スペースの割合は良いが、DoEのパワーは低いJMPコミュニティの皆様、こんにちは。
連続変数2つ、カテゴリ変数1つ（6水準）、カテゴリ変数1つ（2水準）を含むDoE計画を作成しています。この研究にD最適計画を作成すると、関心のある交互作用を検出する検出力が非常に低いことがわかりました（期待係数 = 5、検出力 = 0.61）。しかし、計画分率プロットは非常に良好です。空間分率の95%が予測分散1.0を下回っています。
モデルの検出力が非常に低いのに、設計プロットの割合が良好である理由を説明していただけますか?
基本的なデータ分析とモデリング実験計画法Re: スペースの割合は良いが、DoE のパワーは低い検出力に関して重要な考慮事項は、試行回数と実際の計画です。どちらもご指定いただけなかったため、デフォルトの試行回数（25）を使用して、同じ因子とモデルに対する計画を作成しました。この場合の検出力は、同じ予測係数を使用した場合よりも優れています。
この場合の相対予測分散について何を期待していたのかわかりません。
Re: スペースの割合は良いが、DoE のパワーは低いこんにちは、
あなたは物事を混同していると思います。
FDS プロットと検出力分析はどちらも DOE の良し悪しに関する情報を提供しますが、測定する品質はまったく異なります。
- FDSプロット → モデルは設計空間全体にわたってどの程度正確に予測できますか？あるいは、領域の大部分にわたって予測はどの程度信頼できるのでしょうか？
- 検出力分析 → ノイズとサンプルサイズを考慮すると、実験で実際の効果を検出できる可能性はどの程度ありますか？あるいは、意味のある差異を確実に検出できるでしょうか？
これらは両方とも設計が適切かどうかを判断するのに役立ちますが、DOE の異なるレベルで動作するので関連しています。
- 検出力 = 0.65 は、選択したサイズの効果を検出する確率が 65% であることを意味します。
- FDS曲線が高い場合（例えば、空間の80%が分散閾値未満）、その設計は領域の大部分にわたって信頼性の高い予測値を与える。
検出力分析は予測精度ではなく仮説検定に重点を置いています。
より理解を深めるために、いくつか例を挙げます。
類似点：どちらもデザインの分散構造に依存します。F DS →予測分散、検出力 →効果分散。どちらも同じコア要素、つまりデザイン行列とノイズレベルによって駆動されます。
一方を改善すると、他方も改善されることが多い
例えば：
- 反復を追加すると誤差分散が減少する
- パワーを増強する
- 予測分散の低減 → FDSの改善
- より最適な設計への切り替え（例：I最適）
- 予測精度が向上する
- 効果の検出可能性（パワー）が増加することが多い
しかし、最適化する目標は異なる
一方が改善されてももう一方は改善されない場合があります。
- AD 最適設計ではパラメータの精度は最大化される可能性がありますが、平均予測分散は低下します (FDS は悪化します)。
- ポイントを分散させる設計（検出力には良い）では、設計空間に予測ギャップが残る可能性があります（FDS が悪化します）。
これがなぜ起こるのかを説明するのに役立つことを願っています。
