cancel
Showing results for 
Show  only  | Search instead for 
Did you mean: 
  • Register to attend Discovery Summit 2025 Online: Early Users Edition, Sept. 24-25.
  • New JMP features coming to desktops everywhere this September. Sign up to learn more at jmp.com/launch.

Naohiro Masukawa

Choose Language Hide Translation Bar

Latest Posts

  • JMPによるロバストエンジニアリングの実施例 ~予測プロファイルとシミュレータを用いて~

    ロバストエンジニアリング(Robust Engineering)とは、工程中に避けられないばらつきが存在しても、安定して規格内の製品を生産するための技術です。   ここでいう「安定」とは、気温や湿度といった製造環境の変動(誤差因子)に左右されず、品質を維持できる状態を指します。誤差因子は通常制御が困難ですが、製品の応答に影響を及ぼす要因の多くは制御可能な因子(制御因子)として扱われます。   したがって、誤差因子が変動しても製品が仕様限界内に収まるようにするためには、適切な制御因子の条件(水準)を探索・設定する必要があります。   このとき、JMPでは「予測プロファイル」や「シミュレータ」を用いて、最適な制御因子の条件を見つけることができます。 本記事では、例題を通してその手順を紹介します。   例題:穴あけ加工で穴径を10mm に安定させるには ある材料加工会社では、穴あけ加工における...

    Masukawa_Nao Masukawa_Nao
    Naohiro Masukawa |
    Aug 17, 2025 5:00 PM
    730 views | 0 replies
    Masukawa_Nao_0-1755240434209.png
  • JMPで「ツリーマップ」を作るべき5つの理由

    下図は、カテゴリ数が多いデータについて、JMPとMicrosoft Excel(以下、Excelと表記)でツリーマップを作成した例です。JMPでは「グラフビルダー」プラットフォームを使用しています。   一見すると、どちらも同じようなグラフを描けるため、「どちらのソフトで描いても違いがないのでは?」と思われるかもしれません。   しかし、JMPでは、JMPならではのツリーマップの特長があります。   ツリーマップは、多数のカテゴリを視覚的に比較するのに適したグラフで、各カテゴリを面積の大小で直感的に表現できます。情報量が多いときでも全体の構成や傾向を把握しやすいのが特長です。   本記事では、JMPの「グラフビルダー」を使ったツリーマップ作成の基本操作と、JMPのツリーマップの特長を5つご紹介します。   JMPでのツリーマップを作成する基本操作 主にJMPのサンプルデータ「Nic Ad...

    Masukawa_Nao Masukawa_Nao
    Naohiro Masukawa |
    Jul 21, 2025 5:00 PM
    815 views | 0 replies
    Masukawa_Nao_0-1752804875635.png
  • 層別分析を効率化するBy変数機能の活用法 ~JMP 18ではもっと便利に~

    普段、JMPユーザの方と接していると、私たちが思いがけない機能を「JMPの良い機能」として挙げていただくことがあります。   今回ご紹介するJMPの「By」変数を指定する機能も、私にとっては日常的に使う機能であるため、当たり前だという先入観があり、これまで特段アピールしてきませんでした。   しかし近年、このByの機能について「非常に便利だ」、「JMPを使っていてとても役立つ」というコメントを複数のJMPユーザの方からいただくようになりました。そこで本記事では、By機能の利用例と、現時点の最新バージョン「JMP 18」で新たに追加された便利な機能についてご説明します。   最後に、最近日本で公開された、By変数の有用性を紹介するユーザ事例も併せてご紹介します。   By変数の指定とそのレポート By変数の指定とそのレポート JMPでは 、[分析] メニューにある多くのプラットフォームで [...

