Naohiro Masukawa

Latest Posts

• Bayes（ベイズ）最適化は「実験回数が少ない」だけでない　～実験計画法との比較で分かる強みとは～

  Bayes（ベイズ）最適化は、「少ない実験回数で最適解を見つけられる」だけでなく、応答曲面法のように特定の関数形を仮定せず、複雑な非線形関係や多峰性にも対応できる点が大きな特長です。本記事では、酵素反応のシミュレーションを用いて実験計画法と比較した結果、Bayes最適化は14回の実験で90%以上の収率を達成した一方、応答曲面法では18回の実験でも高収率条件を見つけられませんでした。応答と因子の関係が未知で複雑な実験では、Bayes最適化が有力な選択肢となります。

  Masukawa_Nao

  Naohiro Masukawa |

  Jul 5, 2026 5:36 PM

  167 views | 0 replies
  

• よく使う機能を一発起動！JMPショートカット活用術

  JMPで同じ分析を何度も繰り返す中で、深いメニューをたどる操作に手間を感じたことはありませんか。本記事では、累積和管理図を例に、よく使う機能を素早く起動するためのショートカットキーの割り当てと、ツールバーへの登録方法を解説します。登録しておくと、今までの操作がぐっとラクになり、分析に集中できることでしょう。

  Masukawa_Nao

  Naohiro Masukawa |

  Apr 26, 2026 9:35 PM

  412 views | 1 replies
  

• 限られた試行で空間を網羅する 　～Space Filling計画の実践～

  あなたは環境調査員です。東京都全域（離島を除く）の大気汚染状況を調べたいと考えていますが、時間やコストの都合上、東京都内の任意の50地点でしか調査を行うことができません。 この場合、調査する50地点をどのように決めたら良いでしょうか。東京都全域を対象とするため、可能な限り調査地点を偏らないようにすることが重要です。その一つの方法として、JMPを用いて得られた結果が、以下の地図に示す50地点のプロットです。

  Masukawa_Nao

  Naohiro Masukawa |

  Apr 5, 2026 5:38 PM

  606 views | 2 replies
  

• スペクトルデータを用いた食品識別のための分類モデル構築例

  本記事では、スペクトルデータに対し機械学習手法を用い、試料を識別するための分類モデルを構築する例を示します。 下図は、イチゴピューレの中赤外分光（FT-IR）データを可視化したものです。
  左側の赤はイチゴピューレ、右側の青色は非イチゴピューレ（イチゴが含まれていない果実由来のピューレ）のスペクトルを示しています。  

  Masukawa_Nao

  Naohiro Masukawa |

  Apr 5, 2026 5:37 PM

  685 views | 0 replies
  

• 「時系列分析」により2026年の出生数を予測　～増加が見込まれる唯一の都道府県とは？～

  日本の出生数の減少が止まりません。下図は、先日公表された日本の出生数（速報値）をもとに、都道府県ごとの過去10年（2015年～2025年）の出生数の減少率を地図上に表したものです。最大で48.1%（秋田県）、最小でも20.7%（東京都）と、大きく減少しています。

  Masukawa_Nao

  Naohiro Masukawa |

  Mar 8, 2026 9:37 PM

  3239 views | 0 replies
  

• 日本発祥の「絵文字」をデータ分析で活かす　～新機能の「タグ」を用いて～

  次のデータテーブルをご覧ください。野菜や果物の絵がたくさんあり、楽しそうですね！ 変数名は日本語で書かれていますが、日本語が分からなくても、それぞれの絵を見れば、その変数が何を示しているのか想像できるはずです。このデータは、野菜や果物について、日ごとの消費額を入力したものです。 データの出典：家計調査（総務省）   絵文字は日本発祥 このデータテーブルの彩りは、変数に絵文字のタグを付けることで実現しています。 絵文字（emoji）は、その単語から分かるように日本発祥のものです。絵文字はUnicodeに含まれているため、現在では世界標準として利用されています。 昨年9月にリリースした最新バージョン「JMP 19」では、列にタグを割り当てる機能が追加され、タグとして絵文字が選べるようになりました。 絵文字を用いることによって、見た目を華やかにするだけでなく、実務的にも役立つ場面が多くありま...

  Masukawa_Nao

  Naohiro Masukawa |

  Feb 17, 2026 5:35 PM

  516 views | 0 replies
  

• 溶出曲線の類似性評価とは 　～f2 と信頼区間を用いた溶出挙動の類似性評価 ～

  医薬品開発において「溶出試験」とは、薬が体の中でどのような挙動を示すかを、試験管内で調べる試験のことを指します。 例えばジェネリック医薬品では、有効成分は同じでも、添加物や製造方法などの処方が変更されることがあります。その際、一定時間ごとに溶出率（有効成分が溶け出した割合）を測定し、変更前の製剤と変更後の製剤を比較して、溶出の傾向が類似していることを示す必要があります。 下図は、横軸を時間（分）、縦軸を溶出率とした、溶出曲線と呼ばれるものです。pH4.5、pH6.0、または水（Water）を試験液として用いた場合について、試験製剤（Test）と標準製剤（Reference）の時間ごとの溶出率をプロットし、折れ線で結んでいます。 *実際にY軸にプロットされている点は、複数のサンプル製剤の溶出率の平均値となります。 3種類の試験液における2つの曲線を比較すると、時間とともに溶出率が上昇し、1...

