2.
「応答名」の下の「Y」をダブルクリックして、「評価」と入力します。
図3.2 に、完成した「応答」アウトラインを示します。
1.
まず、ブロック因子である「判定者」を追加します。[因子の追加]>[ブロック]>[ブロックあたり8実験]を選択します。
2.
デフォルト名の「X1」「判定者」に変更します。
4.
デフォルト名の「X2」「品種」に変更します。
7.
デフォルト名の「X3」「畑」に変更します。
10.
デフォルト名の「X4」「除梗」に変更します。
12.
「N個の因子を追加」の右側のボックスに「6」と入力し、[因子の追加]>[カテゴリカル]>[2水準]を選択します。
酵母(CulturedとWild)
温度(HighとLow)
搾汁(HardとSoft)
樽齢(NewとTwo Years)
樽の乾燥(AirとKiln)
ろ過(NoとYes)
図3.2 設定後の「応答」および「因子」アウトライン
14.
[続行]をクリックします。
1.
[ヘルプ]>[サンプルデータライブラリ]を選択し、「Design Experiment」フォルダの「Wine Factors.jmp」を開きます。
図3.3 「モデル」アウトライン
「交絡項」アウトラインで指定した効果は、後で表示される「交絡行列」を構成します。交絡行列を参照してください。「交絡項」アウトラインに指定されている効果と、「モデル」アウトラインに指定されている効果との交絡関係が、後述する「交絡行列」に示されます。「交絡項」アウトラインを開き、すべての2因子交互作用が指定されていることを確認してください。
図3.4 「交絡項」アウトライン(一部)
次節で計画を生成するのですが、 「カスタム計画」のアルゴリズムでは、無作為に選んだ初期計画から計画を探索していくので、実際の計画は図3.5 とは異なってきます。同じ実験、同じ順序の計画を作成したい場合は、あらかじめ次の操作を実行してください。
1.
「カスタム計画」の赤い三角ボタンのメニューから[乱数シード値の設定]を選択します。
3.
[OK]をクリックします。
4.
6.
[OK]をクリックします。
1.
「実験の回数」「ユーザ定義」テキストボックスに「40」と入力します。
実験の反復は行わないので、[反復する行数]「0」にします。
2.
[計画の作成]をクリックします。
図3.5 ワインの実験の計画
図3.6 相関のカラーマップ
図3.6 において赤色で表示されているのは対角要素のみです。これは、相関の絶対値が1で、各項がそれ自身と完全に相関していることを表しています。したがって、2次の交互作用と完全な交絡関係を持つ主効果はありません。実際、主効果の2次の交互作用との相関の絶対値は非常に低くなっています。つまり、重要な2次の交互作用によって主効果の推定値にバイアスがかかるとしても、ほんのわずかに過ぎません。
図3.7 交絡行列(一部)
たとえば、モデル項「樽の乾燥」について検討してみましょう。「品種*搾汁」が効果がある場合、「樽の乾燥」の推定値は、バイアスをもちます。バイアスがある推定値と真のパラメータ値との差は、「品種*搾汁」の効果の0.4倍に相当します。そのため、「樽の乾燥」が有意であったとしても、その有意性は、実際には「品種*搾汁」によるものかもしれません。
図3.8 「計画の診断統計量」アウトライン
「出力オプション」パネルを使って、データテーブル内の実験の順序を指定します。この例では、デフォルトで選択されている[ブロック内でランダム化]が適切です。データテーブルを作成するには、[テーブルの作成]をクリックしてください。
図3.9 のような「カスタム計画」のテーブルが作成されます。
図3.9 カスタム計画のテーブル