混合物の混合物研究の解釈混合物の混合に関する研究結果の解釈について、サポートをいただけないでしょうか？私はアスファルトの摩擦、具体的には骨材の種類、粗粒分と細粒分の骨材混合比率、およびアスファルトの粒度分布の影響について研究しています。
集計タイプ、合計 6 個:
- クラスA（高品質）：A1、A2、A3
- クラスB（低品質）：B1、B2、B3
骨材混合（粗粒分と細粒分）
- ブレンド率 粗い 総混合物中のクラスAおよびB骨材：0～50％
- ブレンド率 大丈夫 総混合物中のクラスA～B骨材：0～50％
- 粗粒と細粒の合計 = 100%
グラデーションタイプ2種類
- タイプC
- タイプD
研究用の.jmpファイルを添付します。多変量回帰分析は得意なのですが、混合分析の部分がどうしても苦手です。何か良いアドバイスがあれば、ぜひ教えてください。ありがとうございます！
高度な統計モデリング基本的なデータ分析とモデリングデータの探索と可視化混合物の混合研究の解釈について実験状況に関する情報が不足しているため、適切なアドバイスを提供できません（例えば、測定システムの誤差は把握していますか？摩擦の変化はどの程度重要ですか？実験単位とは何ですか？どのように測定しましたか？など）。なぜこれを混合設計と呼ぶのか、よく分かりません。2つの要因（骨材と粒度分布は混合要因ではないようです）と、細粒と粗粒の独立した量ではなく比率を選択したためです。実際には、混合設計の代替案があります（良いとか悪いとかではありません）。実験設計に使用したモデルから始めて、一般的な一部実施要因設計として分析し、適合モデルを使用してください。
データテーブルを確認しましたが、まだよく分かりません。4成分混合計画に凝集体の種類が含まれているようですが、凝集体の種類と混合成分を混同しているようですね。
混合物の混合研究の解釈についてMarie GuadardによるJMPライブラリのケーススタディが役立つかもしれません
https://community.jmp.com/t5/JMP-Sample-Data/実験計画法-例-A-混合-混合-設計/ta-p/22788
混合物の混合研究の解釈についてコメントありがとうございます。私の研究には、要因と混合の両方の要素が含まれています。
カテゴリ要因は 3 つあります。
- Agg タイプ クラス A (レベル: A1、A2、A3)
- Agg タイプ クラス B (レベル: B1、B2、B3)
- グラデーションタイプ（レベル：タイプC、タイプD）
すると、2 つの成分から成る混合物が 2 つ存在します。
- AggBlend、粗い (A_Coarse + B_Course = 0.5)
- AggBlend、細目 (A_Fine + B_Fine = 0.5)
「粗い粒子と細かい粒子の量を個別に計るのではなく、比率で計った」とはどういう意味ですか？比率は計らなかったと思います。
- 粗い（A=0.2、B=0.3）+細かい（A=0、B=0.5）= 1.0
成分が2つしかないので、4つの混合変数を2つの連続比率変数（A/B_Coarseの比率とA/B_Fineの比率）に変更できたということですか？以前この方法を試した際、AggType * AggRatioの交互作用の分析で問題が発生しました。（必要であれば、これらの問題について詳しく説明できます。）
DOE の対話は次のようになりました。
このモデルをどのようにして作成したのかは分かりませんが、問題があると思います。(1) AggType の主効果が欠けています。(2) 一部の相互作用項は論理的に意味をなさないです。
- 最初の交互作用「 AggType、クラス A * AggBlend、Coarse_Class A 」は、Class AのAggタイプが混合比によってどのように変化するかを示します。また、Class Aが混合比に含まれていないテスト実行（Blend Class A=0）では、その影響は考慮されません。しかし、次の交互作用「 AggType、クラス A * AggBlend、Coarse_Class B 」は、全く同じことを逆順に示しているように見えます。混合比の制約は、B Blend = 0.5 - A Blend を意味します。
- AggBlend、Coarse_Class A * AggBlend、Coarse_Class Bという相互作用は全く役に立たないように見えます。これは単に A Blend と 0.5-A Blend の相互作用です。
直感的にモデルを構築すると、以下のような結果になります。これは妥当でしょうか？
混合物の混合物研究の解釈についてありがとうございます。読み応えのある内容でした。この例は厳密に混合変数ですが、私の状況はカテゴリ変数と混合変数の両方です。ここが私のつまずきどころです。
混合物の混合研究の解釈について申し訳ありませんが、ご検討いただいている実験因子については専門家ではありません。私の考えでは、これらすべてを1つの実験で実施すべきか、それとも逐次的なアプローチの方が良いのか、疑問に思います。要因計画に混合計画を組み込む場合は、以下の記事をお読みください。