  Masukawa_Nao

  Naohiro Masukawa |

  Jan 21, 2026 4:03 PM

  748 views | 0 replies
  

• JMPのボルケーノプロットで重要要因を直感的に深掘りする（操作動画あり）

  下のグラフは火山が噴火しているように見えることから、ボルケーノプロット（Volcano Plot）と呼ばれています。 もともと遺伝子解析の分野で用いられているプロットで、多数の遺伝子発現量をグループ間（例：性別や遺伝子型など）で比較する際に、差の大きさと有意性を同時に可視化するために使用されます。 ただし、遺伝子解析に限らず、多数の変数の中から重要なものを効率的にスクリーニングする用途でも利用できます。例えば、工程データにおいて、改善前と改善後の多くのパラメータを比較し、影響の大きい工程を抽出するといった場面でも有効です。 ボルケーノプロットは、差の大きさと有意性という統計量を2次元上に表現したグラフですが、JMPではグラフ上から直接データを深掘りできるため、スクリーニング作業を効率化できます。 また JMP 19 では、ボルケーノプロットに関する新機能も追加されています。本記事では、そ...

  Masukawa_Nao

  Naohiro Masukawa |

  Dec 25, 2025 4:33 PM

  1944 views | 0 replies
  

• JMPを使ってデータの欠測値を効率よく調べる3つの手順

  以下のデータは、各国の年ごとの GDP を示したものです。1960 年から 2024 年までの各年が、それぞれ 1 つの列（変数）として構成されています。そのため、1 行が 1 つの国の GDP の推移を表しています。 データを眺めていると、ところどころに欠測値が存在することが分かります。 データの出典：世界銀行（https://www.worldbank.org/）取得日：2025/12/16    このデータにおいて欠測値になっている理由としては、統計の取得体制の問題や、まだ調査・集計が行われていないことなどが考えられます。この後、国ごとのGDPのトレンド把握や国同士の比較を行うのであれば、まずはデータの欠測値の状況を把握しておくことが重要です。 データ中の欠測値を調べる方法として、JMPでは「欠測値を調べる」という、欠測値のパターンを確認したり、補完を行ったりできるプラットフォーム...

  Masukawa_Nao

  Naohiro Masukawa |

  Dec 23, 2025 5:06 PM

  638 views | 0 replies
  

• 仕様限界内に収めるための因子設定 　～「シミュレーション実験」によるアプローチ～

  JMPの「予測プロファイル」では、「満足度の最大化」を用いることで、各応答の目的（大きい方が良い・小さい方が良い・目標値に合わせる）をできるだけ同時に満たすような因子（説明変数）の組み合わせ、いわゆる最適条件を求められます。 ただし求められた因子の最適値は、あくまで1つの点であり、実際の工程では、温度や湿度などを最適値ぴったりに制御するのは難しく、さらに環境要因などにより、因子は最適値のまわりでばらつきをもって変動すると考えるのが自然です。 因子がばらつくのであれば、それに応じて応答もばらつくことになるので、応答の値も分布を構成します。もし応答に仕様範囲（LSL：下側、USL：上側）が設定されている場合、その分布の一部が仕様限界を超え、不適合が発生する可能性があります。 下図は、因子がばらつくことを想定したときの応答（Error1）の分布の例です。ヒストグラムを見ると、仕様範囲外に位置す...

  Masukawa_Nao

  Naohiro Masukawa |

  Dec 18, 2025 4:03 PM

  1154 views | 2 replies
  

• 複数の工程パラメータを 1 つのグラフで比較する方法　～　JMP 19新機能「複数のY軸」の利用～

  下のグラフのY軸に着目してください。Y軸が6つもあります！ 最新版の「JMP 19」では、「グラフビルダー」において、複数のY軸を1つのグラフに表示する「複数のY軸」のオプションが追加されました。 このグラフのように、複数のY変数を1つのグラフで表現することで、次のようなメリットが得られます。 スケールの異なる変数でも、同じ時間軸でトレンド比較できる変化したタイミングを把握・比較しやすい変数間の関連性（相関）を把握しやすい   ただし、これらのメリットを得られる他のグラフ作成方法も考えられます。 本記事では、工程トレンドを調べるデータに対し、JMPの「グラフビルダー」を使って、複数の工程を効果的に視覚化する方法を考えてみます。   工程データ例と共通のY軸でのグラフ化 以下は、3つの機械（Machine1～Machine3）を使って製品を製造したときの工程データです。各機械について、1秒...