    Masukawa_Nao Masukawa_Nao
    Naohiro Masukawa |
    Jul 16, 2025 5:00 PM
    722 views | 0 replies
    Masukawa_Nao_1-1752563762787.png
  • 外れ値の影響を小さくする「ロバストのあてはめ」オプションの利用場面

    下図は、JMPの「二変量の関係」で表示したレポートです。どちらのグラフでも、Y軸の「トリグリセリド」に他のデータより値が極端に大きい値(外れ値とみなせる値)が存在することがわかります。これら外れ値の影響を小さくする「ロバストあてはめ」を行ったものが、緑色の線です。   JMPの「二変量の関係」では、Yに連続変数、Xに連続変数を指定したときの「二変量」のレポート、およびYに連続変数、Xに名義変数・順序変数を指定したときの「一元配置」のレポートにおいて、「ロバストなあてはめ」のオプションを適用できます。     本記事では、データに外れ値が含まれて場合の対処方法を示し、その一つであるロバスト推定について、通常の推定方法と比較しながら、その考え方と実施例を解説します。   以前、あるJMPのお客様から、JMPにはこのロバストな推定機能があるのが良いとのコメントを頂いたことがあり、他のユーザー...

    Masukawa_Nao Masukawa_Nao
    Naohiro Masukawa |
    Jul 9, 2025 11:45 PM
    943 views | 0 replies
    Masukawa_Nao_0-1752110446472.png
  • 工程の異常を探索する「モデルに基づく多変量管理図」の活用

    先日、JMPジャパン事業部で実施したイベントにおいて、ご発表された方の一人から、ルートコーズ(根本原因)を特定方法の一つとして、多変量管理図が紹介されていました。   さらに、このイベントにご参加された方を対象としたアンケートでは、この「多変量管理図」の機能が有用に感じたというコメントを多くいただきました。   多変量管理図自体は、以前から品質管理における管理図の一種として知られていますが、JMPに搭載されている「モデルに基づく多変量管理図」(MDMVCC; Model Driven Multivariate Control Chart)は、多変量の工程を監視できるだけではなく、個々の工程の全体的な変化の寄与を対話的に掘り下げて調査し、工程を診断することができます。   「モデルに基づく多変量管理図」のレポート   本記事では多変量管理図の概要や役割を説明し、JMPの「モデルに基づく多変量...

    Masukawa_Nao Masukawa_Nao
    Naohiro Masukawa |
    Jun 30, 2025 5:00 PM
    840 views | 0 replies
    Masukawa_Nao_0-1751258269560.png
  • JMPで「ダンベルチャート」を描く方法 ~2つの数値に変化や差を比較するために~

    下の図は、2000年~2024年の6月における、日ごとの最高気温の平均(青色の点)と最低気温の平均(赤色の点)線で結んだグラフです。   上記の説明だけでも、このグラフが何を示しているか、おおよそイメージできるのではないでしょうか。   このように、2つの数値(例:最低気温と最高気温)を線で結ぶことで、ダンベルのような形になることから、このグラフは「ダンベルチャート(Dumbbell Chart)」と呼ばれています。   ダンベルチャートは、2つの値の差や変動幅を視覚的に表現する際に有効で、特に時間的変化やグループ間の差を示すのに適しています。   本記事では、JMPの「グラフビルダー」を使って、このダンベルチャートを作成する方法をご紹介します。   グラフビルダーでは、直接「ダンベルチャート」というグラフタイプはありません。作成するポイントとしては、「区間」ゾーンに2つの数値変数を指定...

    Masukawa_Nao Masukawa_Nao
    Naohiro Masukawa |
    Jun 8, 2025 5:00 PM
    1229 views | 0 replies
    Masukawa_Nao_1-1749187572099.png
  • 空間的特徴を考慮したクラスター分析によるウェハーマップの欠陥分類事例 ~Scratchを検出するために~

    本記事では、空間的指標を用いた階層型クラスター分析を活用し、試行錯誤をしながらウェハーマップの欠陥パターンを分類した事例を紹介します。   下図のウェハーマップでは、各ダイ(チップ)の青色が正常、赤色が欠陥を示しています。   下図は9枚のウェハーマップにおける、欠陥パターンの分類例です。 Ring:円周上に欠陥が分布、Center:中心付近に欠陥が分布 Donut:ドーナツ状に欠陥が分布、Scratch:直線状に欠陥が分布   このような分類は、人間の感覚で行うことは可能ですが、大量のウェハーマップがある場合、クラスター分析を用いていくつかのパターンに自動的に分類することを検討します。   空間的指標を用いたクラスター分析 クラスター分析は多変量のデータをもとに、似た値をもつ行(この例では「ウェハー」)をいくつかのグループにまとめていく手法です。   ウェハーマップのようにXY座標で...

