Verschiedene Ergebnisse zur Analyse von Plackett Burman mit Statistica und JMP Pro 12Hallo!
Ich habe erst gestern mit JMP Pro 12 angefangen und versuche gerade, die DOE-Funktion zu beherrschen.
Vor meiner Arbeit hat ein Student eine Plackett-Burman-Matrix mit 11 Faktoren in 12 Experimenten entworfen. Es wurden experimentelle Daten für die Proteinkonzentration erhalten. Diese Experimente wurden unter Verwendung von Statistica analysiert, was 4 signifikante Faktoren bei p-Werten unter 0,01 ergab. Jetzt verwenden wir JMP Pro in der Hoffnung, dass es bequemer ist, damit zu arbeiten. Sobald ich die Daten eingegeben und das Analyse-> Modellierungs-> Screening-Tool wie in der Gliederung beschrieben verwendet habe, ende ich mit den gleichen 4 Faktoren wie die meisten, aber mit p-Werten über 0,3. Irgendeine Idee, was ich falsch gemacht haben könnte, wie diese völlig unterschiedlichen Ergebnisse wurden?
Vielen Dank 
Betreff: Unterschiedliche Ergebnisse bei der Analyse von Plackett Burman mit Statistica und JMP Pro 12Die Screening-Plattform dient als Brücke zwischen Ihren Daten und Ihrer Regressionsanalyse. Ziel ist es, die aktiven Wirkungen nach den Grundsätzen des Screenings schnell zu erkennen. Sie können klicken Modell erstellen (öffnen Sie das Dialogfeld "Modell anpassen") oder Modell ausführen (öffnen Sie die Anpassungsquadrate) am unteren Rand, um die aktuell ausgewählten Kontraste als Effekte in einer Regressionsanalyse zu verwenden.
Es scheint mir, dass, wenn wirklich nur 4 der in Frage kommenden 11 Faktoren aktiv sind, Sie eine gute Chance haben, zumindest eine Annäherung erster Ordnung mit möglichen Interaktionseffekten zu erhalten. Diese Annäherung kann ausreichen, um die Reaktion zu optimieren oder um das anfängliche Experiment mit zusätzlichen Durchläufen zu verbessern, um das Modell und somit die Optimierung zu verbessern.
Betreff: Unterschiedliche Ergebnisse bei der Analyse von Plackett Burman mit Statistica und JMP Pro 12Ich habe es verstanden! Vielen Dank!
Betreff: Unterschiedliche Ergebnisse bei der Analyse von Plackett Burman mit Statistica und JMP Pro 12Um die Antwort von Peter etwas weiter zu tragen, ist das PB-Design für das Screening gedacht. In Ihrem Fall sollten die 12 Läufe die 11 Faktoren überprüfen. Der Screening-Ansatz im Allgemeinen und das PB-Design im Besonderen sind erfolgreich, wenn die Screening-Prinzipien von Effekt spärlich . Vererbung , und Hierarchie halt. Die Projektionseigenschaft eines Screening-Designs ermöglicht es Ihnen häufig, ein Modell mit Haupteffekten und Zwei-Faktor-Wechselwirkungen ohne zusätzliche Läufe für das zu erstellen klein Zahl der aktiven Faktoren unter der großen Anzahl der geprüften Kandidatenfaktoren. (Beachten Sie, dass die Zwei-Ebenen-Designs die Modellierungskrümmung in der Antwort ausschließen.)
Die Modellierung ist also durch das Design eingeschränkt, oder um diese Beziehung umzudrehen, folgt das adäquate Design dem beabsichtigten Modell. Wenn Ihr realistisches Modell komplizierter ist (viele aktive Faktoren mit vielen Effekten, linear und nicht linear), muss das Design auch komplizierter sein als ein Screening-Design.
Wenn (etwa) mehr als die Hälfte der möglichen Faktoren des Experiments aktiv sind oder wenn die Stärke der Effekte nicht viel größer als die Standardabweichung der Antwort ist, werden die aktiven Faktoren möglicherweise nicht richtig erkannt. Es sind einfach nicht genügend Daten vorhanden und nicht alle erforderlichen Kombinationen von Ebenen, um sie in diesem Fall auszusortieren.
Die anfängliche Analyse könnte jedoch einige Erkenntnisse liefern. Es ist auch möglich, die vorhandenen PB-Daten zu verwenden und zu erweitern, um die Antwortfähigkeit zu modellieren, ohne von vorn zu beginnen.
Betreff: Unterschiedliche Ergebnisse bei der Analyse von Plackett Burman mit Statistica und JMP Pro 12Ein Plackett-Burman-Design mit 12 Durchläufen für 11 Faktoren ist eine Form eines supergesättigten Screening-Designs. Normalerweise werden diese Arten von Entwürfen verwendet, um stark einflussreiche Faktoren in einem System zu identifizieren, die auf einen Problemlösungsplan abzielen, der nachfolgende Experimente mit diesen Faktoren in alternativen Entwürfen beinhaltet, die für Prozessoptimierungsziele geeignet sind.
Betreff: Unterschiedliche Ergebnisse bei der Analyse von Plackett Burman mit Statistica und JMP Pro 12Was ich gerne wissen würde, ist, welcher der elf Faktoren sich signifikant auf die Veränderung der Proteinausbeute verteilt. In den 12 Versuchen wurden unterschiedliche Zusammensetzungen der Faktoren verwendet. Die Proteinausbeute wurde für alle 12 Experimente gemessen. Wir möchten die Produktausbeute maximieren. Wenn ich elf Faktoren habe, die zu einer einzigen Produktausbeute pro Experiment beitragen, kann ich das sogar anhand einer einfachen Regressionsanalyse analysieren?
Entschuldigung, irgendwie verwirrt über die ganze Sache.
Betreff: Unterschiedliche Ergebnisse bei der Analyse von Plackett Burman mit Statistica und JMP Pro 12Danke für die schnelle Antwort!
Ist dies das vollständige Kapitel über faktorielle Entwürfe? Es liest sich für mich so, als würde ich mehr als die 12 Experimente benötigen, die für die 11 verschiedenen Faktoren durchgeführt wurden.
Betreff: Unterschiedliche Ergebnisse bei der Analyse von Plackett Burman mit Statistica und JMP Pro 12Sehen Hilfe > Bücher > Anleitung zum Design von Experimenten > Kapitel 10: Die Fit Two Level Screening-Plattform .
Betreff: Unterschiedliche Ergebnisse bei der Analyse von Plackett Burman mit Statistica und JMP Pro 12Die Regressionsanalyse in JMP sollte die gleichen Ergebnisse wie Statistica ergeben.
Die Screening-Plattform verwendet einen anderen Ansatz, der nach den Prinzipien des Screenings nach Spektarität, Hierarchie und Vererbung arbeitet. Es schafft Kontraste, die auf diesen Prinzipien basieren, um orthogonal zu sein. Sie sind wahrscheinlich mit den Parameterschätzungen im Fall eines PB-Designs identisch. Kontraste werden basierend auf den Prinzipien hinzugefügt, bis das Modell gesättigt ist. Daher gibt es keine Freiheitsgrade für die Abschätzung des Fehlers. Die Pseudo-Standardfehler von Lenth werden berechnet und zur Berechnung der t-Verhältnisse verwendet. Diese Verhältnisse haben jedoch keine Student-t-Verteilung, daher wird eine empirische Stichprobenverteilung durch eine Monte-Carlo-Simulation berechnet. Die Simulation liefert individuelle und simultane p-Werte zur vergleichs- und experimentellen Kontrolle von Typ-I-Fehlern.