  Masukawa_Nao

  Naohiro Masukawa |

  Dec 14, 2025 9:37 PM

  1239 views | 1 replies
  

• 傾向スコアマッチング　～「因果処置効果」プラットフォームで実践する方法　～

  今年の9月に、JMP製品は最新バージョンである「19」にアップデートしました。 このアップデートにより「JMP Pro」および「JMP Student Edition」には新たに「因果処置効果」というプラットフォームが追加され、傾向スコアマッチング(Propensity Score Matching)による分析を実施できるようになりました。 本記事では、この「因果処置効果」プラットフォームを用いて傾向スコアマッチングを実施する方法を、例題を用いて解説します。   傾向スコアマッチングの例題 ある医療処置の効果を調べるために、181名の患者データを収集した。各患者は「医療処置を受けた／受けていない」のいずれかに分類され、アウトカム（効果あり・なし）が判定されている。 処置やアウトカムと関連があると考えられる患者特性として、性別、年齢、喫煙歴、BMI、重症度スコアを共変量とする。   アウト...

  Masukawa_Nao

  Naohiro Masukawa |

  Dec 4, 2025 11:59 PM

  2485 views | 0 replies
  

• こんなこともできる！「JMP 19」の新機能　～ その3. 新しい Col () 関数とその利用例 ～

  
  
  

  Masukawa_Nao

  Naohiro Masukawa |

  Oct 22, 2025 12:40 AM

  1857 views | 0 replies
  

• こんなこともできる！「JMP 19」の新機能　～　その2. 「Games-Howell検定」：等分散性を仮定しない平均の比較　～

  最新バージョン「JMP 19」では、「二変量の関係」プラットフォームの「一元配置分析」（Yに連続尺度、Xに名義・順序尺度を指定）のレポートにおいて、「Games-Howell検定」による平均の比較を行うオプションが追加されました。     ----------------------------------------------------------------------------------------------------------------- Games-Howell検定（JMPのホバーヘルプの説明より） すべてのペアの平均を比較する検定であり、また「各グループの誤差分散がすべて等しい」と仮定できない状況に対処した検定である。 -----------------------------------------------------------------------...

  Masukawa_Nao

  Naohiro Masukawa |

  Oct 8, 2025 9:05 PM

  1632 views | 0 replies
  

• こんなこともできる！「JMP 19」の新機能　～　その1. 「多重応答」を使ったフィルタリング、集計　～

  ついに、新しいバージョン「JMP 19」がリリースされました！   もちろん「JMP 19」ではさまざまな機能が追加されています。主な新機能やアピールポイントについては、別のブログポストで紹介されています（原文は英語）。   そこで私の方では、あまり大々的にアピールはされていないけども、ユーザにとって便利で有用だと思える機能を数回にわたり紹介していきます。   第1回となる今回は、消費者調査や満足度調査などで役立つ「多重応答」についての新機能を取り上げます。JMP 19では「多重応答」列を用いたフィルタリング、集計表の作成ができるようになりました。     多重応答とJMPの設定 多重応答とは、アンケート調査などにおける「複数回答」（当てはめるものをすべて、あるいはいくつか選択して回答する形式）に対応するJMPの尺度やプロパティです。   下図は、ある企業研修のアンケートの回答をまとめた...

  Masukawa_Nao

  Naohiro Masukawa |

  Sep 23, 2025 7:27 PM

  1943 views | 0 replies
  

• 変量効果モデルによる「室内再現精度」と「併行精度」の算出　～医薬品開発における精度の評価～

  本記事では、医薬品開発における精度評価で用いられる「室内再現精度（Intermediate precision）」と「併行精度（Repeatability）」をJMPを用いて算出する方法を例題に沿って説明します。   この記事を書くきっかけとなったのは、最近公開した小野薬品工業株式会社様のユーザー事例 です。この事例の中では、室内再現精度や併行精度の評価方法として、制限付き最尤法（REML）を用いて分散成分を推定するといったコメントがあります。   この事例をご覧になったユーザーから「この方法を詳しく説明してほしい」という要望をいただいたため、本記事を執筆することにしました。   室内再現精度と併行精度とは ここでいう「精度」とは、同一試料（検体）を複数回測定した際の測定値間のばらつきを評価することを指します。   医薬品のガイドラインである「ICH-Q2  分析法バリデーション」では、次...

  Masukawa_Nao

  Naohiro Masukawa |

  Sep 15, 2025 4:42 PM

  3611 views | 2 replies
  

• 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

  Naohiro Masukawa |

  Aug 17, 2025 5:00 PM

  1597 views | 0 replies
  

• 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

  Naohiro Masukawa |

  Jul 21, 2025 5:00 PM

  1566 views | 0 replies
  

• 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

  Naohiro Masukawa |

  Jul 16, 2025 5:00 PM

  1396 views | 0 replies
  

• 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

  Naohiro Masukawa |

  Jul 9, 2025 11:45 PM

  1505 views | 0 replies