Hallo zusammen,
Ich suche Hilfe bei der Bestimmung der statistisch korrekten Stichprobe für mein Experiment.
Nachfolgend finden Sie das Szenario und die angegebenen Daten:
Hypothese: Die neue Chemikalie Z, die in Prozess A verwendet wird, weist keinen signifikanten Unterschied in Prozess Sigma A auf.
Matrix: Ich habe 3 Zellen auszuwerten
Zelle 1: POR , Chemikalie X
Zelle 2: Chemikalie Z1 (bestimmte Konzentration)
Zelle 3: Chemikalie Z2 (bestimmte Konzentration)
Prozess-Sigma: 9,5
Wie verwende ich diese Angaben, um die entsprechende Stichprobengröße zu berechnen?
Es gibt mehrere bekannte Methoden, um auf gleiche Varianzen zu testen: Barletts, Levenes, Cochrans und ein Klassiker, Hartleys maximaler F-Test.
Hartleys maximaler F-Test zur Kontrolle von Alpha führt einen F-Test auf der größten Varianz der 3 (k) Gruppen im Vergleich zur kleinsten Varianz der Gruppen durch.Wenn dieser F-Test nicht signifikant ist, wird davon ausgegangen, dass die Gruppen eine äquivalente Varianz (std dev) aufweisen.
Beachten Sie, dass empfohlen wird, die gleiche Stichprobengröße zu verwenden, um diese Tests robuster zu machen.
Es ist viel einfacher, die Trennschärfe und den Stichprobenumfang für Hartleys maximales F zu berechnen. Unter Verwendung einer gedruckten Tabelle aus einem alten statistischen Kurs für Alpha = Beta = 0,05, um eine 50%ige Erhöhung der Standardabweichung zu erkennen, Lambda = Sigma (max) / Sigma (min) = 1,5, sollte jede Gruppe 81 Proben haben . Um Lambda = 2,0 zu erkennen (die Standardabweichung einer Gruppe ist doppelt so hoch wie die einer anderen Gruppe), sollte jede Gruppe n = 30 haben.
Früher hatte ich ein JSL-Skript, um dies für Hartleys Maximum F zu berechnen, ich muss meine Archive überprüfen.
Vielleicht hat einer der Blog-Mitwirkenden einen Link, den er teilen kann.JMP Oneway gibt die Bartlett-, Levene-, O'Brien- und Brown-Forsythe-Tests für gleiche Varianz aus, der DOE > Stichprobenumfangs- und Power-Rechner enthält jedoch keinen zweiseitigen, zweiseitigen Test zur Berechnung gleicher Varianz.
Ein anderer Ansatz besteht darin, eine wiederholte Simulation Ihres Designs, 3 Gruppen, n = mit dem std dev Lambda einer Gruppe mal einer anderen zu verwenden. Erhalten Sie für jede Simulation die Ergebnisse der Varianztests. Berechnen Sie dann, wie oft jeder Test diese ungleichen Varianzen kennzeichnet.Dann ist Macht = Farction von Flags und Beta = 1 - Bruchteil von Flags.
Natürlich ist es ebenso wichtig wie n, wie die Daten gesammelt werden, damit die Versuchsergebnisse die wahre Variabilität (Sigma) für diese Gruppe darstellen.
