허용되지 않는 조합을 포함하는 선택 설계는 어떻게 수행하나요?저는 DOE 선택 설계 기능을 사용하여 이산 선택 실험 설계를 만들고 있습니다. 논리적으로 맞지 않는 속성 수준 조합은 허용하지 않고, 응답자의 인지적 부담을 줄이고 싶습니다. (예: "일자리 손실 없음"과 "10가구 중 8가구가 재정적으로 어려움을 겪음"의 조합은 허용하지 않음)
사용자 지정 실험 설계(DOE) 옵션에서 허용되지 않는 조합을 설정할 수 있다는 것을 알고 있지만, "선택 설계" 옵션에서처럼 사전 평균/분산 행렬을 적용하고 싶습니다. 제가 알기로는 사용자 지정 DOE에서는 이러한 사전 분포를 사용할 수 없고, 선택 설계 탭에서도 허용되지 않는 조합을 설정할 수 없습니다. 사전 평균/분산 행렬을 적용하면서도 특정 조합을 허용하지 않도록 설정할 수 있는 방법이 있을까요?
실험 설계제목: 허용되지 않는 조합을 사용한 선택 설계는 어떻게 하나요?안녕하세요 @jlynn21님 , JMP 19.x 버전 출시 시점을 기준으로 기능이 제한적이라는 점을 정확히 알고 계십니다. 안타깝게도 선택 설계(Choice Design)에서만 사전 확률을 적용할 수 있으며, 허용되지 않는 조합에 대한 기능은 현재 지원되지 않습니다(제가 조사하고 테스트한 바로는 그렇습니다). JMP 사용자 커뮤니티의 JMP 위시리스트 에 이 기능에 대한 요청을 올려주시면 감사하겠습니다! 그동안 제가 계속해서 관련 정보를 찾아보고 추가적인 제안이 있으면 알려드리겠습니다. 후보 집합을 생성한 후 데이터 테이블 필터링(JMP 19에서는 이 기능이 개선되었습니다) 또는 JSL 스크립팅을 사용하여 허용되지 않는 조합이 적용되는 행을 필터링하는 방법도 있습니다.
제목: 허용되지 않는 조합을 사용한 선택 설계는 어떻게 하나요?안녕하세요 @jlynn21 님 ,
@PatrickGiuliano 님 이 이미 플랫폼의 현재 상태와 옵션에 대해 알려드렸습니다.
선택 설계는 범주형 요인만 사용하고, 실험을 블록화/그룹화하여 선택 집합을 생성하며, 이산적인 선택 반응을 사용하고, 종종 몇 가지 제약 조건(예: 실험/선택 집합의 하위 집합에서 변경될 수 있는 요인/속성의 수)을 갖는다는 점에서 부분 요인 설계의 특정 하위 집합으로 볼 수 있습니다.
귀하의 상황에 대해 말씀드리자면, 도움을 드릴 수 있는 두 가지 옵션(두 가지를 조합할 수도 있습니다)이 더 있을 것 같습니다.
- 사용자 지정 설계 플랫폼을 사용하고, 기존 연구 정보를 바탕으로 A-최적성 기준과 A- 최적 성 매개 변수 가중치 를 적용 하여 분산을 줄이고자 하는 효과에 더 큰 가중치를 부여할 수 있습니다. 또한 사용자 지정 설계 플랫폼에서 허용되지 않는 조합을 직접 지정할 수도 있습니다(필터링 또는 스크립팅을 통해).
- 기존에 사전 연구/선택 설계가 있는 경우, 해당 설계를 사용하고 증강 설계 플랫폼을 활용하세요. 이렇게 하면 이전 설계의 정보가 유지되고, 증강 기능을 통해 효과를 더욱 정확하게 추정할 수 있습니다(D-최적성 또는 A-최적성 기준 적용 및 A-최적성 매개변수 가중치 추가 가능).
이 해결 방법이 도움이 되기를 바랍니다.
제목: 허용되지 않는 조합을 사용한 선택 설계는 어떻게 하나요?본문에 제시된 접근 방식에 대한 배경 설명을 좀 더 드리자면 다음과 같습니다.
1. 사용자 지정 설계 플랫폼을 사용하고, 기존 연구 정보를 바탕으로 A-최적성 기준과 A-최적성 매개변수 가중치를 적용하여 분산을 줄이고자 하는 효과에 더 큰 가중치를 부여할 수 있습니다. 또한 사용자 지정 설계 플랫폼에서 허용되지 않는 조합을 직접 지정할 수도 있습니다(필터링 또는 스크립팅을 통해). 무작위 블록을 추가하면 원하는 크기의 선택 집합을 생성하는 데 도움이 될 수 있습니다.
이 방법은 사전 정보를 사용하지 않고 모든 프로필에서 효용이 동일하다고 가정하는 경우(즉, 베타/효용 매개변수가 모두 0인 경우)에만 효과가 있을 수 있습니다. 모든 프로필에서 효용이 동일하다는 가정 하에, 이산 선택 설계의 정보 행렬은 블록 설계의 정보 행렬과 동일합니다(첨부된 논문에서는 이를 효용 중립 설계라고 부릅니다).
따라서 첫 번째 접근 방식에 따라 사용자 지정 디자인의 무작위 블록화 기능을 사용하여 제약 조건을 포함하는 동일한 크기의 선택 집합을 만들 수 있습니다.
2. 기존에 사전 연구/선택 설계가 있는 경우, 해당 설계를 사용하고 증강 설계 플랫폼을 활용하십시오. 이렇게 하면 이전 설계의 정보가 유지되고, 증강을 통해 효과를 더욱 정확하게 추정할 수 있습니다(D-최적성 또는 A-최적성 기준 적용 및 A-최적성 매개변수 가중치 추가 가능).
이 방법도 가능하지만, 유틸리티 매개변수에 대한 사전 지식을 사용하지 않아도 괜찮다면 모든 프로필에서 유틸리티가 동일하다고 가정하는 것입니다. 기존 설계(해당 유틸리티 매개변수를 기반으로 생성됨)를 활용하므로 어떤 면에서는 사전 지식을 (간접적으로) 통합하는 셈이지만, 증강 실행에서는 모든 프로필에서 유틸리티가 동일하다고 가정하게 됩니다.
달리 말하자면, 사전 지식의 통합은 간접적일 수밖에 없습니다. 효용 매개변수에 대한 사전 지식을 명시적으로 제공하지 않으면 확장된 선택 집합 내의 옵션들이 효용 균형을 이루도록 보장하기 어렵기 때문입니다. 확장된 실험은 기존 설계를 보완하는 방향으로 선택되겠지만(예: 요인 조합의 균등한 복제 등을 달성하려고 노력하는 방식), 효용 매개변수와 관련하여 효용 균형을 보장할 수는 없습니다.
