안녕하세요 여러분,
실험에 사용할 통계적으로 올바른 샘플을 결정하는 방법에 대한 도움을 구하고 있습니다.
아래는 시나리오와 주어진 데이터입니다.
가설: 공정 A에서 사용된 새로운 화학물질 Z는 공정 시그마 A와 유의미한 차이가 없습니다.
매트릭스: 평가할 셀이 3개 있습니다.
세포 1: POR, 화학 X
셀 2: 화학물질 Z1(특정 농도)
셀 3: 화학물질 Z2(특정 농도)
프로세스 시그마 : 9.5
주어진 정보를 어떻게 사용하여 적절한 표본 크기를 계산할 수 있을까요?
Barlett 's, Levene 's, Cochran 's 및 고전적인 Hartley의 최대 F 테스트에 대해 동등한 분산을 테스트하는 몇 가지 잘 알려진 방법이 있습니다.
Hartley의 최대 F 테스트는 알파를 제어하기 위해 그룹의 가장 작은 변수에 비해 3 (k) 그룹의 가장 큰 분산에 대해 F- 테스트를 수행합니다. 이 F- 테스트가 중요하지 않은 경우 그룹은 등가 분산 (std dev)을 갖는 것으로 간주됩니다.
이러한 테스트를보다 강력하게 수행하려면 동일한 샘플 크기를 사용하는 것이 좋습니다.
Hartley의 최대 F에 대한 전력 및 샘플 크기를 계산하는 것이 훨씬 쉽습니다. 하드 카피 테이블을 사용하고 오래된 통계 과정을 사용하여, α = β = 0.05에 대해 표준 편차의 50 % 증가를 탐지하면 람다 = 시그마 ( 최대) / σ (최소) = 1.5, 각 그룹은 81 샘플을 가져야합니다. λ = 2.0 (한 그룹의 표준 dev는 다른 그룹의 두 배입니다)을 감지하려면 각 그룹에 n = 30이 있어야합니다.
Hartley의 Maximum F에 대해 이것을 계산하기 위해 JSL 스크립트를 사용 했었지만, 내 아카이브를 점검해야 할 것입니다.
어쩌면 블로그 참여자 중 한 명이 공유 할 수있는 링크가있을 수 있습니다. JMP Oneway는 Bartlett, Levene, O'Brien 및 Brown-Forsythe 테스트의 균등 분산을보고하지만 DOE> 샘플 크기 및 전력 계산기에는 균등 분산 계산을위한 Two-Sample, Two-sided 테스트가 포함되어 있지 않습니다.
또 다른 접근법은 디자인의 반복 된 시뮬레이션을 사용하는 것입니다. 3 개의 그룹은 하나의 그룹의 std dev lambda를 다른 그룹의 std dev 람다와 비교합니다. 각 시뮬레이션에 대해 분산 테스트의 결과를 얻습니다. 그런 다음 각 테스트가 불평등 한 차이를 표시하는 횟수를 계산합니다. 그러면 힘 = 깃발의 원근감, 그리고 베타 = 1 - 깃발의 일부.
물론 n만큼 중요한 것은 데이터가 수집되어 실험 결과가 해당 그룹의 진정한 변동성 (σ)을 나타내는 것입니다.