    Masukawa_Nao Masukawa_Nao
    Naohiro Masukawa |
    May 29, 2025 7:51 PM
    593 views | 0 replies
    Masukawa_Nao_0-1748565092064.png
  • AQbDに基づく分析法開発の実践例 ~実験計画法(DOE)を用いたHPLC条件の最適化~

    本記事では、医薬品の分析法開発における実験計画法(DOE)をJMPを用いて実施する例を紹介します。   近年、分析法の開発に関するガイドラインである ICH-Q14の整備が進んでおり、"より進んだ手法を活用した分析法"が注目されています。   分析法の開発において品質を科学的根拠に基づいて検討する手法は、AQbD(Analytical Quality by Design)と呼ばれており、その実現方法の一つとして、実験計画法(DOE)の活用が提唱されています。   例えば、以下のようなHPLCの構成において、最適な操作条件を求めることが、分析法開発の一例として挙げられます。         分析例:HPLCの操作条件最適化 目的:日本薬局方が定めるピークの完全分離(分離度 ≧ 1.5)を実現する分析法を開発する。   この目的を実現するために、実験計画法の考え方に基づいて実験を行い、得られ...

    Masukawa_Nao Masukawa_Nao
    Naohiro Masukawa |
    Apr 30, 2025 11:29 PM
    688 views | 0 replies
    Masukawa_Nao_0-1746003591471.png
  • 近年のバージョンアップで追加された「効果量」の表示機能 ~その用途と活用法~

    近年のJMPのバージョンアップ において、最新版のJMP 18ではt検定における効果量「Cohenのd」(Cohen's d)を、JMP 17以降では回帰分析における効果量「η2」(イータ2乗)、「ω2」(オメガ2乗)を出力できるようになりました。     効果量とは、統計モデルにおける説明変数(要因)が目的変数に与える影響の大きさを示す指標です。要因が(偶然ではなく)目的変数に影響を与えているかを示す指標としてp値がありますが、これは統計的な有意性を判断するものであり、効果の大きさを示すものではありません。   JMPでは「モデルのあてはめ」のレポートとして、以下の「効果の要約」が表示されます。このレポートでは、p値が小さい順(対数価値が大きい順)に並びますが、これは性別、薬、性別*薬の順に効果が大きいことを直接示すわけではありません。あくまで統計的な有意性の大きさを示しています。  ...

    Masukawa_Nao Masukawa_Nao
    Naohiro Masukawa |
    Apr 23, 2025 6:17 PM
    1322 views | 0 replies
    Masukawa_Nao_0-1742194411409.png
  • Lasso回帰の有効性をシミュレーションで確認 ~多重共線性のあるデータに対して~

    機械学習の分野では、変数が多いデータを扱うことが多く、そのようなデータを扱うと多重共線性が発生することがあります。その際、多重共線性を回避する手法であるLassoをはじめとする正則化回帰が用いられることがあります。   JMP Proでは「一般化回帰」という手法としてこの正則化回帰を利用でき、パラメータ推定値(回帰係数)を収縮や変数選択によって、多重共線性を影響を抑えた安定したモデル推定が可能になります。   以下の図は、Lassoによって回帰係数が収縮されたときの様子を示しています。レポート「元の説明変数に対する推定値」を見ると、効果の小さい説明変数は0(ゼロ)に収縮されており、Lassoが変数選択を行っていることが確認できます。 では、多重共線性が存在するデータについて、Lasso回帰はどのように有効なのでしょうか。本記事では、応答(Y)との真の関係をあらかじめ定めた仮想データを用い...

