가 없습니다. 저는 Premium Crystal의 마케팅 매니저인 Al Salman입니다. 두바이에서 보증금 없이 렌터카를 찾고 계신다면, 저희가 완벽한 솔루션을 제공해 드립니다. 저희는 두바이에서 보증금 없이 렌터카를 대여할 수 있도록 하여 더욱 편리하고 저렴하게 예약하실 수 있도록 도와드립니다.
제목: JMP Pro에서 최소한의 클릭으로 대규모 DoE 데이터 세트에 대한 효율적인 RSM 적합 및 단계적 회귀 분석안녕하세요 @DualARIMACougar 님 ,
@statman 님이 답변에서 강조했듯이, 목표와 모델링의 중점 사항(설명, 예측, 둘 다 포함 등)에 따라 모델을 평가하고 비교하는 데 사용할 수 있는 다양한 지표가 있습니다. 이 광범위한 주제에 대한 이전 논의들을 참고해 보세요: 완전 요인 설계와 RSM을 사용한 분할 플롯 설계 분석 / 최적 모델 / 통계적 유의성 / ... 최적화 목표의 경우, 다른 지표들보다 예측 성능에 더 중점을 둘 수 있으므로 RMSE와 정보 기준(AICc, BIC 등 예측 작업에 지나치게 복잡한 모델을 사용하지 않도록 하는 기준)이 적절한 지표가 될 수 있습니다.
또한, 각기 다른 단백질에 대해 여러 개의 설계를 만드는 대신, 이러한 단백질들을 설계에서 범주형 요인으로 사용하고, 다른 요인들을 단백질의 특성/유형 내에 중첩시키는 방식을 생각해 볼 수 있습니다. 만약 이러한 단백질들에 대한 수치적 특성화/측정값이 있거나, 화학 구조를 이용하여 단백질들을 구분하고 분자적 설명자를 계산할 수 있다면, 이러한 값들을 기반으로 단백질들을 클러스터링하여 (결과의 차이점과 유사점을 더 잘 이해하기 위해) 또는 이러한 값들을 공변량으로 사용하여 설계를 구성할 수 있습니다 (연구 대상 단백질 집단의 다양성을 포괄하고 대표하는 단백질 샘플을 확보하기 위해). 범주형 요인 대신 연속형 요인을 사용하면 추론 공간을 확장하는 데 도움이 됩니다. 다음 두 프레젠테이션을 참고하시면 도움이 될 것입니다: "다단계 범주형 요인으로 보이는 옵션들을 테스트할 때 효율성과 모델 적용 영역을 확대하는 방법"
입력 공간의 더 넓은 범위를 탐색하기 위한 연속 변수 및 혼합 변수 코딩 (2022-US-45MP-1103)
모델링 단계에 자동화 기능을 많이 도입할수록 분석 결과의 오류 및 위험 발생 가능성이 높아지고, 모델링/예측 결과 및 검증에 대한 검토가 더욱 엄격해질 수 있습니다. 예를 들어, JMP에서 여러 개의 모델을 생성하여 반응 변수를 분석할 수 있지만, 각 모델의 타당성, 특히 회귀 분석 가정의 유효성을 평가해야 합니다.
하지만 다른 문의 사항에 대해서는 몇 가지 다른 선택지를 제안해 드릴 수 있습니다.
- JMP Pro를 사용하신다면, 일반화 회귀 분석 플랫폼을 추천드립니다. 추정 방법으로는 정규 가지치기 전진 회귀(Normal Pruned Forward)와 2단계 전진 회귀(Two Stage Forward regression)를 선택하고, AICc 기준을 사용하세요(CTRL+클릭으로 모든 반응 변수에 동일한 유형의 모델을 적용할 수 있습니다). 이 모델링 방식을 통해 얻은 모델은 대부분 만족스러운 결과를 보여주며, 모델 지표가 약하거나 잔차가 비정상적인(비정규/비무작위) 패턴을 보일 때 추가적인 분석이 필요합니다. 여러 반응 변수를 모델링하는 경우, 모델 적용이 완료되면 빨간색 삼각형 안에 있는 프로파일러를 활성화하여 모든 반응 변수에 대한 프로파일링을 수행할 수 있습니다. 또한, 이러한 예측 공식을 테이블이나 공식 저장소 에 저장할 수 있으며, 여러 개의 경쟁 모델이 있는 경우 공식 저장소 또는 예측 모델링 메뉴에서 모델 비교 플랫폼을 사용하여 경쟁 모델들을 더욱 효과적으로 평가하고 비교할 수 있습니다.
- 응답 변수들 간에 상관관계가 있는 경우, 부분 최소 제곱 회귀 모델링을 사용할 수도 있습니다. 이 모델링은 Y 변수들 간의 상관관계를 활용하여 X 변수와 Y 변수 간의 연관성을 더 잘 모델링할 수 있습니다.
- 예측 성능에 중점을 두는 경우, 가우시안 프로세스 , 서포트 벡터 머신(SVM) , 랜덤 포레스트 와 같은 다양한 머신러닝 모델링 옵션을 사용하여 유연한 모델을 구축해 볼 수 있습니다. 이러한 머신러닝 모델은 실행이 간편하고, 필요한 가정이 적거나 약하지만, 과적합을 방지하기 위해 적절한 검증 전략을 수립하는 데 노력이 필요합니다. 플랫폼의 모델 스크리닝 기능을 활용하면 여러 머신러닝 모델을 신속하게 검토, 비교 및 선택할 수 있습니다. 그러나 2차 표면 반응에 대한 모델 기반 설계의 경우, 이러한 모델링 옵션이 제대로 작동하지 않을 수 있습니다.
- 마지막으로, 최적화 설계를 사용하고 있으므로 식별된 요인들을 바탕으로 여러 반응을 최적화하는 데 관심이 있을 것입니다. 첫 시도로 PCA, UMAP과 같은 다른 (비선형) 다변량 투영법 또는 다차원 척도법 (MDS)을 사용하여 반응 공간을 축소하고 시각화하여 실험 간의 유사점과 상충 관계를 더 잘 이해할 수 있습니다. 벤치마크가 있다면 이러한 유형의 분석을 시작하기 전에 표에 추가하여 실험과 벤치마크 간의 거리를 시각화하고 추출할 수 있습니다. 반응 공간이 축소되면 이러한 변환된 "집계" 반응에 모델을 적용할 수 있습니다.
모델을 반응 변수에 맞추었다면 시뮬레이터를 사용하여 실험 공간에 합성 데이터 포인트를 생성하고 모델의 예측 공식을 사용하여 반응 값을 예측하여 목표와의 일치도를 확인할 수 있습니다. 또한 각 반응에 대한 선호도 공식 열을 저장하고 이를 사용하여 합성 데이터 세트에서 선호도를 계산하고, 최적의 후보군(합성 데이터 또는 실제 실험)의 파레토 최적 전선을 더욱 명확하게 파악할 수 있습니다. 즉, 다양한 반응 변수 간의 균형/중요도에 대해 전반적으로 가장 높은 선호도 값을 보이는 데이터 포인트를 확인할 수 있습니다.
이러한 제안들이 도움이 되기를 바랍니다.
연말연시를 즐기세요!
