통지
이제 support.minitab.com을 떠나게 됩니다."
계속하려면 계속을 클릭하세요 :
조건 수는 모형 항 사이의 공선성을 측정합니다. 설계를 비교하는 경우 조건 수가 작을수록 더 좋습니다.
조건 수를 사용하면 여러 최적 설계를 비교하거나 서로 다른 항이 포함된 동일한 설계를 비교할 수 있습니다. 조건 수가 1이면 모형 항들이 직교한다는 것을 나타냅니다. 값이 클수록 공선성이 더 큽니다.
대부분의 최적 설계는 직교하지 않습니다. 모형의 항이 독립적이지 않기 때문에 직교하지 않는 설계의 해석이 직교 설계의 해석보다 덜 간단합니다.
이 결과에서 조건 수는 데이터가 중간에서 강한 공선성을 보여준다는 것을 나타냅니다.
| 조건 수: | 259.114 |
|---|---|
| D - 최적성(XTX의 행렬식): | 7.92282E+28 |
| A - 최적성(inv(XTX)의 대각합): | 12.1719 |
| G-최적성(평균 레버리지/최대 레버리지): | 0.96875 |
| V - 최적성(평균 레버리지): | 0.96875 |
| 최대 레버리지: | 1 |
D-최적성은 설계에서 정확한 추정치 또는 예측을 얻을 수 있는 능력을 나타냅니다. 설계를 비교하는 경우 D-최적성 값이 클수록 더 좋습니다.
최적성 측정기준을 사용하여 설계를 비교할 수 있지만 주어진 D-최적 설계의 최적성은 모형에 종속됩니다. 즉, 최적성은 고정된 설계 크기 및 특정 모형에 따라 정의됩니다.
이 결과에서 첫 번째 최적 설계에는 25개의 설계점이 있고 두 번째 최적 설계에는 20개의 설계점이 있습니다. 첫 번째 설계의 D-최적성 통계량은 더 많은 런이 포함될 것으로 예상되는 두 번째 최적 설계보다 높습니다.
| 조건 수: | 8.53018 |
|---|---|
| D - 최적성(XTX의 행렬식): | 3.73547E+20 |
| A - 최적성(inv(XTX)의 대각합): | 1.99479 |
| G-최적성(평균 레버리지/최대 레버리지): | 0.64 |
| V - 최적성(평균 레버리지): | 0.64 |
| 최대 레버리지: | 1 |
| 조건 수: | 10.2292 |
|---|---|
| D - 최적성(XTX의 행렬식): | 2.73819E+18 |
| A - 최적성(inv(XTX)의 대각합): | 2.50391 |
| G-최적성(평균 레버리지/최대 레버리지): | 0.8 |
| V - 최적성(평균 레버리지): | 0.8 |
| 최대 레버리지: | 1 |
A-최적성은 적합 모형에서 회귀 계수의 평균 분산을 측정합니다. 설계를 비교하는 경우 A-최적성 값이 작을수록 더 좋습니다.
최적성 측정기준을 사용하여 설계를 비교할 수 있지만 주어진 A-최적 설계의 최적성은 모형에 종속됩니다. 즉, 최적성은 고정된 설계 크기 및 특정 모형에 따라 정의됩니다. D-최적성이 더 큰 설계의 A-최적성이 반드시 큰 것은 아닙니다.
이 결과에서 첫 번째 최적 설계에는 25개의 설계점이 있고 두 번째 최적 설계에는 20개의 설계점이 있습니다. 첫 번째 설계의 A-최적성 통계량은 더 많은 런이 포함될 것으로 예상되는 두 번째 최적 설계보다 낮습니다.
| 조건 수: | 8.53018 |
|---|---|
| D - 최적성(XTX의 행렬식): | 3.73547E+20 |
| A - 최적성(inv(XTX)의 대각합): | 1.99479 |
| G-최적성(평균 레버리지/최대 레버리지): | 0.64 |
| V - 최적성(평균 레버리지): | 0.64 |
| 최대 레버리지: | 1 |
| 조건 수: | 10.2292 |
|---|---|
| D - 최적성(XTX의 행렬식): | 2.73819E+18 |
| A - 최적성(inv(XTX)의 대각합): | 2.50391 |
| G-최적성(평균 레버리지/최대 레버리지): | 0.8 |
| V - 최적성(평균 레버리지): | 0.8 |
| 최대 레버리지: | 1 |
G-최적성은 설계점의 최대 예측 분산에 대한 평균 예측 분산의 비율입니다. G-최적 설계는 분모를 최소화하며 V-최적 설계는 분자를 최소화합니다. 분자와 분모 값이 작을수록 이상적입니다.
