私の前の記事はいくつかの利点を示した実験計画従来の固定ブロックではなくランダムブロックを使用します。私の主な点は、ランダムブロックは与えられた一連の因子とモデル仕様に対して実行回数が少ないため、より費用効果の高い実験が可能になるということです。
ランダムブロックにはもう1つの利点があります。ランダムブロックを使用した解析では、他のブロックに対する応答を予測できます。もちろん、ほとんどの実務家はそのような予測をしたいのですが、厳密に言えば、固定ブロック分析ではこれを許可していません。
現在、カスタムデザインツールは JMP ランを任意のサイズのランダムブロックにまとめることができます。しかし、プロセスが日ごとにランダムな変動を受け、また日々のシフトごとに変わる製造現場を想像してみてください。したがって、2つのブロッキング要因があり、1つ（シフト）はもう1つ（日）の中にネストされています。新しい日はシフトの変化を必要とします。
このインターフェイスでは1つのランダムブロッキング係数を使用できますが、2つのネストしたランダム係数を使用してデザインを作成する方法は明らかではありません。
どうやってそれができる？
実験のすべての要素は実行ごとに簡単に変更できるとしましょう。変更が困難な要因がある場合は、シフトごとにこれらの要因を一定に保つことができます。この機能を持つデザインをaと呼びます。分割プロット設計 。
そして、変更するのが非常に困難な要因がある場合は、1日の生産に対してこれらを一定に保ちたいと思うかもしれません。非常に変更しにくい要素と変更しにくい要素、および変更しやすい要素を使った実験を呼びます。分割 - 分割 - プロットデザイン 。
スプリットプロットデザインとスプリットスプリットプロットデザインはどちらもブロックデザインであり、ブロックはランダムブロックです。分割プロット設計では、ブロックは、変化しにくい要素が一定のままであるランのグループです。
JMPはこれらの種類のデザインの両方をサポートし、その機能はネストされたランダムブロックを持つデザインを作成する方法を提供します。
だから私に見せて
図1は、2つのレベルを持つ6つのカテゴリカル要因を調査したいシナリオの要因テーブルを示しています。Fake VHTC FactorとFake HTC Factorという2つの要素を定義しました。最初の要素については[非常に難しい]に、2番目の要素については[難しい]にテーブルの[変更]列を設定します。あなたはこれらが本当の要因ではないと推測したかもしれません、そしてそうであれば、あなたは正しいです。
図2はモデルビューを示しています。最初の2つの要素を選択しました。次に、[用語の削除]ボタンをクリックしてモデルからこれらの要素を削除します。
得られたモデルを図3に示します。
今、実験を1日に3回シフトしながら4日間にわたって実行するとします。そして、おそらく我々はシフトごとに2つの走行をすることができる。次に、図4の「Design Generation」アウトライン・ノードにそのシナリオを説明します。
「全体プロット」は日数です。「サブプロット」はシフトであり、それらのうち4×3 = 12があります。シフトごとに2回実行できるため、12 x 2 = 24の実行があります。
[デザインの作成]ボタンをクリックすると、表1のデザインが作成されます。偽の要因のゴミ値に注目してください。これらはモデルには表示されないため、最適な設計者はそれらの値を元のランダム設定から変更しません。
それではMake Tableボタンをクリックしてください。テーブルを作成したら、2つの偽の要因の列を削除し、Whole Plotsという名前の列をDayに、Subplotsという名前の列をShiftに変更できます。結果は表２にある。
応答を入力してModelスクリプトを実行すると、JMPは適切な回帰モデルにDayとShiftをランダムなブロックとして自動的に適合させます。
要点…
サポートは1つのランダムブロッキングファクタの場合ほど明確ではありませんが、方法がわかれば、ランダムブロックを入れ子にすることができます。このアプローチのバリエーションを使用して、交差したランダムブロックをもつデザインを作成できます。ブロック分割プロットデザイン 。これらのうちの1つに十分な興味があるならば、私は将来の記事で例を示すことができます。だから私はあなたのコメントで教えてください。
この記事をありがとうBradley！
カスタムデザインが以下のデザインと分析をどのように処理するかを比較対照してもらえますか。
1） 1因子「非常に難しい」、1因子「難しい」（例：分割 - 分割プロット）
2）1ファクタ「非常に難しい」、1ファクタ「難しい」、4「簡単」、「変更が難しいファクタとは無関係に変化するファクタ」のチェックボックス（例：ストリッププロット）
3）2つの要因「難しい」
シナリオ1では、ANOVAで分析するために生成された2つの誤差項があります - Very Hard誤差項はWholeプロットにあり、Hard error項はSubplotレベルにあります。
他の2つのシナリオでは、分散分析レベルで何が起こりますか？
そして、これらの設計のそれぞれが最も適切であると思われるプロセス例はありますか？
ジェシカ・ベール書きました：
アッセイ開発用にJMPでカスタムDOEを生成する際にも、これと同じアプローチを使用しました。1つ以上の因子はプレート全体にしか適用できず、特定の数のプレートを1日に実行できるため、プレートは1日以内に入れ子になるため、最初のランダムブロッキング因子はプレートです。さらに、プレートの行/列内で変化する可能性があるいくつかの要因があります。
