適合性確定スクリーニングプラットフォームの混乱DSDを実行し、「適合確定スクリーニング」ボタンをクリックすると、プログラムは以下のように出力します。
- ステージ1 - 主効果推定値
- ステージ 2 - 偶数次効果の推定と
- 結合モデルパラメータ推定値
- 予測プロファイラも併せて使用します。
ステージ1メニューで、Prob>|t|が0.01未満であることから有意と判断された主効果が複数あるにもかかわらず、統合モデルパラメータ推定値メニューでは同じ効果のProb>|t|が0.20以上である場合、これはどのように解釈すればよいでしょうか？これはモデルを縮小する必要があるということでしょうか？
JMPのドキュメントには、予測プロファイラは結合モデル用であると記載されていますが、これは「適合確定スクリーニング」表に記載されている結合モデル用でしょうか、それともその結合モデルから簡略化されたモデル用でしょうか？
また、毎回分析後に「モデルを実行」を選択して手動で縮小する必要があるのかどうかも疑問に思っています。
実験計画法Re: Fit Definitive Screening Platformに関する混乱こんにちは、 @MJZ82 さん。
主効果の最終的なp値が増加するのは、第1段階のみの場合とは異なる自由度で計算されるためです。第1段階では主効果のみが研究されるため、設計における自由度が高くなり、主効果を検出するための閾値として0.05が使用されます。
第2段階では、すでにモデルに主効果を含めるためにある程度の自由度を使用しているため、第1段階で主効果と同じ方法でテストするための自由度が少なくなっていることから、高次効果はより高い閾値p値（多くの場合0.2）でモデルに含まれます。方法論の詳細については、こちらをご覧ください： Fit Definitive Screening Platformの統計的詳細
最終的な統合モデルパネルでは、このモデルの項が単純な最小二乗モデルに同時に入力された場合を想定してp値が計算されるため、2つの段階それぞれで計算されたp値とは異なり（かつ高い）値となります。最後に表示されるプロファイラは、最終的な統合モデルに対応しています。
結合モデルパラメータ推定パネルのp値に基づいてモデルをさらに縮小することはお勧めしません。Fit Definitive Screeningで使用される方法論は、まず応答に対する主効果の影響を特定し、次に以前に適合した主効果モデルの残差に基づいてアクティブな2次効果を特定するという逐次的なアプローチに基づいているためです。項を同時に含めて計算されたp値（結合モデルパラメータ推定パネルなど）は、モデル項を特定して入力するために行われたことを反映していないため、信頼性が低く、偏りがある可能性があり、一部の項を削除する決定はこの情報のみに基づいて行うべきではありません。また、DoEからモデルを適合させる際には効果の遺伝を尊重することも重要です。そのため、有意な相互作用の主効果、または同じ因子の2次効果がモデルに含まれている場合は、それらを削除しないでください。
利用可能なさまざまなモデリングプラットフォーム（Fit Definitive Screening Platform、 Fit Two Level Screening Platform 、 標準最小二乗モデル 、 Generalized Regression Modelsなど）を使用して、さまざまなモデルを試すことができます。そして、これらの方法で特定された共通の用語と、異なる用語を比較してください。モデリングのトピックは、p値に「だけ」依存するよりもはるかに広範（そして時には複雑）です。目的に応じて、モデルの評価と選択にはさまざまな方法があります。
- 説明モデル 説明モードでは、応答に何らかの影響を与える用語に重点を置くため、統計的有意性（p値と0.05などの事前定義された閾値を使用）と実質的有意性（推定値の大きさ、ドメインの専門知識に基づく選択）に基づいて、さまざまな用語を含める必要性を評価する場合があります。R²、調整済みR²（および最小化する必要のある両者の差）は、特定された用語によってどの程度の変動が説明されるかを理解し、調査対象のシステムを説明するのに適したモデルを選択するための良い指標となる可能性があります。
- 予測モデル 予測モードでは、予測誤差を最小限に抑えるのに役立つ用語に重点を置くため、実際の値と予測値のプロットや誤差の大きさ（残差プロット）の視覚化を通して、予測性能がどのように向上するかに基づいて、さまざまな用語を含める必要性を評価する場合があります。RMSEは、どのモデルが最も優れた予測性能を持っているかを評価するのに適した指標となる可能性があります（目標はRMSEを最小化することです）。
また、2つの部分の組み合わせにも興味があるかもしれません。そのため、モデルの評価と選択に役立つさまざまな指標を使用できます。 情報基準 （AICc、BIC）は、モデルの予測性能と複雑さのバランスを見つけるのに役立つ指標です。これらの基準に基づいてモデルを評価・選択する場合、数値が低いほど良いとされます。
この回答がお役に立てば幸いです。
Re: Fit Definitive Screening Platformに関する混乱詳細なご回答ありがとうございます。
私の「結合モデルパラメータ推定値」において、そのモデルにリストされている9つの項（切片を除く）のうち、有意であると示された項が1つだけだった場合はどうなりますか？
私の「ステージ 1 - 主効果推定値」では、5 つの主効果のうち 3 つが有意であると示されています。次に、「結合モデルパラメータ推定値」では、同じ 3 つの主効果に加えて、3 つの交互作用項と 3 つの二次項が示されています。これら 9 つの結合項のうち、二次項のうち有意なのは 1 つだけで、他の多くの項は p 値が 0.20 以上となっています。
「Fit Definitive Screening」プラットフォームを実行した後、たとえ「Combined」モデル内の9つの用語のうち8つに有意なp値がなかったとしても、モデル出力をさらに縮小しようとすることは通常推奨されないのでしょうか？
Re: Fit Definitive Screening Platformに関する混乱前述のとおり、結合モデルにおけるp値の計算方法は、効果の逐次的かつ階層的な検定に基づくFit Definitive Screeningで使用される方法論とは異なります（同時検定）。このFit Definitive Screeningは、従来の検定およびモデル構築方法よりも感度が高い可能性があるため、ステージ1またはステージ2で検出された項であっても、最終的な結合モデルパネルでは統計的に有意でない項が残る可能性があります。
それは、これらの用語が実際的に重要でないとか、モデルにとって役に立たないという意味ではない。
複数のモデルを評価する際には、 回帰分析の前提条件を検証すること（残差分析による）、さまざまな指標を用いてモデルを比較すること、そしてモデリングプロセスを導くための専門知識を活用することが重要です。
