Diversi risultati analizzano Plackett Burman usando Statistica e JMP Pro 12Hey!
Ho iniziato a utilizzare JMP Pro 12 solo ieri e sto attualmente cercando di padroneggiare l'uso della funzione DOE.
Precedentemente al mio lavoro uno studente ha progettato una matrice di Plackett Burman utilizzando 11 fattori in 12 esperimenti. Sono stati ottenuti dati sperimentali per la concentrazione di proteine. Questi esperimenti sono stati analizzati utilizzando Statistica che ha portato a 4 fattori significativi con valori di p inferiori a 0,01. Ora stiamo usando JMP Pro sperando che sarebbe più comodo lavorare con. Ma una volta che ho inserito i dati e utilizzato lo strumento di analisi -> modellazione -> di screening, come spiegato nel profilo, finisco con gli stessi 4 fattori che contribuiscono maggiormente, ma con valori P superiori a 0,3. Qualche idea su cosa avrei potuto fare di sbagliato, come si sono arrivati a questi risultati completamente diversi?
Grazie 
Ri: Diversi risultati che analizzano Plackett Burman usando Statistica e JMP Pro 12La piattaforma Screening funge da ponte tra i tuoi dati e le tue analisi di regressione. Lo scopo è identificare rapidamente gli effetti attivi secondo i principi dello screening. Puoi cliccare Fare il modello (aprire la finestra di dialogo Fit Model) o Esegui modello (apri i minimi quadrati adatti) in basso per portare i contrasti attualmente selezionati come effetti in un'analisi di regressione.
Mi sembra che se davvero solo 4 dei 11 fattori candidati sono attivi, allora hai una buona possibilità di ottenere almeno un'approssimazione del primo ordine alla risposta con possibilmente alcuni effetti di interazione. Questa approssimazione potrebbe essere sufficiente per ottimizzare la risposta o per guidarvi nell'aumentare l'esperimento iniziale con esecuzioni aggiuntive per migliorare il modello e, quindi, l'ottimizzazione.
Ri: Diversi risultati che analizzano Plackett Burman usando Statistica e JMP Pro 12Ah capito! Grazie!
Ri: Diversi risultati che analizzano Plackett Burman usando Statistica e JMP Pro 12Per portare avanti la risposta di Peter un po 'di più, il design PB è per lo screening. Nel tuo caso, le 12 piste sono state progettate per schermare gli 11 fattori. L'approccio di screening, in generale, e la progettazione PB, in particolare, hanno successo quando i principi di screening di effetto sparsità , eredità , e gerarchia tenere. La proprietà di proiezione di un progetto di screening spesso consente di costruire un modello con effetti principali e interazioni a due fattori senza esecuzioni aggiuntive per il piccolo numero di fattori attivi tra il gran numero di fattori candidati che sono stati sottoposti a screening. (Si noti che i disegni a due livelli precludono la curvatura del modello nella risposta).
Quindi la modellazione è limitata dal design, o per capovolgere la relazione, il design adeguato segue il modello previsto. Se il tuo modello realistico è più complicato (molti fattori attivi con molti effetti, lineare e non lineare), allora il design deve essere anche più complicato di un disegno di screening.
Se (approssimativamente) più della metà dei fattori candidati nell'esperimento sono attivi o se l'entità degli effetti non è molto più grande della deviazione standard della risposta, è possibile che i fattori attivi non vengano rilevati correttamente. Semplicemente non ci sono abbastanza dati e non tutta la combinazione di livelli necessari per risolverli in quel caso.
L'analisi iniziale potrebbe fornire qualche intuizione, però. È anche possibile utilizzare i dati PB esistenti e aumentarli per aumentare la capacità di modellare la risposta senza ricominciare da capo.
Ri: Diversi risultati che analizzano Plackett Burman usando Statistica e JMP Pro 12A 12 run per 11 fattori Plackett-Burman design è una forma di un design di schermatura super saturo. Di solito questi tipi di design sono usati per identificare i fattori altamente influenti in un sistema con un occhio verso un piano di risoluzione dei problemi che include la successiva sperimentazione con questi fattori in progetti alternativi più adatti agli obiettivi di ottimizzazione del processo.
Ri: Diversi risultati che analizzano Plackett Burman usando Statistica e JMP Pro 12Quello che vorrei sapere è quale degli 11 fattori sta distribuendo il cambiamento nel rendimento proteico in modo significativo. Nei 12 esperimenti sono state utilizzate diverse composizioni dei fattori. La resa proteica è stata misurata per tutti i 12 esperimenti. Vorremmo massimizzare la resa del prodotto. Se ho 11 fattori che contribuiscono alla produzione di un singolo prodotto per esperimento, posso analizzarlo utilizzando una semplice analisi di regressione?
Mi dispiace, un po 'confuso su tutta la faccenda.
Ri: Diversi risultati che analizzano Plackett Burman usando Statistica e JMP Pro 12Grazie per la rapida risposta!
È questo il capitolo completo dei disegni fattoriali? Mi sembra che avrei bisogno di più dei 12 esperimenti che sono stati fatti per 11 diversi fattori?
Ri: Diversi risultati che analizzano Plackett Burman usando Statistica e JMP Pro 12Vedere Aiuto > Libri > Guida alla progettazione di esperimenti > Capitolo 10: La piattaforma di screening su due livelli .
Ri: Diversi risultati che analizzano Plackett Burman usando Statistica e JMP Pro 12L'analisi di regressione in JMP dovrebbe produrre gli stessi risultati di Statistica.
La piattaforma di Screening utilizza un approccio diverso che opera secondo i principi di screening della scarsità di effetti, gerarchia ed ereditarietà. Crea contrasti basati su questi principi per essere ortogonali. Sono probabilmente le stesse delle stime dei parametri nel caso di un progetto PB. I contrasti vengono aggiunti in base ai principi fino a quando il modello non è saturo, quindi non ci sono gradi di libertà per stimare l'errore. Gli errori pseudo-standard di Lenth sono calcolati e usati per calcolare i t-ratios. Questi rapporti non hanno una distribuzione t di Student, tuttavia, quindi una distribuzione campionaria empirica viene calcolata mediante una simulazione Monte Carlo. La simulazione produce valori p individuali e simultanei per il confronto e il controllo sperimentale degli errori di tipo I.
