レコーディング・エクスペリメンターズ・クラブ 2026年第2四半期_ベストモデルを超えて：DSDが本当に教えてくれること動画1：チャレンジ - ベストモデルを超えて：DSDが本当に教えてくれること
実験者クラブの第2四半期セッションでは、ジョージ・ボックスの有名な言葉「すべてのモデルは間違っているが、中には役に立つものもある」について活発な議論が交わされた。
事の発端は、あるユーザーが、6因子決定スクリーニングデザイン（DSD）において、予想外に強い相互作用と二次効果が見られたが、これを信頼すべきかどうかだった。その後、思慮深いやり取りが続き、真の問題は、 、多くの妥当なモデルが共存するデザイン空間をどのように解釈するかにあることが明らかになった。
コミュニティからの質問：https://community.jmp.com/t5/Discussions/quot-Surprising-quot-results-in-an-DSD-Design/td-p/941518
VictorのLinkedIn投稿：https://www.linkedin.com/posts/victorguiller_experimentersclub-designofexperiments-share-7453440558682894336-j7Ki?utm_source=share&utm_medium=member_desktop&rcm=ACoAAAg2XG8BduAUlMeluDXcuMFV-P_Hxv1KA0k
動画2：ディスカッション
この議論では、実行回数が限られたDSD（分散型データ解析）では、構造的なトレードオフなしにすべての主効果、交互作用効果、二次効果を同時に推定することは不可能であることが強調された。その結果、部分的なエイリアシング、多重共線性、モデルの多重性は、失敗の兆候ではなく、この問題の自然な特徴である。
議論では、R²、調整済みR²、AICc、BIC、RMSEなどの異なる推定方法や選択基準を用いると、異なるものの、いずれも妥当なモデルが得られる可能性があることが強調された。
重要なポイントは、実験者は単一の最適なモデルを見つけることだけに集中すべきではないということです。そうではなく、複数の有力な候補を比較し、優れたモデル間で一貫して現れる効果を探し、効果の階層構造とドメイン知識を適用し、確認が必要な場合は拡張を検討すべきです。
その意味で、設計プロセスは、予期せぬ結果への対応というよりも、現実世界の実験作業における、規律に基づいたモデル判断へと重点が移っていく。
Re: レコーディング実験クラブ 2026年第2四半期_ベストモデルを超えて：DSDが本当に教えてくれること録音してくれた@maria_astalsさん、ありがとう！
DoEからラスタープロットを作成する詳細な手順は以下のとおりです。
- フィットモデルプラットフォームに移動するか（またはDoEテーブルのスクリプトモデルをクリック）、想定モデルの応答と項を指定し（これらのパネルが既に事前入力されていない場合）、[Personality Stepwise]を選択します。[実行]をクリックします。
-
「ステップワイズフィット」の横にある赤い三角形をクリックし、 「すべての可能なモデル」を選択して、モデル内の可能な項の最大数と表示する最適なモデルの数を指定します。 「相互作用が低次の効果を意味するモデルに限定する（遺伝的制限）」オプションをオンにします。「OK」をクリックします。
-
Once the calculations are done, a new table 考えられるすべてのモデル appears in the report. RIght-click on this table, and choose the option 結合データテーブルを作成する. You then have a new table opened with the results from the Stepwise platform:
- 各モデルを個別に識別し、そのパフォーマンスを追跡するために、新しいテーブルに新しいモデルID列を作成します。これを行うには、テーブルの最初の列を右クリックし、 [新しい数式列] > [行] > [行]を選択します。各モデルには、新しい列「行」に一意のIDが割り当てられます。モデリングタイプを[名義]に変更します。
- 「モデル」列を選択し、データテーブルの左側の右上にある赤い三角形をクリック（またはメニューの「列」をクリック）して、 「ユーティリティ」>「テキストを列に変換」を選択します。区切り文字を「,"」と定義し、 「インジケーター列を作成する」オプションをオンにします。
- メニューの「テーブル」>「スタック」をクリックします。新しく追加したすべてのインジケーター列を選択し、「スタック列」をクリックします。ラベル列の名前を「用語」、データ列の名前を「存在」に変更できます。「OK」をクリックします。
- You can then add some formula column (or using the Recode option) to identify which terms are main effects, interaction effect or quadratic effects to prepare the plot. With the example Bounce Data, I used a formula column when recoding:
Map Value(
:Terms,
{"Silane", "Main effect", "Silane*Silane", "Quadratic effect", "Silica",
"Main effect", "Silica*Silane", "Interaction effect", "Silica*Silica",
"Quadratic effect", "Silica*Sulfur", "Interaction effect", "Sulfur",
"Main effect", "Sulfur*Silane", "Interaction effect", "Sulfur*Sulfur",
"Quadratic effect"},
Unmatched( :Terms )
)
- 「用語タイプ」列に「値の順序」列プロパティを追加して、モデル内の用語が主効果、交互作用効果、二次効果の順に表示されるようにします。
- その後、Graph Builderを使用してラスタープロットを作成できます。
- Y変数として「行」（またはモデルID列）を使用してください。
- X変数として「Terms」を使用してください。
- 「用語タイプ」をネストされたX変数として追加します（Xの下の位置に）。
- グラフのスタイルを「ヒートマップ」に変更してください。
- モデルのパフォーマンス指標（例えばRMSE）のいずれかを色変数として使用し、適切なカラーテーマ（緑から赤など）を選択します。
- Y変数を右クリックし、「並べ替え」を選択して、パフォーマンス指標を選択します（AICc、BIC、RMSEの場合は昇順、Rsquareの場合は降順）。
- 「存在」列にローカルデータフィルタを追加し、0以外の値（1：モデルに用語が存在する）のみを選択します。
- パフォーマンス指標の値の範囲を絞り込むことで、表示されるモデルの数にフィルターを追加することもできます。
- すべて設定が完了したら、「完了」をクリックしてください。ラスタープロットの準備ができました！
ご覧のとおり、ラスタープロットの作成にはさまざまな操作が必要です。このプロセスを自動化し、この素晴らしいビジュアライゼーションを作成するために必要な手作業（しかも面倒な作業！）を減らすためのアドインを作成する予定です。このアドインの開発に協力してくださる方がいらっしゃいましたら、ぜひご参加ください！
