좋은 그래프와 최적조건 표를 만들었는데, 석 달 뒤 같은 결과를 다시 만들 수 없습니다. 어떤 원자료를 썼는지, 반응행이 어느 설계행에 붙었는지, 어떤 항을 왜 뺐는지, seed와 목표함수가 무엇이었는지가 남지 않았기 때문입니다.
마지막 단원의 질문은 하나입니다.
다른 사람이 분석과 결론의 경계를 다시 확인하려면 무엇을 남겨야 하는가?
패키지는 파일 모음이 아니라 연결관계입니다
재현 가능한 분석 패키지는 PDF 보고서, 데이터 table, script를 한 폴더에 넣는 것만으로 끝나지 않습니다. 각 결과가 어떤 입력과 판단에서 나왔는지 연결돼야 합니다.
질문 → 설계 → 데이터 → 모형 → 진단 → 확인실험 → 보고
각 화살표에는 identity와 변경 이유가 있습니다. 설계표와 관측자료의 run ID가 맞지 않거나 최종 그림이 어느 모형에서 나왔는지 알 수 없으면 provenance chain이 끊깁니다.
1. 질문과 실험단위를 먼저 고정합니다
분석 receipt의 첫 줄은 통계기법이 아니라 질문입니다.
- primary response와 단위
- 바꿀 factor와 범위
- 독립 experimental unit
- technical repeat의 요약 규칙
- block·batch·실행순서
- 성공 기준과 금지 결론
“행 수 24”보다 “독립 배양 vessel 8개에서 각 3회 읽고 vessel 평균 8개를 분석”이 재현 가능한 기록입니다.
2. Design receipt는 실행 전 약속을 남깁니다
| 필드 | 기록 예시 |
|---|---|
| design identity | 2^(4−1) Resolution IV + foldover |
| factor coding | coded −1/0/+1과 실제 단위 변환 |
| model intent | main + selected 2FI 또는 full quadratic |
| run identity | run ID, random order, block, center replicate |
| constraints | 금지조합·장비범위·필수 control |
| generator/version | 설계 엔진·소프트웨어 build·script hash |
반응을 본 뒤 바꾼 항목은 원래 receipt를 덮어쓰지 않고 amendment로 남깁니다.
3. Data receipt는 원자료와 분석표를 구분합니다
원자료는 측정값·단위·sample ID·timestamp를 보존합니다. 분석표는 제외·변환·technical repeat 요약을 거친 파생자료일 수 있습니다. 둘 사이 변환을 script 또는 명시적 규칙으로 재실행할 수 있어야 합니다.
최소한 다음을 남깁니다.
- source file hash와 수정금지 원본 위치
- data dictionary와 missing code
- 제외·이상값 결정 및 이유
- 설계행과 반응행을 잇는 key
- seed, simulator version과 합성자료 표시
- 시간대·locale·소프트웨어 version처럼 결과를 바꿀 환경정보
4. Model receipt는 선택과정을 숨기지 않습니다
최종 계수표만 남기면 왜 그 모형이 되었는지 알 수 없습니다.
- 사전 후보모형과 hierarchy
- coding과 실제 단위식
- full model과 축소·대안 model
- 항 추가·삭제의 시점과 이유
- ANOVA, LOF, residual, 영향점 증거
- prediction 범위와 외삽 금지선
- goal·limit·desirability importance
자동선택을 썼다면 방법·threshold·candidate term과 선택편향의 한계를 기록합니다. p-value가 최종 table에 있다는 사실만으로 사전 검정이 되지는 않습니다.
교육용 receipt는 누락을 드러내는 학습 장치입니다. 실제 validated system은 의도된 사용, 요구사항, 접근통제, 변경관리, 독립 검토, 테스트 증거와 조직 절차가 필요합니다. 이 단원의 fixture를 규제 검증 패키지로 부르지 마십시오.
5. 그림과 표도 model identity를 가져야 합니다
Contour, Profiler, residual plot과 simulation histogram마다 다음을 추적할 수 있어야 합니다.
- source dataset ID
- model/analysis ID
- factor settings와 고정값
- axis scale·unit·filter
- 생성 script 또는 output receipt
- 생성일과 software version
보고서에 붙인 이미지가 최신 모형과 다른 오래된 결과라면 숫자가 비슷해도 사용할 수 없습니다.
6. 확인실험은 별도 evidence package입니다
확인실험은 적합자료와 구분되는 새 run ID를 가집니다. 후보조건, 사전 성공기준, 독립 반복 수, block과 관측값을 남깁니다. 예측과 확인의 차이를 표로 보이고 모형을 갱신했다면 새 version을 만듭니다.
Screening의 foldover, RSM 최적점 confirmation, DSD augment는 목적이 다릅니다. 모두 “추가실험” 한 줄로 합치지 않습니다.
7. 결론에는 decision boundary를 씁니다
좋은 결론은 현재 자료가 말하는 것과 말하지 못하는 것을 함께 적습니다.
지정한 후보영역과 사전 quadratic 모형에서 x=0.55, y=0.35가 합성 desirability 최대 후보였다. 새 독립 확인 3회의 평균은 prediction interval과 양립했다. Monte Carlo 합격률은 지정 입력분포와 LSL에 조건부이다. studied range 밖, 장기 capability와 실제 제품 성능은 이 패키지의 결론이 아니다.
“최적화 완료”, “공정 robust”, “validated”처럼 범위를 지운 단어를 피합니다.
