決定論的データの重要な特徴は、ランダムな要素がないことです。入力値が同じだと、出力も同じになります。そのため、あてはめた統計モデルのp値は、通常のような意味を持ちません。F値が大きい(p値が小さい)場合、モデルに効果を持った項があると考えられます。しかし、モデルに基づく予測や効果について、有効な信頼区間を求めることはできません。
真のモデルを単純な分析モデルの形で得ることはできないのが普通です。したがって、予測バイアスは観測したデータ点でしかわかりません。しかし、先ほどの試錘孔の例では真のモデルの関数がわかっています。「Borehole Sphere Packing.jmp」データテーブルの「true model」列には、既知の関数の計算式が含まれています。この計算式を使って、因子の入力範囲に対する予測バイアスのプロファイルを作成できます。
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「Borehole Sphere Packing.jmp」を開きます。
3.
4.
「Borehole Sphere Packing.jmp」データテーブルに戻ります。
5.
「true model」「Y 予測式」の列の見出しを選択します。
6.
右クリックして、[計算式列の新規作成]>[組み合わせ]>[差]を選択します。
7.
「Borehole Sphere Packing.jmp」データテーブルで、[グラフ]>[プロファイル]を選択します。
8.
「true model-Y 予測式」を選択し、[Y, 予測式]をクリックします。
9.
[中間計算式の展開]を選択します。
図20.26 「Borehole Sphere Packing.jmp」のプロファイルのダイアログ
10.
[OK]をクリックします。
図20.27 試錘孔のGauss過程モデルのバイアスのプロファイル(Y軸を-30から30に設定)
このプロファイルを使って、領域全体の予測バイアスの範囲を調べることができます。最小バイアスと最大バイアスの点を見つけるには、「予測プロファイル」の赤い三角ボタンのメニューから、[最適化と満足度]>[満足度関数]を選択してください。『プロファイル機能』の満足度プロファイルと最適化 を参照してください。計画点に対する予測バイアスを評価するには、[分析]>[一変量の分布]を選択して、一変量の分析を表示してください。
図20.28 予測バイアスの一変量の分布