    Masukawa_Nao Masukawa_Nao
    Naohiro Masukawa |
    Apr 14, 2025 5:00 PM
    637 views | 0 replies
    Masukawa_Nao_1-1744607144605.png
  • JMPのグラフビルダーで作る「サンキーダイアグラム」の描き方

    みなさんは、次のようなグラフをご覧になったことはありますでしょうか?近年、さまざまな分野で活用されているグラフです。   このグラフをはじめて見る方も、何となくその意味を感じ取ることができるのではないでしょうか。 このグラフは、「サンキーダイアググラム(Sanky Diagram)」と呼ばれています。   上記のグラフは色の好みを尋ねたアンケートの結果例です。「一番好きな色」、「性別」、「年齢」という設問を横軸に配置しており、各軸における間隔の太さは、回答数の割合に比例しています。   グラフからは「50代はBlueを好む割合が高い」、「40代の女性はPurpleを好む割合が高い」などの傾向が一目でわかります。   本記事では、まずサンキーダイアグラムの概要を説明し、その後、2つの分析例をもとに、JMPでサンキーダイアグラムを描く方法を紹介します。記事の最後には、操作方法を示したビデオも...

    Masukawa_Nao Masukawa_Nao
    Naohiro Masukawa |
    Apr 1, 2025 1:30 AM
    1075 views | 0 replies
    Masukawa_Nao_1-1743406139257.png
  • 時系列分析による2024年の出生数予測は概ね的中。2025年の予測結果と希望の兆しとは?

    先日、昨年(2024年)の日本の出生数(速報値)が発表され、過去最低の約720,988人であることが明らかになりました。   昨年末には「70万人を割るのではないか」との予測もありましたが、なんとか踏みとどまりました。2015年からの出生数の推移をみると以下の通りです。毎年減少を続けており、2024年の出生数は2015年と比べて約3割減少しています。   昨年実施した出生数の予測に対する答え合わせ 実は、ちょうど昨年の今頃、2023年までの出生数のデータをもとに、時系列分析を用いて2024年の出生数を予測していました。「状態空間平滑化モデル」、「ARIMAモデル」の2つの手法による予測結果を以下に示します。 2024年始めに行った2024年の出生数予測 実際の出生数は予測よりやや下振れしたものの、ある程度の精度で予測できていました。特に、状態空間平滑化モデルによる予測誤差はわずか-0.7...

    Masukawa_Nao Masukawa_Nao
    Naohiro Masukawa |
    Mar 2, 2025 7:00 PM
    690 views | 0 replies
    Masukawa_Nao_0-1740731876869.png
  • 「MaxDiff計画」を用いたキャラメルポップコーンのおいしさ調査

    「ポップコーンにキャラメルがかかっているだけで、こんなにおいしいなんて!」 筆者が初めてキャラメルポップコーンを食べたときの感動は今でも忘れられません。普段はあまりポップコーンを食べることはありませんが、キャラメルポップコーンだけは好んで食べています。 スーパーにいくと、さまざまなキャラメルポップコーンが販売されています。いくつか試してみると、「これはおいしい!」と思うものや、キャラメル感が強いもの、味が控えめなものなど、それぞれに特徴があることがわかりました。   ちょうどその頃、JMPに「MaxDiff計画」という新機能が追加されました。「これはキャラメルポップコーンのおいしさを調べるために使えそうだ!」と思い、弊社(JMP Japan)の社員に協力をお願いし、調査を実施しました。かなり前の調査にはなりますが、その結果を報告します。   MaxDiff計画とは? 消費者調査では、「選...

