StatisticaとJMP Pro 12を使用してPlackett Burmanを分析したさまざまな結果こんにちは！
私は昨日だけJMP Pro 12を使い始めました、そして現在DOE機能を使ってマスターしようとしています。
私の仕事の前に、学生は12の実験で11の因子を使ってPlackett Burman行列を設計しました。タンパク質濃度についての実験データが得られた。これらの実験をStatisticaを用いて分析したところ、0.01未満のp値で4つの有意な因子が得られた。今、私たちはJMP Proを使っているのです。しかし、概要で説明したように、データを入力して分析 - >モデリング - >スクリーニングツールを使用すると、最も貢献度が高いのと同じ4つの要素が得られますが、p値は0,3を超えます。私が間違ったことをしたという考え、これらの完全に異なる結果がどうなるかという考えはありますか？
ありがとうございました ：）
再：StatisticaとJMP Pro 12を使用してPlackett Burmanを分析したさまざまな結果スクリーニングプラットフォームは、データから回帰分析への架け橋として機能します。その目的は、スクリーニングの原則の下で積極的な効果をすばやく特定することです。クリックできますモデルを作る （Fit Modelダイアログを開く）または実行モデル現在選択されているコントラストを回帰分析の効果として表示するには、一番下にある（最小二乗法を開く）。
実際に候補となる11の要素のうち4つのみがアクティブになっているのであれば、おそらくいくつかの相互作用効果を伴って、応答に対して少なくとも1次の近似を得る良い機会があると思います。この近似は、応答を最適化するため、またはモデルを改善するための追加の実行、したがって最適化を使用して初期実験を強化する際にユーザーをガイドするのに十分な場合があります。
再：StatisticaとJMP Pro 12を使用してPlackett Burmanを分析したさまざまな結果ああ、それを手に入れました！ありがとうございました！
再：StatisticaとJMP Pro 12を使用してPlackett Burmanを分析したさまざまな結果Peterの反応をもう少し進めるために、PBデザインはスクリーニング用です。あなたの場合では、12の実行は11の要因を選別するように設計されていました。一般的なスクリーニングアプローチ、特にPBデザインは、スパース性 、遺伝 、そして階層ホールド。スクリーニング設計の射影特性により、主な効果と2要素の相互作用を持つモデルを作成することができます。小さいスクリーニングされた多数の候補因子の中の活性因子の数。（2段階設計では、応答のモデル化曲率が除外されることに注意してください。）
そのため、モデリングはデザインによって制限されるか、またはその関係を逆にするために、適切なデザインは意図したモデルに従います。現実的なモデルがより複雑な場合（多くの効果を伴う多くのアクティブな要因、線形および非線形）、設計はスクリーニング設計よりも複雑でなければなりません。
実験の（大体）半分以上の候補因子がアクティブである場合、または効果の大きさが応答の標準偏差より大きくない場合は、アクティブな因子をうまく検出できない可能性があります。その場合、それを整理するのに必要なデータが足りず、レベルの組み合わせのすべてが足りないだけです。
ただし、最初の分析からいくらかの洞察が得られるかもしれません。また、既存のPBデータを使用してそれを補強し、やり直さずに応答をモデル化する機能を向上させることもできます。
再：StatisticaとJMP Pro 12を使用してPlackett Burmanを分析したさまざまな結果11ファクターのPlackett-Burmanデザインに対する12回の実行は、過飽和スクリーニングデザインの一形態です。通常、これらのタイプの設計は、プロセス最適化目標により適した代替設計におけるこれらのファクタによるその後の実験を含む問題解決計画を見据えて、システム内の非常に影響力のあるファクタを識別するために使用される。
再：StatisticaとJMP Pro 12を使用してPlackett Burmanを分析したさまざまな結果私が知りたいのは、11の要因のうちどれがタンパク質の収量の変化に大きく影響しているかです。12の実験では、異なる組成の因子を使用した。タンパク質収量は12の実験すべてについて測定した。製品の歩留まりを最大にしたいです。1回の実験で1つの生産量に寄与する11の要因がある場合、単純な回帰分析を使用してそれを分析することさえできますか？
すみません、全体について混乱しているようです。
再：StatisticaとJMP Pro 12を使用してPlackett Burmanを分析したさまざまな結果素早い返信ありがとうございます。
これは完全な要因設計の章ですか？11の異なる要因に対して行われた12以上の実験が必要になると私は思いますか？
再：StatisticaとJMP Pro 12を使用してPlackett Burmanを分析したさまざまな結果見る助けて > 本 > 実験計画の手引き > 第10章：フィット2レベルスクリーニングプラットフォーム 。
再：StatisticaとJMP Pro 12を使用してPlackett Burmanを分析したさまざまな結果JMPの回帰分析では、Statisticaと同じ結果が得られます。
スクリーニングプラットフォームは、効果の希薄性、階層、および遺伝のスクリーニング原則の下で動作する、異なるアプローチを使用します。それは直交するようにこれらの原則に基づいて対比を作成します。それらは、PB設計の場合のパラメータ推定値とおそらく同じです。モデルが飽和するまで、原理に基づいてコントラストが追加されるため、誤差を推定するための自由度はありません。Lenthの擬似標準誤差が計算され、t比を計算するために使用されます。ただし、これらの比率にはスチューデントのt分布はありません。したがって、経験的なサンプリング分布はモンテカルロシミュレーションによって計算されます。シミュレーションは、タイプＩ誤差の比較および実験的制御のための個々のおよび同時のｐ値をもたらす。
