意思決定：どの公式が理想に最も近いか候補となる数種類の数式があり、すべて仕様書に記載されています。今後の課題は、それらを順位付けし、最適なものを特定することです。
各数式には約12個のプロパティがあります。これまでのところ、TOPSISランキング（ユークリッド距離に基づく）を試してみました。ある程度は機能しますが、データを用いた意思決定にはもっと良い方法があるのではないかと考えています。
複数の特性に基づいてランキングを作成する際に、他に推奨する方法はありますか？
あなたの経験からぜひ学びたいです！
意思決定について：理想に最も近い公式はどれかこんにちは、 @RikkiTikkiTavi さん。
ユークリッド距離に基づいて順位付けを行うのは良い方法です。しかし、競合する応答や特性がある場合、考慮すべきトレードオフが存在する可能性があり、ユークリッド距離はこれらのトレードオフを「縮小」させ、隠してしまう可能性があります。
そのため、私は応答/特性間の重点の置き方の違いに基づいて最適な解/配合を検出するために、パレートフロンティアを使用することを好みます。専用のJMPプラットフォームはありませんが、これを行うためのいくつかの選択肢があります。
- シミュレーター（ シミュレーション実験）を使用して応答に適合させたモデルを利用するか、大規模な空間充填設計を作成して応答式をテーブルに追加することで、大規模な候補データセットを作成できます。次に、 データテーブルの行を選択し、 「優勢な行を選択」オプションを選択します。結果として得られる行のセットは、パレートフロンティアと呼ばれます。
- 出力空間の次元を削減するために、応答/特性間の相関関係を調べてみることをお勧めします。その後、 主成分分析や多変量埋め込み（UMAP）などの非線形次元削減手法を用いて、多変量空間を2次元または3次元空間に縮小できます。このように縮小された応答空間に数式をプロットすることで、最適な候補とトレードオフを視覚的に把握しやすくなります。
- 前述の方法も利用できますが、応答値を直接使用する代わりに、正規化されたユークリッド距離を使用することで、ある応答値が他の応答値に過度に影響を与えることを回避し、応答値間の距離と最適値との相関関係を確認できます。次元を削減できれば、視覚化はさらに容易になります。
Victor_G_0-1789564616228.pngVictor_G_0-1789564616228.png Victor_G_0-1789564616228.png
この別のアプローチといくつかのコツがあなたのお役に立てば幸いです。
意思決定について：理想に最も近い公式はどれか@Victor_G さん、ありがとうございます！最初の説明が漠然としすぎていたので、もう少し問題を詳しく説明した方が良さそうです。
11種類の候補配合があり、各配合には16種類の測定特性があります。これが元のデータセットです。重要な点として、11種類の配合はすべて既に仕様範囲内に収まっています。目標は、配合の全体的な特性プロファイルが理想的なプロファイルにどれだけ近いかに基づいて、配合をランク付けすることです。理想的なプロファイルも定義する必要があります。この場合、パレートの法則をどのように適用できるのか、私にはよく分かりません。
そこで、各特性について、仕様限界から理想的な最良値と理想的な最悪値を導き出しました。値が高いほど好ましい特性の場合、上限値が最良値、下限値が最悪値となり、値が低いほど好ましい特性の場合は、その逆になります。
次に、すべてのプロパティを同じスケールに変換します。z = (x - 最悪) / (最良 - 最悪)、z [0, 1] 。0は最悪の基準値でのパフォーマンスを意味し、1は最高の基準値でのパフォーマンスを意味します。
この正規化基準の重み（ユーザー定義）を適用した後、理想的なベストプロファイル（すべてのz = 1）と理想的なワーストプロファイル（すべてのz = 0）への重み付きユークリッド距離を計算します。最終スコアは、Diw / (Dib + Diw) です。
ユークリッド距離がトレードオフを隠蔽するというあなたのコメントから、基準の重み付けに「感度分析」を追加することで、重要なトレードオフが明らかになるかもしれないと思いました。例えば、重み付けを（ユーザー定義 - 20%）と（ユーザー定義 + 20%）の間で変化させ、ランキングがどれだけ変化するかを確認します。ランキングの大きな変化は、特別な注意が必要な特性を示している可能性があります。
出力空間の次元を削減するというご提案も大変気に入りました。挙げられたツールはどれも非常に役立ちますね。
意思決定について：理想に最も近い公式はどれか16個の測定対象特性に対する11個の式の「全体的な」最適性を比較する別の方法としては、スパイダープロット（またはそれに類するもの）上に、各特性を軸として（0から1までの正規化されたスケールを使用して）異なる式をプロットし、各式の面積を計算して、全体的な最適性が同等であるか、または違いがあるかどうかを確認する方法があります。
重み付けは、望ましさプロファイルで重要度を指定するのと似ています。ユーザーがどの属性が重要で、他の属性と比較してどの程度重要かについて明確な考えを持っている場合は非常に役立ちますが、そうでない場合は、さまざまなプロパティに対してどの重みを定義するのが適切かを評価するのが難しくなります。クリスティン・アンダーソン・クックによる「望ましさ関数の魅力と限界」（ https://doi.org/10.1080/08982112.2026.2671710 ）を読むことを強くお勧めします。彼女はこのような状況の長所と短所を非常によく説明しています。こちらから読むことができます： 264 - QE 2026 CACLL DFs.pdf - Google Drive
この回答がお役に立てば幸いです。
