생물공정 최적화귀하에게,
저는 네 가지 요인과 한 가지 반응 변수를 사용하여 생물공정 실험을 진행하고 있습니다. 목표는 향후 실험실 연구를 위해 이러한 요인들의 농도를 최적화하는 것입니다. JMP 분석 결과, 두 가지 요인만이 유의미한 것으로 나타났습니다( P<0.05). 또한, 일부 이차 상호작용도 관찰되었습니다. 예측 프로파일러를 사용하여 최적화를 수행할 때, 유의미하지 않은 요인을 먼저 제거해야 할까요, 아니면 유의미한 효과와 유의미하지 않은 효과를 모두 최종 최적화에 포함해야 할까요?
또한,
JMP에서 생물공정 최적화를 위한 모델 축소를 수행할 때, 예측 프로파일러에서 유의하지 않은 항을 처리하는 가장 좋은 방법은 무엇일까요? 제 모델에는 두 개의 유의한 주효과와 몇 개의 이차 상호작용항이 있습니다. 최대 선호도를 예측할 때 상호작용이 없고 유의하지 않은 요인들을 유지해야 할지, 아니면 유지하면 최적화에 불필요한 노이즈가 발생할 수 있는지 확신이 서지 않습니다.
답변 미리 감사드립니다.
고급 통계 모델링기초 데이터 분석 및 모델링데이터 접근실험 설계품질 및 공정 엔지니어링신뢰성 분석제목: 생물공정 최적화환영합니다! 모델 축소는 실험의 구체적인 상황에 따라 달라지는 경우가 많아 질문에 대한 간단하고 일반적인 답변이 있을지는 확실하지 않습니다. 이 부분에 대해서는 실험설계사(DOE)와 통계 전문가의 조언을 구하는 것이 좋겠습니다.
아직 보지 않으셨다면, JMP에서 다중 선형 회귀를 사용하여 실험을 분석하는 방법을 배우는 데 도움이 되는 다음 자료를 추천합니다: 상관관계 및 회귀 분석 튜토리얼 | JMP
제목: 생물공정 최적화실험에 대한 충분한 구조를 제공하지 않으셨습니다. 수준 정보나 반복 또는 복제 여부에 대한 정보가 없습니다. 데이터 테이블을 첨부해 주시겠습니까? 최적화를 시도한다고 하셨는데, 정말 최적화를 원하시는 건가요, 아니면 단순히 최적의 결과를 선택하려는 건가요? 데이터를 분석하는 데 정답은 없습니다. 일반적으로 DOE 분석은 실험을 선택하는 데 사용한 모델로 시작하여 JMP에서 모델 적합(Fit Model)을 수행합니다. 모델을 축소하거나 단순화하는 데 도움이 되는 여러 통계량을 사용할 수 있지만, 예측 프로파일러를 사용하기 전에 모델을 단순화하는 것이 좋습니다. 2차 상호작용이란 무엇을 의미하나요? X1*X2^2와 같은 것을 말씀하시는 건가요? 상호작용이 있는 경우 주효과 설정에 주의해야 합니다.
참고로, 최적화는 시스템 내의 노이즈를 이해한 후에 이루어집니다. 진정한 최적화를 위해서는 이미 각 요소의 중요성을 파악했어야 합니다. 이제 반응 표면을 등고선으로 나타내는 작업을 진행해야 합니다.
또한, 반응 변수가 하나뿐인 상황이라는 점이 매우 이례적이라고 생각합니다. 저는 그런 경우를 본 적이 없는 것 같습니다. 우리는 다변수적인 세상에 살고 있습니다.
제목: 생물공정 최적화통계학에서 대부분의 경우 그렇듯이, 이 흔한 질문에 대한 만능 해결책은 없습니다. 가장 먼저 해야 할 일은 설계에 기반한 전체 모델을 적합시키는 것입니다. 그런 다음, p값이 0.05 미만이라는 이유만으로 항을 제거하는 대신, AICc나 PRESS(JMP에서 사용 가능)와 같이 더 견고한 예측에 도움이 되는 다른 모델 선택 기준을 고려해 볼 수 있습니다. 또 다른 방법은 효과 크기를 살펴보는 것입니다(JMP 마켓플레이스에서 효과 크기 계산을 도와주는 추가 기능을 찾을 수 있습니다). 이를 통해 실제적인 유의성을 더 잘 파악할 수 있습니다. 즉, p값이 0.049가 아닌 0.051이라는 이유만으로 항을 제거하는 것이 아니라, 실제적인 유의성을 판단할 수 있습니다. 또한, 효과 유전성을 적용하는 것이 일반적입니다(주효과 자체가 유의하지 않더라도 주효과의 이차항이나 상호작용항이 유의한 경우 모델에 유지합니다). 새로운 모델을 선택한 후에는 모든 일반적인 진단 검사를 실행하는 것이 중요합니다.
마지막으로 중요한 단계는 반응을 최적화하기 위해 요인들의 설정을 어떻게 할지 결정하는 것입니다. 특히 모델에 포함하지 않은 요인들을 고려해야 합니다. 이 단계는 매우 중요하며 통계 지식만큼이나 해당 분야의 전문 지식이 필요합니다. 이론적으로, 만약 가지고 있는 데이터가 특정 반응에 대한 모델에 어떤 항이 포함되지 않음을 시사한다면, 해당 반응의 평균은 연구 대상 효과의 범위 전체에 걸쳐 거의 일정하다고 볼 수 있습니다(물론 이는 여러 가지 가정을 전제로 합니다. 가장 중요한 것은 수집된 데이터가 전체 모집단을 대표하고, 모델을 구성하는 과정에서 누락된 다른 요인이 해당 항에 편향을 일으키거나 누락된 효과와 상호작용하지 않는다는 것입니다). 따라서 효과 범위의 중간 지점에 설정하는 것이 타당하다고 볼 수 있습니다. 또는 프로세스가 잘 제어되는 지점(즉, 변동이 최소화되는 지점)이나, 실행 비용이 저렴하거나 더 쉬운 수준으로 설정할 수도 있습니다. 모든 주요 효과를 유지하여 최적화를 통해 모든 요인에 대한 설정을 얻는 방법도 있습니다. 저는 이러한 접근 방식들을 포함하여 더 많은 방식들이 사용되는 것을 보았습니다.
이는 이 문제를 해결하기 위한 하나의 생각일 뿐이며, 다른 분들은 다른/추가적인 의견을 가지고 계실 수도 있다고 생각합니다.
