JMP verfügt über eine lange Erfolgsgeschichte bei der Bereitstellung nützlicher Methoden zur Unterstützung der Arbeit von Wissenschaftlern, Ingenieuren, Forschern und Analysten. Was inspiriert die Hinzufügung dieser neuen Methoden? Hinter der Inspiration, neue Methoden einzubeziehen, steckt oft eine Geschichte, und im Fall von A-optimalen Designs beginnt sie mit der Dissertation eines Doktoranden mit Namen Jon Stallings , der jetzt Assistenzprofessor für Statistik an der North Carolina State University ist.
Unser eigenes Bradley Jones , Distinguished Research Fellow im JMP Abteilung, war Mitglied des Dissertationsausschusses für Jon, dessen Dissertation Allgemeine gewichtete Optimalität geplanter Experimente, Enthält den motivierenden Anwendungsfall für das Hinzufügen von A-Optimalitätskriterien zu den benutzerdefinierten Designfunktionen in JMP.
Jon teilte seine Gedanken zur Einbeziehung von A-Optimalitätsdesigns in JMP 14 mit:
„Ein Design als optimal zu bezeichnen, kann für Praktiker sehr irreführend sein. Für Praktiker ist es wichtig zu verstehen, dass ein Design im Hinblick auf eine zusammenfassende Messung der Analyseleistung dieses Designs als optimal befunden wird. In der Zusammenfassung gehen Informationen über die Leistung dieses Entwurfs verloren, und Praktiker sollten sich darüber im Klaren sein, wie das Optimalitätskriterium mit ihren Analysezielen zusammenhängt. Das D-Kriterium ist bei weitem das beliebteste Kriterium und eignet sich sehr gut für Antwortflächendesigns, bei denen der Schwerpunkt gleichermaßen auf der Schätzung von Haupteffekten und Wechselwirkungen liegt. Wenn man mehr Wert darauf legen wollte, einige Effekte gegenüber anderen abzuschätzen, wäre das D-Kriterium nicht geeignet. Durch die Aufnahme gewichteter A-Kriterien in JMP 14 erhalten Praktiker mehr Flexibilität bei der Entwurfsauswahl und können einen Entwurf an ihre spezifischen Ziele anpassen. Die leistungsstarke Custom-Design-Plattform von JMP ermöglicht es Praktikern, schnell konkurrierende Designs nach diesen Kriterien zu erstellen und zu vergleichen und sich stärker an der Designauswahl zu beteiligen.“
Brad erklärt: „A-optimale und D-optimale Designs sind ähnlich, aber A-optimale Designs ermöglichen eine unterschiedliche Gewichtung von Parametergruppen durch Gewichtung, und die Optimalitätskriterien sind leicht zu verstehen.“ Abhängig von der Situation möchten Sie vielleicht die Haupteffekte stärker hervorheben, oder Effekte zweiter Ordnung und gewichtete A-optimale Designs geben Ihnen die Flexibilität, dies zu tun.“
In diesem Beispiel, in dem A-optimale und D-optimale Designs verglichen werden, weist das A-optimale Design wünschenswertere Eigenschaften auf. Das D-optimale Design weist chaotischere Korrelationsstrukturen auf und die Designdiagnose für das A-optimale Design ist viel besser.
Dies ist ein einfaches Beispiel, aber es vermittelt das Potenzial von A-optimalen Designs, Ihnen die Flexibilität zu geben, einige Effekte gegenüber anderen hervorzuheben und ein Design zu erstellen, das Ihren Anforderungen besser entspricht.
A-Optimalitätskriterien sind ein relativ neues Forschungsgebiet Versuchsplanung , und wir freuen uns, es in JMP 14 aufzunehmen. Später im Jahr können Sie detailliertere Blogbeiträge zu neuen DOE-Funktionen erwarten.