コーネル、ジョン A.、1990 年「因子実験内への混合実験の組み込み」、Journal of Quality Technology、第 22 巻、第 4 号、1990 年 10 月。
混合物の混合研究の解釈についてよくあることかもしれませんが、実験計画の時間は過ぎてしまいました。データは収集済みで、計画空間をほぼカバーしています。しかし、それをどう理解すればいいのか理解する必要があります。JMPでモデル変数／交互作用を適切に設定するのに苦労しています。私のシナリオでは。
ご協力ありがとうございます。図書館員に記事をリクエストしました。
混合物の混合物研究の解釈について設計とその妥当性についてコメントすることはできませんし、するつもりもありません。私は単にこれを分析すべきデータセットとして考えただけです。不適切な仮定をしている可能性がありますが、もしそうであれば、この投稿は無視していただいて構いません。
2つの異なる混合物があり、それぞれに2つの成分が含まれているため、問題を簡略化できます。混合物の成分を合計4つ（各混合物につき2つ）で分析するのではなく、AggBlend、Course_Class B、AggBlend、Fine_Class Bの因子を無視しました。Coarse_Class AとFine_Class Aが分かれば、他の因子を特定できます。これにより、すべての因子を連続因子として扱えるため、分析が大幅に簡素化されます。これを考慮して、データテーブルを修正しました。修正したテーブルはこちらに添付されています。
さて、分析を試みました。交互作用を含むモデルが必要だったと思いますので、5つの因子をすべて2元交互作用で指定し、変数増加ステップワイズ回帰（選択基準としてAICcの最小値を使用）を使用してモデルを作成しました。データはすべての2元交互作用を含むモデルをサポートしていなかったため、変数増加ステップワイズを使用しました。調査の結果、摩擦の分散が一定ではない可能性があることがわかったので、log(friction)を作成して応答として使用しました（これらのモデルを摩擦を応答としてフィッティングすると、一定ではない分散が確認できるはずです）。開始点を確認するには、データテーブルの「Starting Model...」スクリプトを参照してください。
とはいえ、まともそうなモデルを見つけました。「Possible Final Model」のスクリプトをご覧ください。本当に良いモデルなのでしょうか？分かりません。このデータ収集の背景や、この状況の背後にある科学的な根拠は全く知りません。しかし、私が提供した重要な点は、この問題に対する別の考え方を提示し、これは典型的な回帰分析（シェッフェ混合モデルに特別なことは何もありません）であるため、簡単に解釈できる結果にたどり着ける可能性があるということです。
混合物の混合研究の解釈について素晴らしい回避策@Dan_Obermiller !
こちらのメッセージを読んでいると、この問題は2つの配合部分、それぞれに2種類の原材料が含まれているだけのように見えるので、混合計画が本当に必要だったのか疑問に思います。つまり、連続因子と比率を使用すれば、計画を定義するのに十分であるはずです。
あなたが提案する分析方法は、次のものと非常に似ています:
入力空間をさらに探索するための連続変数と混合変数を使用したコーディング (2022-US-45MP-1103) : https://community.jmp.com/t5/Abstracts/Coding-with-Continuous-and-Mixture-Variables-to-Explore-More- ... : この講演では、カテゴリ因子から連続因子への切り替えによって、設計空間の定義が、解決策を見つけることができるより広い推論空間を可能にする方法を説明します。
あなたの解決策も同様の考え方に基づいていると思います。混合因子と（複雑な）混合モデルを用いる代わりに、因子比を考慮することでモデルを簡素化できるからです。もし@bryantw氏によって、ドメイン専門家の視点と検証実行の実現によってモデルが検証されれば、発見されたモデルの信頼性と信頼性はさらに高まるでしょう。
混合物の混合物研究の解釈についてこんにちは、ダン。
ご返信ありがとうございます。分析を簡素化することには賛成です。混合アプローチを放棄することに関して最も躊躇しているのは、境界における解釈可能性です。例えば、2行目のデータ行では、粗粒度と細粒度のAgg Blendがどちらも0.0です。これは、混合にクラスAの凝集体が含まれておらず、すべてクラスBであることを意味します。しかし、この行のAggType、クラスAは「A1」です。この混合にはA1が含まれていないにもかかわらず、モデルは主効果項と相互作用においてクラスAのタイプの影響を受けます。割り当てられた凝集体がA1、A2、またはA3であった場合、実際の混合は変化していなくても、モデルの予測は変化していたでしょう。
混合モデルが依然として適切であると思います。