In-Silico Lab: 같은 seed로 receipt를 다시 만듭니다
- receipt seed를 바꾸고 screening·RSM·confirmation·robustness 값이 함께 갱신되는지 봅니다.
- LSL을 바꾸어 같은 simulation data에서도 decision boundary가 달라지는지 확인합니다.
- design, model, diagnostics, confirmation과 limitation 필드가 모두 있는지 봅니다.
- 이 table만으로 실제 분석의 타당성을 승인할 수 없는 이유를 적습니다.
설계·분석·확인·제한을 하나의 receipt로 묶으세요
앞 단원의 고정 합성 fixture를 같은 seed로 다시 계산해 질문에서 결론까지 추적 가능한 최소 검증 패키지를 만듭니다.
처음이라면: 무엇을 눌러야 하나요?
- 1. 질문을 먼저 읽기Lab 제목에서 이번에 비교할 한 가지를 확인합니다.
- 2. 조건 하나만 바꾸기처음에는 n, 효과, 산포 같은 입력 중 하나만 바꾸십시오.
- 3. 새 합성 표본 누르기새 합성 데이터가 만들어집니다. 같은 조건도 표본에 따라 달라질 수 있습니다.
- 4. 그림과 계산 결과 비교하기바꾸기 전후 무엇이 움직이고 무엇이 그대로인지 한 문장으로 적어보십시오.
막히면초기화로 돌아가 기본 결과를 본 뒤 조건 하나만 바꾸십시오. 이 Lab은 정답 판정기가 아니라 패턴 관찰 도구입니다.
같은 설정의 합성 관측
| receipt field | recorded value |
|---|---|
| question | 후속 확인이 가능한 견고한 조건 후보는 무엇인가? |
| row meaning | one independent synthetic design or confirmation run |
| design | screening 4+4; CCD 13; custom 10; DSD 13 |
| seed | 22022 |
| model | pre-specified coded quadratic teaching model |
| diagnostics | RSM R² 0.998; LOF SS 0.163 |
| candidate | x=0.30, y=0.55, d=0.713 |
| confirmation | yield 90.26; impurity 4.39 |
| robustness | pass 99.6% at LSL 89 |
| decision boundary | 교육용 합성 결과; 실제 공정·제품·규제 결론 금지 |
계산 결과
receipt는 누락과 변경을 드러내는 장치입니다. 문서화만으로 모형·데이터·결론이 검증되지는 않으며 독립 검토와 실제 확인실험이 남습니다.
교육용 synthetic model ·bjs-screening-sequence-v1 · bjs-response-surface-sequence-v1 · bjs-robustness-sequence-v1 · bjs-advanced-design-sequence-v1. 한 행은 별도 표시가 없는 한 하나의 독립 simulation 또는 설계 run입니다. 실제 연구·품질·규제 판단에는 사용할 수 없습니다.
Lab은 U21～U28 엔진의 고정 fixture를 요약한 synthetic receipt입니다. 화면의 값은 같은 version·입력·seed에서 재현되지만 실제 JMP Project, 규제 validation 또는 조직 전자기록 시스템을 대신하지 않습니다.
JMP artifact의 역할을 구분합니다
입력 데이터와 실행 가능한 분석 정의가 같은 receipt에 연결됩니다.
계수·ANOVA·진단·Profiler의 source table과 model identity를 남깁니다.
설명 문서가 원자료·결과·제한을 추적하게 묶되 검증 자체로 오인하지 않습니다.
Data Table과 table script는 입력과 분석 정의를 연결하고, model report는 수치·진단·Profiler를 묶습니다. Journal이나 Project 같은 artifact는 분석 맥락을 보존할 수 있지만, 링크가 최신인지와 실행환경이 같은지를 별도로 검증해야 합니다. 사용법보다 어떤 evidence가 어떤 conclusion을 지지하는지가 중심입니다.
최소 handoff checklist
- 질문·primary endpoint·독립 n가 명시됐는가?
- 설계표·실행순서·block·factor 실제 단위가 있는가?
- 원자료 hash와 분석표 변환이 재실행 가능한가?
- 사전모형과 모든 변경이 보존됐는가?
- ANOVA·LOF·residual·prediction 범위가 연결됐는가?
- 최적화 목표·limit·가중치가 있는가?
- 확인실험이 적합자료와 분리됐는가?
- simulation 분포·상관·seed·version이 있는가?
- 그림·표가 source data와 model ID를 가지는가?
- 결론의 한계와 다음 행동이 적혔는가?
단원을 마치며
- 재현성은 파일 수가 아니라 provenance chain의 완전성이다.
- design·data·model·simulation receipt를 분리해 연결한다.
- 선택·제외·변경을 최종 결과 뒤에 숨기지 않는다.
- confirmation은 별도 run과 사전 성공기준을 가진다.
- decision boundary는 허용 결론과 금지 확대를 함께 쓴다.
- 문서화와 실제 시스템 validation은 다르다.
이 단원으로 KO 본과정의 현재 Learning Spine을 마칩니다. 다음 작업은 새 단원을 임의로 더하는 것이 아니라 U21～U29 KO의 검증·공개 후, 승인된 동일 구조를 EN과 JA로 번역·전수 검토하는 것입니다.
공식 보충 자료
- NIST/SEMATECH · Process Modeling
- JMP Help · Design of Experiments Guide
- JMP Help · Enhanced Log in JMP
이 글과 Lab은 교육용 합성 자료이며 실제 연구·공정·품질·규제 판단의 증거 또는 validated system이 아닙니다.