    Masukawa_Nao Masukawa_Nao
    Naohiro Masukawa |
    Feb 19, 2025 8:10 PM
    395 views | 0 replies
    23315286_m.jpg
  • 共変量を変化させたときの薬物動態モデルの考察

    下図は、12人の患者に特定の薬剤を投与した際の薬物濃度の時間経過を示す折れ線グラフです。薬物は投与後に体内で吸収され、濃度が急激に上昇した後、分布や代謝によって濃度が緩やかに低下します。このグラフは、薬物動態の基本的なパターンを示しています。 患者ごとの折れ線を観察すると、濃度の変化に個人差が見られます。この差異は通常、薬物の種類、投与経路、患者個々の特性(例:体重や代謝能力)などによるものです。   例えば、体重が大きい患者では分布容積が増加し、最大濃度(Cmax)が低くなる可能性があります。また、投与量や薬剤の種類によっても濃度推移が変化することがあります。   これら、薬物動態に影響を及ぼす可能性がある要素は「共変量」と呼ばれ、共変量の違いによって薬物濃度はどのように影響を及ぼすかを解析することがあります。   本ブログでは、JMP(JMP Pro) の「曲線のあてはめ」プラットフ...

    Masukawa_Nao Masukawa_Nao
    Naohiro Masukawa |
    Jan 22, 2025 12:12 AM
    502 views | 0 replies
    Masukawa_Nao_0-1737425701437.png
  • 「工程のスクリーニング」の「シフトグラフ」で近年の気温上昇を検出する試み

    「工程のスクリーニング」は、多数の工程を一度に評価できるプラットフォームです。各工程における工程能力や管理図の指標を算出し、重要な工程を効率的にスクリーニングできます。   このプラットフォームでは、次のような「シフトグラフ」を描けるのはご存じでしょうか? このグラフにより、どの工程でいつシフト(後述)が発生したのかを視覚的に考察できます。また、気になる工程についてはドリルダウンで詳細に分析できます。 本ブログでは、日本各地の気温データを一種の「工程」とみなし、気温の急激な上昇(シフト)がいつ発生したか、また観測地点ごとの上昇幅の違いについて考察します。   分析対象 対象地域:日本の管区気象台および地方気象台(データが存在する58地点)対象期間:1995年~2024年(30年間)に対し、各年6月から8月(夏)のデータ指標:日ごとの平均気温、最高気温、最低気温について、3か月間の平均を算...

    Masukawa_Nao Masukawa_Nao
    Naohiro Masukawa |
    Jan 16, 2025 9:17 PM
    565 views | 0 replies
    Masukawa_Nao_0-1736901599147.png
  • 格差分析の新視点:MLBホームラン数の偏りをジニ係数で読み解く

    このブログでは、経済や社会分野で所得や貯蓄の格差を分析する際に用いられる「ローレンツ曲線」と「ジニ係数」について説明します。併せてMLB(メジャーリーグベースボール)の各チームにおけるホームラン数の偏りを分析するために、JMPを用いてローレンツ曲線で視覚化し、ジニ係数で定量化した例を紹介します。   不平等さを測る指標:ジニ係数とローレンツ曲線 データの偏りや不平等を定量化する指標として、「ジニ係数」がよく知られています。そして、その不平等を視覚的に表現するために「ローレンツ曲線」が用いられます。   ジニ係数は「不平等の指標」とも呼ばれ、所得格差や教育格差など、さまざまな分野で格差の度合いを示す際に使われています。   下図は、家庭における所得格差を視覚化したローレンツ曲線(青色)です。横軸は家庭の累積割合、縦軸は累積所得割合を示します。所得格差がなく平等の場合、ローレンツ曲線は点線で示...

    Masukawa_Nao Masukawa_Nao
    Naohiro Masukawa |
    Dec 23, 2024 4:00 PM
    671 views | 0 replies
    Masukawa_Nao_0-1734509627839.png
  • スペクトルデータの分析で「前処理」の重要性を感じた事例

    先日、日本のお客様向けに「JMPによるスペクトルデータ/クロマトグラムデータの多変量解析」というタイトルのセミナーを実施しました。   このセミナーは、タイトルの通りスペクトルやクロマトグラムデータを扱うニッチな内容だったため、参加者は少ないだろうと勝手に思っていました。しかし、想像を大きく覆すほどの多くの方にご参加いただきました。有難い限りです!   セミナーの中では、主に以下のラマンスペクトルのデータを扱いました。   分析の目的 ウコン中に含まれる鉛の含有量をラマン分光法(散乱モード)を用いて定量するためのモデルを開発する   スペクトルデータの概要 鉛濃度が異なるように調製された42種類のウコンを含む試料を準備鉛の濃度によって、A~Fの6つのグループ(各グループ7つの試料)に分類   以下の図は、42種類の試料のラマンスペクトルデータを「グラフビルダー」を使って視覚化したものです。...

