Brauchen wir Mathematikkenntnisse für die Gestaltung von Experimenten?<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Ich verwende SAS JMP, um multivariate Testexperimente (MVT, Regression) auszuführen, erstellt einen Testplan und führt eine Regressionsanalyse durch, um signifikante Auswirkungen zu definieren. Das Wichtigste ist, die Fallstricke zu interpretieren und zu kennen.
Mathematische Berechnungen als solche sind nicht erforderlich.
Ich habe statistische Bücher wie Montgomery Design of Experiments gelesen und sie sind normalerweise voller Formeln.
Ich kann immer noch nicht verstehen, wie sie in der realen Welt verwendet werden.
Ja, ich verstehe, dass ich Konzepte, verschiedene Arten von Designs, statistische Grundlagen wie p-Wert, Standardabweichung, Berechnung der richtigen Stichprobengröße usw. kennen muss.
Ich spreche über Versuchsplanung, hauptsächlich in den Bereichen Webmarketing und Benutzererfahrung.
Re: Brauchen wir Mathematikkenntnisse für die Gestaltung von Experimenten?Ich habe mit DoE viel Erfolg gehabt, ohne diese Formeln zu verstehen.
Re: Brauchen wir Mathematikkenntnisse für die Gestaltung von Experimenten?Ich werde empfehlen, sich NICHT auf Mathematik zu konzentrieren ... so häretisch, wie es sich für einen Statistiker anhört. Konzentrieren Sie sich auf Folgendes:
1 Der zu untersuchende Prozess. Faktoren (Kontrolle, Belästigung und Lärm). Antworten (kontinuierliche, kategoriale, wiederholte Messungen usw.). Das Messsystem. Wie funktioniert der Prozess eigentlich? Tu nichts anderes, bis du das weißt.
2 Machen Sie sich nicht einmal Gedanken über Ihr Design oder Ihre Analyse, bis Sie ein bestimmtes experimentelles Ziel und ein Ziel formuliert haben, das ein praktisches Problem anspricht ... nicht einige Design- oder Analyseanforderungen.
3. Finden Sie dann im Einklang mit dem Denken meines Kollegen Mike Anderson das effizienteste experimentelle Design. Effizienz ist und ist für mich nicht auf ausschließlich mathematische Kriterien wie Optimalitätskriterien beschränkt, sondern breiter. Effizienz ist für mich das Design, das die erforderlichen Informationen für den geringsten Ressourcenverbrauch liefert.
4 Was wissen Sie über Ihr Messsystem für Ihre Reaktionen in Bezug auf Eigenschaften wie Wiederholgenauigkeit, Reproduzierbarkeit, Linearität usw.?
5 Gehen Sie zu Gemba, wenn das Experiment durchgeführt / durchgeführt wird, wenn möglich. Gehen Sie nicht davon aus, dass die Designmatrix ausgeführt wird, wie Sie sie auf ein Blatt Papier geschrieben und jemandem zum Laufen gegeben haben.
6 Schließlich, wenn Sie zur Analyse kommen ... Ich habe drei Regeln für eine erfolgreiche Analyse der experimentellen Entwurfsergebnisse: Regel 1: Zeichnen Sie die Daten auf; Regel 2: Zeichne die Daten auf; Regel 3: Zeichnen Sie die Daten auf. Dies ist das Markenzeichen von JMP ... sicher, dass JMP die Berechnungen unter der Haube durchführt, aber angesichts der Fülle von grafischen Analysetechniken, die in JMP verfügbar sind, sollte Mathematik die geringste Sorge sein.
Viel Glück!
Re: Brauchen wir Mathematikkenntnisse für die Gestaltung von Experimenten?Kurz gesagt: Beim experimentellen Design geht es darum, aus den für die Datenerfassung bereitgestellten Ressourcen den größtmöglichen Nutzen und die besten Informationen zu gewinnen. Es kann auch als Rahmen für die Einhaltung experimenteller Best Practices dienen (Überprüfung der statistischen Signifikanz, Randomisierung, Stichprobengröße usw.). In den Bereichen Marketing und User Experience sowie verwandten Themen wie dem Erstellen von Umfragen gibt es tatsächlich viel experimentelles Design. Wenn Sie Beispiele aus der realen Welt erhalten möchten, sehen Sie sich den Bereich JMP Discovery Series an ( https://community.jmp.com/community/discovery-summit-series ). Wenn Sie sich für das Thema im Allgemeinen interessieren, können Sie auch einige der Webinare überprüfen, die wir zu diesem Thema gepostet haben.
Beste,
M
Re: Brauchen wir Mathematikkenntnisse für die Gestaltung von Experimenten?Vielen Dank für diesen Vorschlag. Ich habe dieses Buch bereits gelesen, aber ich denke, ich werde es noch einmal lesen. Ich kenne auch ein Buch von Paul Berger Experimental Design with Applications in Management, habe es aber noch nicht gelesen.
Re: Brauchen wir Mathematikkenntnisse für die Gestaltung von Experimenten?Vielen Dank für den Vorschlag. Ich habe diese Bücher, habe sie aber noch nicht gelesen. Ich mochte den Dialogstil.
Halten Sie dieses Buch für ausreichend, um die praktischen Fallstricke von DOE und die wesentlichen Statistiken zu verstehen?
Welche mathematischen Themen muss ich studieren, um grundlegende Formeln in DOE zu verstehen?
Ich verstehe grundlegende Formeln, aber so etwas verwirrt mich:
Re: Brauchen wir Mathematikkenntnisse für die Gestaltung von Experimenten?Vielleicht möchten Sie auschecken
Test 1,2,3 Experimentelles Design im Marketing- und Servicebereich von Johannes Ledolter und Arthur J. Swersey
http://www.sup.org/books/title/?id=4513
Re: Brauchen wir Mathematikkenntnisse für die Gestaltung von Experimenten?Ich stimme in dem Punkt überein, dass viele Bücher voller Formeln sind, mehr als die typischen Benutzeranforderungen.
Andererseits zielt das Design von Experimenten immer darauf ab, die richtigen Daten für eine bestimmte Art der Datenanalyse zu generieren. Am Ende: Was ist der Sinn, gute Daten für eine Analyse zu erhalten, die Sie nicht wirklich verstehen? Je besser Sie die Regressionsanalyse verstehen, desto mehr lernen Sie von Ihrem DOE.
Daher halte ich es für unerlässlich, die Statistiken, die bei der Analyse Ihrer DOEs verwendet werden, gut zu verstehen. Zu wissen, was ein p-Wert ist, ist natürlich ein Anfang, aber ein gutes Verständnis über mögliche Probleme und was sie für Ihren Prozess bedeuten, ist so wertvoll.
Ich würde empfehlen, an einem DOE-Kurs teilzunehmen, der von jemandem mit Erfahrung in der praktischen DOE-Erfahrung gehalten wird, oder ein praxisorientiertes Buch zu lesen, das nicht die wesentlichen Statistiken überspringt, wie das von Peter Goose und Bradley Jones: Optimales Design von Experimenten - eine Fallstudie Ansatz ( Wiley: Optimales Design von Experimenten: Ein Fallbeispiel - Peter Goos, Bradley Jones ).
