특수 보고서

"최소 제곱 적합" 보고서의 "특수 보고서" 섹션에는 효과 속성과 관련하여 선택한 항목 또는 데이터 구조를 기반으로 사용할 수 있는 보고서가 포함됩니다.

특이성 상세 정보

모형 효과 사이에 선형 종속성이 있는 경우 "특이성 상세 정보" 보고서가 반응 보고서 제목 아래에 첫 번째 보고서로 나타납니다. 이 보고서에는 모형 항이 충족하는 선형 함수 테이블이 포함됩니다. 이러한 함수는 모형 항 사이의 별칭 관계를 정의합니다. Figure 3.7에서는 Singularity.jmp 샘플 데이터 테이블에 대한 예를 보여 줍니다.

그림 3.7 특이성 상세 정보 보고서 

효과 사이에 선형 종속성이 있는 경우 일부 모형 항의 추정값이 고유하지 않습니다. 자세한 내용은 모형 항 사이에 선형 종속성이 있는 모형에서 확인하십시오.

반응 표면 보고서

모형 효과에 반응 표면(&RS) 또는 혼합물 반응 표면(&RS&혼합물) 속성이 있는 경우 "반응 표면" 보고서가 제공됩니다. Tiretread.jmp 샘플 데이터 테이블에 대한 "반응 표면" 보고서의 예는 Figure 3.8에서 확인하십시오.

그림 3.8 반응 표면 보고서 

계수 테이블

"반응 표면" 보고서의 첫 번째 부분으로 표시된 "계수" 테이블에는 추정된 모형 모수가 간략하게 요약되어 있습니다. 첫 번째 열은 2차 항의 계수를 제공합니다. 마지막 열은 선형 항의 계수를 제공합니다. 예측 표현식을 전부 표시하려면 보고서의 빨간색 삼각형에서 추정값 > 예측 표현식 표시를 선택합니다.

해 보고서

"해" 보고서에는 임계값(최대값, 최소값 또는 안장점) 및 해당 점에서의 예측값이 제공됩니다. 또한 해가 데이터 범위를 벗어나는 경우 사용자에게 알려 줍니다.

정준 곡률 보고서

2차 모수 추정값 행렬의 고유값과 고유 벡터는 곡률 유형을 결정합니다. 고유 벡터는 가장 큰 곡률과 가장 작은 곡률의 방향을 포함하여 표면의 주곡률 방향을 보여 줍니다.

고유값은 "정준 곡률" 테이블의 첫 번째 행에 제공됩니다.

• 고유값이 음수이면 반응 표면이 최대값에서 아래쪽으로 곡선을 이룹니다.

• 고유값이 양수이면 표면 모양이 최소값에서 위쪽으로 곡선을 이룹니다.

• 양수 고유값과 음수 고유값이 모두 있으면 표면이 안장 모양이 되어 한쪽은 위로, 다른 쪽은 아래로 각각 곡선을 이룹니다. Tiretread.jmp 샘플 데이터 테이블을 사용한 예는 Figure 3.9에서 확인하십시오.

그림 3.9 안장 모양 표면을 사용한 표면 프로파일러 그림 

고유값 아래에 나열된 고유 벡터는 주 축의 방향을 보여 줍니다. 고유값의 절대값이 클수록 관련된 방향으로 반응 표면의 곡률이 커집니다. 경우에 따라 0 고유값이 발생합니다. 이 고유값은 적합된 표면이 해당 고유 벡터가 설명하는 방향을 따라 편평하다는 의미입니다.

참고: 20개가 넘는 요인으로 구성된 반응 표면 모형의 경우 반응 표면 보고서가 표시되지 않습니다. 오류 메시지 또는 경고가 제공되지 않습니다. 반응 표면 설계에 대한 자세한 내용은 실험 설계 가이드의 반응 표면 설계에서 확인하십시오.

혼합 및 임의 효과 모형 보고서

"모형 적합" 시작 창에서 임의 효과를 지정하면 "방법" 목록이 나타납니다. 이 목록에는 "REML(권장)"과 "EMS(전통적)"라는 두 가지 적합 방법이 제공됩니다. 선택한 모형과 방법에 따라 "열 저장" 및 "프로파일러" 옵션과 추가 보고서가 표시됩니다.

REML 방법 보고서에 대한 자세한 내용은 REML(제한 최대 가능도) 방법에서 확인하십시오. EMS 방법 보고서에 대한 자세한 내용은 EMS(전통적) 모형 적합 보고서에서 확인하십시오.

교차 검증 보고서

"모형 적합" 시작 창에 검증 열을 입력하면 "교차 검증" 보고서가 표시됩니다. 이 보고서에는 검증에 사용된 각 데이터 집합에 대한 다음 정보가 제공됩니다.

소스

데이터 집합을 훈련 데이터 집합, 검증 데이터 집합 또는 테스트 데이터 집합으로 식별합니다.

R²

훈련 데이터 집합을 사용하여 파생된 모형과 관련하여 주어진 데이터 집합의 관측값에 대해 계산된 R² 값입니다. 훈련 데이터 집합의 경우 이 값은 일반적인 R² 값입니다.

각 훈련, 검증 및 테스트 데이터 집합의 R² 값은 다음과 같이 계산됩니다.

– 주어진 데이터 집합의 각 관측값에 대해 예측 오차를 계산합니다. 이 값은 실제 반응과 훈련 데이터 집합 모형에서 예측한 반응 간의 차이입니다.

– 예측 오차를 제곱하고 합하여 SSESource를 구합니다. 여기서 서브스크립트 Source는 훈련, 검증 또는 테스트 데이터 집합을 나타냅니다.

– Source 데이터 집합의 관측값에 대한 실제 반응과 평균 간의 차이를 제곱하고 합합니다. 이 값을 SSTSource로 나타냅니다.

– Source 데이터 집합의 R²은 다음과 같습니다.

참고: 검증 데이터 집합과 테스트 데이터 집합의 R² 값은 음수일 수 있습니다.

RASE

평균 제곱 예측 오차의 제곱근입니다. 각 훈련, 검증 및 테스트 데이터 집합의 RASE는 다음과 같이 계산됩니다.

– 주어진 데이터 집합의 각 관측값에 대해 예측 오차를 계산합니다. 이 값은 실제 반응과 훈련 데이터 집합 모형에서 예측한 반응 간의 차이입니다.

– 예측 오차를 제곱하고 합하여 SSESource를 구합니다. 여기서 서브스크립트 Source는 훈련, 검증 또는 테스트 데이터 집합을 나타냅니다.

– 관측값 수를 n으로 나타냅니다.

– RASE는 다음과 같습니다.

빈도

소스 데이터 집합의 관측값 수입니다.