選択実験の最適設計 - JMPブログ書きました：
[...]前回のブログ投稿では、ラップトップコンピュータの選択実験の設計における問題について説明しました。目標はモデル化することでした[...]
ライアンケリー書きました：
こんにちはジョンさん、
変数が相関している単純なモンテカルロシミュレーションをJMPが容易に/簡単に処理できないため、既知の相関関係がモデルに入力され、MCシミュレーションが結合分布からサンプリングするようになるのはなぜでしょうか。JMPのメニューからこれを簡単に実行できないのはなぜですか？これを行うための既存のJSLスクリプトはありますか？これはJMPではかなりの欠点です。
ありがとう、
Ryan- kellyeng@cox.net
ラップトップベンダーは、ラップトップでどの機能が評価されているか、そして顧客がそれらにいくら払っても構わないと思っているかを知る必要があります。製造業者は、として知られている市場調査手法を通じてこれを学ぶことができます選択実験。この投稿はの要素をカバーしています実験計画JMP8を使用した選択実験用。
しかし、最初に、私はそれが原因であるところに信用を与えなければなりません。ここで使用されているR＆Dと例はどちらもブラッドリージョーンズそしてクリス・ゴトワルト、JMP8でテクニックを実装した人。
それでは、選択実験を設計して、多くの機能が顧客にとってどれほど価値があるかを理解しましょう。特に、以下に焦点を当てています。
| 因子 |
レベル |
|---|
| 速度 |
速い、遅い |
| ディスクサイズ |
大きい、小さい |
| バッテリー寿命 |
ロング、ショート |
| 価格 |
安くて高い |
実験では、被験者は2つの構成から選択し、最も魅力的な構成を選択する必要があります。たとえば、1つの選択肢は、高価であるがフル機能のラップトップと、安価であるが機能が損なわれているラップトップのどちらかです。
| 選択 |
速度 |
ディスクサイズ |
バッテリー寿命 |
価格 |
|---|
| a |
速い |
大きい |
長いです |
高価な |
| b |
スロー |
小さい |
ショート |
安いです |
選択実験で使用するために通常の実験計画法を使用したとします。それぞれの選択肢は、従来のデザインのブロックのように指定できます。それは良い考えでしょうか？
aとbの間で次の選択を検討してください。
| 選択 |
速度 |
ディスクサイズ |
バッテリー寿命 |
価格 |
|---|
| a |
速い |
小さい |
長いです |
高価な |
| b |
速い |
小さい |
長いです |
高価な |
これらは、因子が同じ値を持つ実行です。ここには本当の選択はありません。選択は任意であるため、取得する情報はありません。したがって、最初の選択ルールは次のとおりです。
ガイドライン：選択実験では、ブロック内の複製はありません。つまり、何かを学習するために、テストされる代替案は異なっている必要があります。
これは、たとえば、反復がより正確に因子を推定し、実験誤差のより正確な推定値を取得し、適合テストの欠如に対する純粋な誤差の推定値を取得するのに役立つ産業応答曲面計画とはまったく異なります。したがって、選択計画は実験計画とは異なります。
ここで、1つの選択肢が他のすべての選択肢を上回っている状況を考えてみましょう。これは、状況に応じて、ある因子のレベルが別の因子よりもはるかに分散している場合に簡単に発生する可能性があります。たとえば、他の要素値にもかかわらず、高価格が高すぎて誰もそれを選択できなかったとします。ここで、すべての要素がブロック内で変化する典型的な古典的な設計を実行することを検討してください。各被験者に3つの選択肢の質問が与えられ、それぞれに2つの選択肢があるとします。
| セットする |
選択 |
速度 |
ディスクサイズ |
バッテリー寿命 |
価格 |
|---|
| 1 |
a |
スロー |
大きい |
長いです |
安いです |
| 1 |
b |
速い |
小さい |
ショート |
高価な |
| 2 |
a |
スロー |
小さい |
長いです |
高価な |
| 2 |
b |
速い |
大きい |
ショート |
安いです |
| 3 |
a |
速い |
小さい |
ショート |
高価な |
| 3 |
b |
スロー |
大きい |
長いです |
安いです |
このデザインは、価格などの支配的な要因について多くのことを教えてくれます。他に何か表示できますか？価格が決定を支配する場合、ユーザーは決定を下すために他の要素値を見る必要さえありません。他の要因は、価格効果よりも小さいことを除いて、測定することさえできません。あなたは他の要因について学ぶことを犠牲にします。これを修正するには、いくつかの試行の選択セット内でいくつかの要因を同じに保つ必要があります。
ガイドライン：各因子について、1つの因子が選択セット全体で一定である選択セットが必要です。
