[論文レビュー] Optimal designs for multi-response generalized linear models with applications in thermal spraying

Holger Dette, Laura Hoyden+2 more|arXiv (Cornell University)|Dec 16, 2013

Optimal Experimental Design Methods参考文献 38被引用数 6

ひとこと要約

本稿は、潜在的な日別要因（温度・湿度など）が存在する熱スプライティングにおける多応答一般化線形モデル（GLMs）に対して、ベイジアンD最適およびD₁最適設計を提案する。実験は複数日にわたって実施され、日別効果が潜在的に存在する。本手法は、実験走行を最適化することで、パラメータ推定と日別効果の仮説検定を改善し、D最適設計はパラメータの精度を向上させ、D₁最適設計は検定力（パワー）を向上させることを示している。ベイジアン手法により、モデルおよびパラメータの不確実性に対処している。

ABSTRACT

We consider the problem of designing experiments for investigating particle in-flight properties in thermal spraying. Observations are available on an extensive design for an initial day and thereafter in limited number for any particular day. Generalized linear models including additional day effects are used for analyzing the process, where the models vary with respect to different responses. We construct robust D-optimal designs to collect additional data on any current day, which are efficient for the estimation of the parameters in all models under consideration. These designs improve a reference fractional factorial design substantially. We also investigate designs, which maximize the power of the test for an additional day effect. The results are used to design additional experiments of the thermal spraying process and a comparison of the statistical analysis based on a reference design as well as on a selected D-optimal design is performed.

研究の動機と目的

• 温度や湿度などの潜在的要因による日ごとのプロセス条件の変動が生じる熱スプライティングにおける実験設計の課題に対処する。
• 初期データが既に収集済みである場合に、その後の日における追加実験の最適設計を開発する。日別効果とモデル不確実性に対するロバスト性に重点を置く。
• 温度、速度、炎の幅、強度などの多応答GLM（一般化線形モデル）のパラメータ推定に効率的な設計を構築する。分布的仮定（ガンマ分布族）を考慮する。
• D最適性による効率的なパラメータ推定と、D₁最適性による日別効果検出のための高い検定力という、相反する目的をバランスさせる。特に不確実性下でも有効であるようにする。
• 時系列的効果と多次元非正規応答を伴う産業プロセスにおけるフォローアップ実験の設計に実用的なフレームワークを提供する。

提案手法

• 多応答GLMにおける全モデルパラメータの信頼楕円体の体積を最小化するため、局所的およびベイジアンD最適設計を用いる。
• 日別効果の追加を検出するための尤度比検定の検定力を最大化するD₁最適性を適用する。
• 局所的D最適設計のK平均法クラスタリングを用いて、モデルパラメータおよびリンク関数の不確実性に対処する妥協設計を構築する。
• ベイジアンアプローチを用いて、妥当なパラメータ値およびモデル構成の平均化により、モデル不確実性を統合する。
• 理論的および観察的D効率性と予測の平均二乗誤差（MSE）を用いて、追加の飛行中粒子特性の予測性能を比較する。
• 最適設計の性能を評価するためのベンチマークとして、参照用の分数式完全実験設計（reference fractional factorial design）を用いる。

実験結果

リサーチクエスチョン

• RQ1 潜在的な日別効果が存在する複数日にわたるデータ収集において、多応答一般化線形モデル（GLMs）の実験設計をどのように最適化できるか？
• RQ2 熱スプライティング応用において、標準的な参照設計と比較して、ベイジアンD最適設計はパラメータ推定の効率性をどの程度向上させるか？
• RQ3 D₁最適設計は、一般化線形モデル枠組み内で有意な日別効果を検出する統計的検定力（パワー）を向上させることができるか？
• RQ4 D最適設計と参照設計の間で、観測されない飛行中粒子特性の予測性能にはどのような差があるか？
• RQ5 多応答GLM設定において、パラメータ推定（D最適性）とモデル区別（D₁最適性）の両方を最適化する際のトレードオフは何か？

主な発見

• ベイジアンD最適設計は、温度で理論的D効率性が79.53%、速度で75.35%、炎の幅で78.14%、炎の強度で69.34%向上し、参照設計を上回った。
• 観察されたD効率性は低かった（例：温度で39.34%）が、実世界の性能がより変動的であることを示唆したが、依然として顕著な向上が得られた。
• 温度と速度の予測では参照設計が優れていた（MSE：16.97 vs. 27.40 および 8.91 vs. 12.65）、一方で炎の幅（1.43 vs. 4.10）と強度（1.89 vs. 2.73）の予測ではD最適設計が優れた性能を示した。
• D₁最適設計は日別効果の検出に向けた検定力（パワー）を最大化するが、設計空間の内部に多くの実験走行を配置するのを推奨する。これはD最適設計が境界点を多く使用するのとは対照的である。
• ベイジアンD₁最適設計は、日別効果の検出パワーにおいて参照設計を上回った。これは、主な目的がモデル区別である場合に、より適していることを示唆している。
• パラメータ推定と日別効果検出の両方が重要である場合には、妥協設計戦略を推奨する。D最適設計とD₁最適設計は、異なる最適な配置を示すためである。