최적성 측정기준을 사용하여 설계를 비교할 수 있지만 주어진 G-최적 설계의 최적성은 모형에 종속됩니다. 즉, 최적성은 고정된 설계 크기 및 특정 모형에 따라 정의됩니다. D-최적성이 더 큰 설계의 G-최적성이 반드시 큰 것은 아닙니다.
이 결과에서 첫 번째 최적 설계에는 25개의 설계점이 있고 두 번째 최적 설계에는 20개의 설계점이 있습니다. 큰 설계의 D-최적성이 더 크지만 점이 많은 설계가 점이 적은 설계보다 G-최적성이 작습니다.
| 조건 수: | 8.53018 |
|---|---|
| D - 최적성(XTX의 행렬식): | 3.73547E+20 |
| A - 최적성(inv(XTX)의 대각합): | 1.99479 |
| G-최적성(평균 레버리지/최대 레버리지): | 0.64 |
| V - 최적성(평균 레버리지): | 0.64 |
| 최대 레버리지: | 1 |
| 조건 수: | 10.2292 |
|---|---|
| D - 최적성(XTX의 행렬식): | 2.73819E+18 |
| A - 최적성(inv(XTX)의 대각합): | 2.50391 |
| G-최적성(평균 레버리지/최대 레버리지): | 0.8 |
| V - 최적성(평균 레버리지): | 0.8 |
| 최대 레버리지: | 1 |
V-최적성은 설계점 집합의 평균 예측 분산을 측정합니다. 설계를 비교하는 경우 V-최적성 값이 작을수록 더 좋습니다.
최적성 측정기준을 사용하여 설계를 비교할 수 있지만 주어진 V-최적 설계의 최적성은 모형에 종속됩니다. 즉, 최적성은 고정된 설계 크기 및 특정 모형에 따라 정의됩니다. D-최적성이 더 큰 설계의 V-최적성이 반드시 큰 것은 아닙니다.
이 결과에서 첫 번째 최적 설계에는 25개의 설계점이 있고 두 번째 최적 설계에는 20개의 설계점이 있습니다. 첫 번째 설계의 V-최적성 통계량은 더 많은 런이 포함될 것으로 예상되는 두 번째 최적 설계보다 낮습니다.
| 조건 수: | 8.53018 |
|---|---|
| D - 최적성(XTX의 행렬식): | 3.73547E+20 |
| A - 최적성(inv(XTX)의 대각합): | 1.99479 |
| G-최적성(평균 레버리지/최대 레버리지): | 0.64 |
| V - 최적성(평균 레버리지): | 0.64 |
| 최대 레버리지: | 1 |
| 조건 수: | 10.2292 |
|---|---|
| D - 최적성(XTX의 행렬식): | 2.73819E+18 |
| A - 최적성(inv(XTX)의 대각합): | 2.50391 |
| G-최적성(평균 레버리지/최대 레버리지): | 0.8 |
| V - 최적성(평균 레버리지): | 0.8 |
| 최대 레버리지: | 1 |
최대 레버리지는 설계에 최대 레버리지가 V-최적성보다 훨씬 클 때 영향력이 높은 설계점이 있다는 것을 나타냅니다. Minitab에서는 G-최적성을 계산할 때 이 값을 분모에 사용합니다.
최대 레버리지를 사용하면 설계에 영향력 있는 점이 하나 이상 포함된 경우를 확인할 수 있습니다. 설계의 D-최적성이 높을수록 설계에 영향력 있는 점이 포함될 가능성이 높습니다.
이 결과에서 최대 레버리지는 1이고 V-최적성은 0.8입니다. 이 최적 설계에서 2행의 어느 요인 수준도 다른 점에 없습니다.
| 조건 수: | 10.2292 |
|---|---|
| D - 최적성(XTX의 행렬식): | 2.73819E+18 |
| A - 최적성(inv(XTX)의 대각합): | 2.50391 |
| G-최적성(평균 레버리지/최대 레버리지): | 0.8 |
| V - 최적성(평균 레버리지): | 0.8 |
| 최대 레버리지: | 1 |
Minitab은 선택된 설계점 사이의 최대 및 최소 거리를 표시합니다. 이 값은 Euclid 거리입니다.
최대 거리 값과 최소 거리 값 차이는 설계점이 설계 공간 내에서 어느 정도로 균일하게 퍼져 있는지 나타냅니다. 이 정보를 사용하여 설계를 비교할 수 있습니다.
이제 support.minitab.com을 떠나게 됩니다."
계속하려면 계속을 클릭하세요 :