測試 - 全因子的樣本量
你好，
我真的需要一些關於樣本大小的幫助，以便為我參與的營銷活動進行完整的因子設計 - 查看響應率。 我想測試4個東西，都有2個級別，不能改變並且是calcategorized。 如果我要進行 4 次單獨的 A/B 測試，單元體積將如下所示：
對照反應率 = 0.6% | | | | | |
| | 成功 | α | 力量 | 側面 | 體積/細胞 | 總容積 |
| 測試 1（A/B） | 提升50% | 0.8 | 0.2 | 1 | 4687 | 9374 |
| 測試 2（A/B） | 提升10% | 0.8 | 0.2 | 2 | 156606 | 313212 |
| 測試 3（A/B） | 提升10% | 0.8 | 0.2 | 2 | 156606 | 313212 |
| 測試 4（A/B） | 提升10% | 0.8 | 0.2 | 2 | 156606 | 313212 |
| | | | | | | |
| | | | | | 全部的： | 949010 |
但我熱衷於研究因素之間的交互作用（僅在 2* 水準）。 我想建立一個 16 個單元的全因子 DOE，但不確定 16 個單元中每個單元使用的樣本大小。 任何幫助將不勝感激。
如果需要更多信息，請告訴我
謝謝，LP
回覆：測試 - 全階乘的樣本大小嗨菲爾，
非常感謝你——我覺得我已經快到了。 對於 1 水平因子和 15,000 個像元大小（我剛剛發現這是我可以從
預算角度）我得到的冪為 0.72-0.76。 我希望它 >0.8，但我覺得我可以放心，因為這是一個行銷活動（而不是製造過程）。
最後一部分是互動效果。 我剛剛也輸入了 0.0491 來估計這些值（並且得到更低的功效） - 但我認為這是不正確的。
任何幫助都會很棒
再次感謝迄今為止所做的一切
莉茲
回覆：測試 - 全階乘的樣本大小首先要說的是，所有這些估計值都是對數賠率，這有點奇怪。
因此，0.6% 的基線反應（或「截距」）的機率 p 為 0.006。 正如您所說，您可以像這樣轉換為對數賠率：
對數賠率 = ln( p / 1-p ) = ln(0.006 / 0.994) = -5.11
接下來，提升 10% 意味著等級 1 的回應率比 2 等級高 10%（反之亦然）。 這相當於說，與兩個因素水準的平均反應相比，它提高了 5%。
因此，等級 1 的回應率為 0.63%，等級 2 的回應率為 0.57%。
這意味著 p = 0.0063 與 p = 0.0057。
這表示顏色 1 的對數賠率 = ln( 0.0063 / 1-0.0063 ) = -5.06
最後，等級 1 與截距的對數賠率之差為 -5.06 - -5.12 = 0.0491
由於我們對截距的定義，這有點令人困惑。 我們將等級 1 的效果定義為回應率（以對數賠率表示）相對於基線回應率的變化，基線回應率是 1 和等級 2 等級的平均反應率。
在其他軟體中，截距被定義為一個層級相對於另一個層級的回應。
回覆：測試 - 全階乘的樣本大小嗨馬爾科姆，
首先非常感謝您的回覆。 昨天我和我的同事花了一些時間研究你的例子，我們對我們的學習感到滿意。
我認為我們需要更好地理解的一部分是對效果的模擬反應。 （如您所附的「範例模擬」jpeg）
我認為，由於我們對預期回應率和提升有一些先驗知識，因此我們可以使用這些作為條件來模擬 Y？
基本預期回覆率 = 0.6%
因素 1 成功 = 提升 50%
因素 2、3 和 4 的成功 = 提升 10%
我認為截距為 IN(0.006/0.994) = -5.12 但不確定 X1 - X4 以及交互作用
任何進一步的幫助都會很棒
謝謝莉茲
回覆：測試 - 全階乘的樣本大小嗨，莉茲，
在 JMP Pro 中為具有二項式響應的 DOE 確定功率估計值的過程（如您的情況）包含多個步驟，如下所示：
- 以正常方式設計您的實驗，選擇來自 DOE 熱點的模擬響應，並指定模擬模型的係數，例如 我使用以下係數來探索等於隨機雜訊大小、1.5 倍隨機雜訊大小、2 倍隨機雜訊大小等的影響（請參閱隨附的螢幕截圖）
- 點擊“製作表格”，在所提供的範例（或詢問 100 個人）的情況下，該表格給出了基於 100 次試驗的模擬場景。
- 使用二項式反應和模型執行廣義迴歸模型，包括主效應和雙因子交互作用（請參閱附表中名為「二項式反應效能分析」的腳本）
- 在 GenReg 報告中，在 p 值列上按一下滑鼠右鍵並選擇模擬。
- 在產生的模擬表中，執行功效分析腳本，並檢查模型中每個項目的模擬功效下的 95% 置信區間下限。 這為您提供了模型中各種 alpha 率（I 類錯誤或顯著性水準）的每種效應的最小預期功效。 名為「廣義迴歸模擬結果」（機率 > 卡方）的表中附有一個範例，試驗次數 = 500
- 您可能需要對設計矩陣中的每一行使用多個不同數量的試驗來運行電源場景。 透過複製和編輯第一個表中的列公式可以輕鬆完成此操作。 出於說明目的，我給出了 DOE 矩陣中每行 n=100、n=250 和 n=500 次試驗（或接受調查的人）的場景。
- 使用每個場景的功效，您可以決定實驗設計中每行的試驗數量（接受調查的人），以給出可接受的功效和 I 類錯誤權衡。
最好的，
馬爾科姆
