내 이전 게시물은 설계된 실험 보다 전통적인 고정 블록보다는 무작위 블록을 사용합니다. 필자가 가장 중요하게 생각하는 점은 무작위 블록은 특정 요인 세트 및 모델 사양에 대해 실행 횟수가 적기 때문에 비용 효율적인 실험을 허용 할 수 있다는 것입니다.
무작위 블록의 또 다른 이점이 있습니다. 임의 블록을 사용하는 분석을 통해 다른 블록에 대한 응답을 예측할 수 있습니다. 물론 대부분의 의사는 그러한 예측을하고 싶지만 고정 블록 분석은이를 허용하지 않습니다.
현재 사용자 정의 디자인 도구는 JMP 런을 임의의 크기의 임의의 블록으로 그룹화 할 수 있습니다. 그렇지만 프로세스가 매일 매일 무작위로 변하는 제조 환경을 상상해보십시오. 또한 매일 매일의 변동에서 변동까지 다양합니다. 따라서 두 가지 차단 요인이 있으며 하나 (교대)가 다른 차단 요 소 내에 중첩됩니다. 새로운 날에는 변화가 필요합니다.
이 인터페이스는 하나의 임의의 블로킹 요소를 허용하지만 두 개의 중첩 된 랜덤 요소로 디자인을 만드는 방법은 분명하지 않습니다.
어떻게 했니?
실험의 모든 요소가 실행간에 쉽게 변경된다고 가정 해 봅시다. 변화가 어려운 요소가있는 경우, 우리는 이러한 변화를 매 근무마다 일정하게 유지할 수 있습니다. 이 기능을 갖춘 디자인을 스 플리트 플롯 디자인 .
그리고 변경하기가 매우 어려운 요소가있는 경우, 우리는 하루 생산량에 대해 이러한 변수를 일정하게 유지하려고 할 수 있습니다. 변경하기가 매우 어려운 요소와 변경하기 어려운 요소뿐 아니라 변경하기 쉬운 요소에 대한 실험을 호출합니다. split-split-plot 디자인 .
스플릿 - 플롯 디자인과 스플릿 - 스플릿 - 플롯 디자인은 모두 차단 된 디자인이며 블록은 무작위 블록입니다. 스플릿 플롯 디자인에서 블록은 변경하기 어려운 요소가 일정하게 유지되는 런 그룹입니다.
JMP는 이러한 두 가지 디자인을 모두 지원하며이 기능은 중첩 된 임의 블록이있는 디자인을 만드는 방법을 제공합니다.
나에게 보여줘.
그림 1은 각각 2 가지 수준의 6 가지 범주 적 요인을 조사하고자하는 시나리오의 요인 표입니다. 가짜 VHTC Factor와 가짜 HTC Factor라는 두 가지 요소를 정의했습니다. 테이블의 변경 열을 첫 번째 요소는 매우 강하게, 두 번째 요소는 Hard로 설정했습니다. 당신은 이것이 진짜 요인이 아니라고 추측했을 수도 있습니다. 그렇다면 당신이 옳습니다.
그림 2는 모델보기를 보여줍니다. 나는 처음 두 요소를 선택했다. 다음은 용어 제거 버튼을 클릭하여 모델에서 이러한 요소를 제거하는 것입니다.
그림 3은 결과 모델을 보여줍니다.
이제 실험을 하루 3 교대로 4 일 동안 실행하기를 원한다고 가정 해 봅시다. 그리고 아마도 우리는 한 번 교대 당 2 번을 할 수 있습니다. 그런 다음 그림 4의 설계 생성 개요 노드가 해당 시나리오를 설명합니다.
"전체 플롯"은 일입니다. "서브 플로트"는 교대이며 4x3 = 12 개입니다. 우리는 매 근무마다 2 번 할 수 있기 때문에 12x2 = 24 번 뛰었습니다.
디자인 만들기 버튼을 클릭하면 표 1의 디자인이 생성됩니다. 가짜 요소에 대한 가비지 값을 확인하십시오. 모델에 나타나지 않기 때문에 최적 설계자는 원래의 임의 설정에서 값을 변경하지 않습니다.
이제 표 만들기 버튼을 클릭하십시오. 테이블을 만들었 으면 두 개의 가짜 요소 열을 삭제하고 전체 음영 열을 일로 변경하고 하위 열을 Column으로 변경하여 Shift로 바꿀 수 있습니다. 그 결과는 표 2와 같다.
응답을 입력하고 모델 스크립트를 실행하면 JMP가 자동으로 적절한 회귀 모델을 Day 및 Shift와 함께 임의의 블록으로 맞 춥니 다.
결론…
비록 지원이 하나의 무작위 차단 요소만큼 명확하지는 않지만, 일단 당신이 어떻게 알고 있다면, 당신은 중첩 된 무작위 블록을 가질 수 있습니다. 이 접근법의 변형을 사용하여 임의의 교차 블록이있는 디자인을 만들거나 블록 스플릿 플롯 디자인 . 이들 중 하나에 충분한 관심이있는 경우, 나는 미래의 게시물에 예를들 수 있습니다. 그러니 귀하의 의견에 알려주십시오.
이 게시물 브래들리 주셔서 감사합니다!
맞춤 디자인이 다음과 같은 설계 및 분석을 처리하는 방법을 비교하고 대조해 볼 수 있습니까?
1) 1 팩터 "매우 높음", 1 팩터 "하드"(예 : 분할 스플릿)
2) 1 팩터 "매우 단단함", 1 팩터 "하드", 4 "용이함", "변경하기 어려운 팩터는 변경하기 어려운 팩터와는 독립적으로 달라질 수 있습니다"(예 : 스트립 플롯)
3) "하드"
나는 시나리오 1에서 ANOVA에서 분석하기 위해 생성 된 두 가지 오류 조건이 있음을 이해합니다. 매우 어려운 오류 용어는 전체 음모에, 그리고 Hard 오류 용어는 Subplot 수준에 있습니다.
다른 두 시나리오에서 ANOVA 수준에서는 어떤 현상이 발생합니까?
그리고 각각의 디자인이 가장 적합한 프로세스 예제가 있습니까?
제시카 베렐 쓴 :
필자는 분석 개발을 위해 JMP에서 사용자 정의 DOE를 생성 할 때 이와 동일한 접근법을 사용했습니다. 첫 번째 무작위 차단 인자는 하나 이상의 요소가 전체 플레이트에만 적용될 수 있고 플레이트는 일정 수의 플레이트가 하루에 실행될 수 있으므로 하루 내에 중첩됩니다. 또한 플레이트의 행 / 열 내에서 변경할 수있는 몇 가지 요소가 있습니다.