選択セット全体であまり多くの要因を変えてはならないもう1つの理由があります。トレードオフを評価するために2つの多くの違いがあると、被験者は混乱しすぎて疲れます。2つの選択肢が非常に異なる場合、その選択肢は2つの非常に異なるものの間の選択肢のように見える傾向があります。リンゴとオレンジを比較するようなものだと言います。それぞれが独自の方法で良いか悪いかであり、実際には互いに比較しません。
ガイドライン：選択セット全体で最大で3つまたは4つを超える要因を変化させないでください。
通常のデザインには別の問題があります。ラップトップ用に設定された次の選択肢を検討してください。
| 選択 |
速度 |
ディスクサイズ |
バッテリー寿命 |
価格 |
|---|
| a |
速い |
大 |
長いです |
安いです |
| b |
スロー |
小さい |
ショート |
高価な |
この選択は、主題にとって簡単になります。トレードオフはありません。ラップトップの実験は、すべての要因が自然に好ましいレベルを持っているため、トレードオフのために構築されました。遅いより速い方が常に優先されます。小さいディスクよりも大きいディスクの方が常に優先されます。バッテリーの寿命は、短いよりも長い方が常に優先されます。他の条件が同じであれば、より高い価格よりも安い価格が常に優先されます。この実験にはすべての極性因子があります。したがって、この選択セットは、私たちがまだ知らないことを何も教えてくれません。この選択セットは、対象に対する侮辱です。しかし、従来の実験計画では、このような実行が生成されます。
ガイドライン：極性因子は常に極性が混在している必要があります。選択肢セットでは、選択肢内ですべての極性係数を同じ方向に設定する必要があります。
一部の調査には他にも問題があります。
- 一部の調査では、質問が多すぎて、個人ごとに異なるモデルを推定できる「完全なプロファイル」の詳細を目指しています。しかし、人々は長すぎる調査にうんざりしています。あなたが実際に彼らに支払わない限り、彼らは彼らの忍耐に挑戦するどんな調査でも早く止まります。ボランティア調査から期待できる質問は約15問です。
- 一部の調査では、十分な要因が変化していません。極端な場合、選択セット全体で1つの要因のみが変化するとします。その場合、主な効果のみが推定可能です。相互作用を推定することはできません。要因間の相対的なトレードオフはテストされないため、トレードオフを十分に評価することはできません。
- トレードオフと相互作用を推定する必要性とあまり多くの質問をしない必要性のバランスをとる場合、両方の目的を達成するために、調査ではさまざまな人々にさまざまな質問のセットを与える必要があることを理解する必要があります。これにより調査の適用がより複雑になりますが、調査はコンピューターで生成されるため、これは実際の問題ではありません。
これらのルールはすべて、振り返ってみるとかなり明白に聞こえますよね？皮肉なことに、これらの考慮事項は通常、特に最後のいくつかには従いません。多くの場合、市場調査担当者は、DOEはすべての状況で同じである抽象的で一般的な概念であると考えて、選択実験に使用するのと同じ実験計画法（DOE）ソフトウェアを使用します。それは同じではありません。選択実験はうまく設計するのが難しいです。
各選択実験の非常に特定のニーズに対する1つの優れたアプローチは、最適な実験計画のツールを使用することですが、選択実験の特定のニーズと個々の状況の特定のニーズに適合します。
一般に、最適設計の手法では、実行の因子設定を調整して、指定された実行数からほとんどが学習されるようにします。学習モデルでは、最適な配置は実際のパラメーター値に不変であるため、状況は単純です。
特殊な種類のロジスティック回帰に適合する選択モデルは、パラメーターが線形ではないことが判明したため、最適な設計は、パラメーターの真の値に依存しますが、これは不明です。したがって、パラメータの一部の範囲または事前分布は、考慮する必要のある範囲を表すために使用されます。このための設計の最適化はかなり困難であり、以前の密度を統合して最適な設計を作成する必要があります。 [Chaloner、K。およびVerdinelli、I。（1995）。ベイズ実験計画法：再検討、Statistical Science 10：273-304。]しかし、JMPは、非線形DOEについて学んだことを取り入れて、Choiceデザインに適用することができました。 [Gotwalt、C.、Jones、B。およびSteinberg、D。（2009）テクノメトリクスで受け入れられた非線形設定のパラメーターの不確実性に対してロバストな設計の高速計算。]
したがって、選択実験の優れた実験計画は他の実験の設計とは異なり、最適な設計手法でそれらを最適に処理できます。
次の投稿では、ラップトップの実験が実際にどのように設計され、実行されたかを見ていきます。