    Masukawa_Nao Masukawa_Nao
    Naohiro Masukawa |
    Dec 8, 2024 4:00 PM
    769 views | 0 replies
    Masukawa_Nao_0-1733463127064.png
  • 作業効率アップ!「モデルのあてはめ」のレポートカスタマイズ術

    JMPの「モデルのあてはめ」プラットフォームでは、回帰分析、分散分析、(名義、順序)ロジスティック回帰、一般化線形モデルなど、さまざまなモデルを構築することができます。   観測されたデータについて回帰モデルをあてはめたり、実験計画法で計画した実験データについて応答曲面モデルをあてはめたりする用途において、この「モデルのあてはめ」プラットフォームが利用されます。   「モデルの指定」ウィンドウで、[Y] に連続尺度を指定すると、デフォルトの手法として[標準最小2乗]が選択されます。このとき、レポートウィンドウに最初に表示されるグラフや表がどのように決まるかご存じでしょうか?   強調点によって最初に表示されるレポートが決まる仕組み 実は、「強調点」で指定された項目によって、最初に表示される表やグラフが決まります。     それぞれの「強調点」の項目によって、最初に表示されるグラフや表を以...

    Masukawa_Nao Masukawa_Nao
    Naohiro Masukawa |
    Dec 1, 2024 4:00 PM
    767 views | 0 replies
    Masukawa_Nao_0-1732758276570.png
  • あり得ない因子設定を回避した最適化  ~プロファイルの外挿抑制について~

    JMPの「プロファイル」機能では、予測モデルを視覚化して、因子(説明変数)を変更したときの応答(目的変数)の予測値の変化をインタラクティブに調べることができます。さらに、応答の最大化、最小化するような因子の値を見つける「最適化」の機能も搭載されています。   しかし、因子の値を無制限に調べてしまうと、実際のデータから大きく逸脱した現実ではあり得ない設定値を扱うことがあり、これは「外挿」と呼ばれる予測の危険性を伴います。そのため、最適化をした際、現実にはあり得ない因子設定による予測値を求めることもできてしまうので注意が必要です。   そこでJMPの「プロファイル」機能では、「外挿の抑制」をオンにすることで、現実的でない因子設定を回避することが可能です。以下の例では、この「外挿の抑制」機能を使った場合と使わない場合を比較して説明します。     外挿の抑制を用いた実例 今回は、医薬品の製造工...

    Masukawa_Nao Masukawa_Nao
    Naohiro Masukawa |
    Nov 20, 2024 3:50 PM
    499 views | 0 replies
    Masukawa_Nao_0-1732078030894.png
  • ドジャーズ大谷選手の打球速度と打球角度を視覚化したときに気づいたこと

    今年、大型契約でドジャーズに移籍した大谷選手ですが、打者として54本塁打、57盗塁という驚異的な成績を残しました。   今年もその豪快なパワーでホームランを量産しましたが、少し気になり、今年(2024年)と昨年(2023年)のレギュラーシーズンにおけるホームランの打球速度と角度を視覚化してみました。   下図の左側が今年の54本のホームラン、右側が昨年の44本のホームランに対する打球速度(Exit Velocity)と打球角度(Launch Angle)です。   ※データの引用:BaseBall Savantより大谷選手のホームランデータを抽出   この図には、分布を表現する密度(JMPで言うところの等高線)も加えていますが、今年と昨年で違いが見てとれます。特に今年の等高線を見ると、2つのグループに分かれていることがわかります。   次に、昨年と今年の打球速度と角度の分布を詳しく見てい...

    Masukawa_Nao Masukawa_Nao
    Naohiro Masukawa |
    Oct 6, 2024 11:45 PM
    1162 views | 0 replies
    Masukawa_Nao_0-1728260073421.png