ダイカスト自動車データを用いた4因子決定的スクリーニング設計の分析
4因子決定的スクリーニング計画を作成したとき私の前のブログ記事 Bradley Jonesという新しい手法を試してみることに興奮していました JMPディスカバリーサミットで発表 。染められた車を見て、私はいくつかの有望な結果と色の広い配列に気づきました。
新しい手法では、主効果モデルを当てはめ、実際の変更可能要素ではなく設計を作成するために使用される「偽」の要素に主効果を使用します（この場合、設計は6要素の決定的要素に基づくため2つあります）純粋な誤差の見積もりを提供するためのスクリーニング設計） この方法を使用したより詳細な分析は、1つの重要な効果があったので、別の日のために保存されます。ヒートセット 。しかし、私の過去の実験によると、ノイズが多すぎるようでした。酢それは最後の実験では非常に有望だったので、もうそこにはありませんでした。私はGraph Builderをちょっと見てみましたが、酢に主な影響がないことに驚きました。
これは、残りの部分（ヒートセットとブロックのフィッティングから）を見たときに、さらに顕著になります。
通常、設計された実験からモデルを近似するときは、次のようになります。効果遺伝の原則つまり、主な効果成分が重要でない限り、2次項は追加しません。ただし、このデータには当てはまりません。評価とヒートセットを見て、酢を重ねると、ヒートセットと酢の量との相互作用があるようにも見えます。
私は他の効果、特に時間の経過とともに他の調査をしました。これは、ヒートセッティングが非常に重要である（そして高熱を示唆している）ので、時間を考慮に入れるべきだからです。私がフィットしたすべてのモデルの後、最終モデルでは、時間がかなりかかりました。また、時間と酢の二次効果もわずかに有意であるため、保存しました。
あなたはそれに気づくでしょう時間最終モデルでは、重要度が高いと表示されます。主効果はすべての主効果と2次効果に直交するため、推定自体は主効果のみのモデルと変わりません。ただし、格付けの変動はモデルの2次項から生じるため、標準誤差は減少しています。
実験を確認する
最終的なモデルが完成したので、それがどのようにうまく機能するかを確認する必要がありました。プロファイラーの赤い三角形のメニューから最大化度オプションを使用すると、ヒートセット3で23分間50％の酢が最適です。
それは私が液体のバッチ内で複数の車を染めることができることが判明しました（うーん…それは将来のスプリットプロットデザインの製造のように聞こえます）。私はヒートセット3と3台の車のための最低の染料量で50％の酢を使いました、そして、10、20と30分でそれらを取り出します。考えは20分が理想的であるべきだったということでした。左から右へ、ここの車は30分、20分、10分、未染色です。
私は20分と30分の車が良く見えると期待していました、そして私は結果に満足していました。実際、私は20分の車を好みます。強火で30分すると車内のプラスチックが溶け始めたからです。
最終的な考え
効果遺伝の原理は実証的研究に基づいていますが、時には成り立たず、二次効果を見逃したかどうかを調べなければならない場合があります。この場合、決定的なスクリーニングデザインはうまくいきました。これは、単に中心点を使用するのとは異なり、二次効果の可能性を検出できるだけでなく、それらを推定できるからです。
最初の実験で赤い車の結果を比較すると、2回の追跡実験の後に違いがわかるのは素晴らしいことです。私は他の色を取得することの方がはるかに良い感覚を持っています、特にプロファイラーで。例えば、私が中程度の色が欲しいならば、私は酢と熱を使うことができません、より明るい色はいくらかの酢で熱を全く含みません。（これらの実験を見逃した場合は、ダイカスト車の染色に関する全シリーズ 。）
私はまだ新しい分析手法を試すための決定的なスクリーニングデザインを望んでいます。助言がありますか？読んでくれてありがとう！
Ryan Lekivetzは、次のように書いています。ライアンレキベッツ書きました：
こんにちはリチャード、
Bradley JonesとChristopher Nachtsheimによる分析を説明した論文が発表される予定です。
私が持ってしまった問題は分析が効果の遺伝を仮定するということでした - それは最初のステップで重要な主効果を探し、そして2番目のステップは重要な主効果から2次効果を探します。この例では、酢と時間は2次効果がありましたが、主な効果は最初のステップで拾うのに十分な大きさではありませんでした。実際には、酢の主な効果はほぼ0です。
3つの連続した要素と1つのブロックに対して、3つの偽の要素を使用しても14回の実行に留まることができるはずです。これらの3つの偽の要因は、最初のステップで誤差を推定するために3 dfを提供します。
ビデオから、レスポンスを分割するというアイデアに気付いたでしょう。あなたのケースでは、3つの連続的な（そして3つの偽の要因）の主な効果は奇数スペースに行きますが、ブロックと2次の効果は偶数スペースに行きます。最初のステップでは、主な影響を探すために、偽の要因から3 dfの誤差推定を使用します。最初のステップで選択されていない主な効果はすべて、2番目のステップで使用される誤差（推定値と自由度）に追加されます。
アドインの修正に取り組んできましたが、いずれかのイベントのバージョンをお持ちの場合は、3つの連続的な要素とブロックだけを指定する必要があります。数式列を作成し、アドインでいくつかのモデルを試してみることで、データをシミュレートすることをお勧めします。先に述べた論文では、他のモデルの選択と比較して、すべての連続的な要因がある場合、電力に関して優れた結果があります。カテゴリファクターとブロッキングファクターがある場合は、さらにシミュレーションを進めていますが、すべて問題ないようです。
それが役立つことを願っています！
ライアン
リチャードスティガーは書きました：Dr. Lekivetz - 私はあなたの最近のニュースを読みました...リチャード・スティガー書きました：
Lekivetz博士 - DSDに関する最近のブログ記事を偽の要素を使って読んだことがあります。「この方法を使用したより詳細な分析は、重要な効果が1つあったため、別の日に保存されます。ヒートセット」について、進捗状況を報告したかどうかを知りたいのですが。
私はDSDに取り組んでいますが、偽の要因を使用すると便利だと思います。アスファルト添加剤をさまざまな用量レベルで実験し、標準的なアスファルト混合テストを使用して効果を測定しています。3つの連続係数、2つの偽係数、およびブロックを使用すると、より高いD効率（〜78.6）が得られることがわかりました。これは合計で14回実行されます。ただし、実験に着手する前に、偽の要因を使用してこのデザインを分析する方法に関する詳細情報を見つけたいと思います。
私は2015年10月のテクニカルカンファレンスでヒューストンで開催されたJones DSDワークショップに参加し、このデザインアプローチについてできる限り読むことを試みました。サンディエゴでのサミットから投稿されたビデオも見ています。
ありがとう、
リチャード
Re：ダイキャストカーのデータを使用した4要素の最終的なスクリーニング設計の分析研究結果を共有していただきありがとうございます。 車、特に電気自動車に興味がある方。 これはあなたとあなたの読者にとって興味深いものになるでしょう： https://trustedbrokers.com/uk/stocks/NIO/ 。 NIOの株価はジェットコースターに乗っており、それをどう考えるかを理解するのは難しいです。
