Facteur numérique continu vs discretLors de la recherche d'une réponse maximale pour un facteur dans une certaine plage, par exemple ; ADN total de 100 ug à 400 ug, quel est le moyen le plus précis et le plus efficace (puissance plus élevée, moins de courses) ?
- Attribuez le facteur en tant que facteur continu avec 2e puissance (X1*X1)
- Attribuer comme numérique discret à 3 niveaux (100, 250, 400)
Dans le passé, j'ai toujours exécuté l'option A mais lors de l'analyse de conception, la puissance que j'obtiens pour X1 * X1 est assez faible (~ 0,4) par rapport aux effets principaux et aux 2èmes interactions (au-dessus de 0,8), donc je suis assistant pour choisir cette option, Je me trompe dans cette notion?
Merci pour votre aide,
Re : Facteur numérique continu vs discretTout d'abord, la conception de l'expérience (l'ensemble des traitements) ne pas affectent la précision des estimations. Autrement dit, le biais des estimations (paramètre ou réponse) ne dépend pas du plan. Le biais des estimations dépend de la forme du modèle.
Deuxièmement, le plan affecte la variance des estimations. Cet effet, à son tour, affecte la puissance. Lorsque la variance des estimations augmente, la puissance diminue.
Troisièmement, la puissance n'est pas liée au biais du modèle. La puissance est définie comme la probabilité de ne pas commettre d'erreur de type II. Cela n'est possible que si l'hypothèse alternative (le paramètre n'est pas nul) est vraie. La puissance dépend de la taille de l'effet, de la variance de la réponse, de la taille de l'échantillon (DF réellement) et du niveau de signification. Une faible puissance signifie qu'il y a une faible chance de trouver un effet réel (non nul) statistiquement significatif.
Je ne ferais pas confiance à un modèle tant qu'il n'a pas été ajusté, il n'a pas été validé de manière indépendante avec de nouvelles observations. Je recommande de tester deux conditions : la condition qui est censée produire le résultat souhaité et une autre condition qui prédit un résultat terrible. Vous pouvez faire confiance au modèle pour prédire généralement tous les résultats de cette façon.
En remarque, soyez prudent lorsque vous comparez des conceptions. Je n'ai pas vu de grande différence dans la puissance des facteurs continus par rapport aux facteurs numériques discrets si je prenais soin de remplacer les actions automatiques de JMP qui modifiaient le nombre d'exécutions, les termes du modèle, etc. Je ne dis pas que la puissance que vous avez observée est fausse. Je dis simplement qu'il est facile d'obtenir des valeurs de puissance qui ne sont pas comparables.
Re : Facteur numérique continu vs discretMerci Marc,
Juste pour mieux comprendre, si la puissance du terme X1*X1 est faible, cela signifie-t-il que JMP ne correspondra probablement pas à la ligne avec précision lors de l'utilisation du profileur ? par exemple : un facteur continu à 15 exécutions donnerait 0,827 pour l'effet principal et 0,39 pour le terme, disons que lors de l'analyse des résultats à l'aide d'un modèle d'ajustement et d'un profileur, j'ai demandé à JMP de maximiser le résultat et la réponse que j'ai obtenue était de 300 , puis-je lui faire confiance ? (ou tout autre résultat entre les points testés 0, 250 et 400).
Un numérique discret à 3 ou 4 niveaux et 15 exécutions donnerait une puissance de 0,946, est-ce une bien meilleure option ?
Re : Facteur numérique continu vs discretCela ne fera pas beaucoup de différence. Vous pouvez spécifier le modèle et JMP choisir les niveaux ou vous pouvez spécifier les niveaux et JMP choisir les termes. Le facteur continu donne au concepteur personnalisé plus de liberté (aucune restriction sur les niveaux) et il sera donc probablement meilleur, mais pas de beaucoup. Le facteur numérique discret fixe les niveaux et les termes supplémentaires nécessaires à l'optimisation de la conception ont leur estimabilité définie sur "si possible", de sorte qu'ils comptent différemment dans les calculs de puissance. Je. suggère que vous l'essayiez par vous-même. Concevez l'expérience dans les deux sens et examinez les informations d'évaluation. Assurez-vous simplement qu'il s'agit d'une comparaison équitable (nombre d'exécutions, critère d'optimialité, termes du modèle et estimabilité, etc.).
La puissance des termes qui sont des puissances est toujours bien inférieure à la puissance des termes du premier ordre et des interactions à deux facteurs. Il faudra peut-être un grand nombre d'exécutions qui ne sont plus économiques pour atteindre une puissance élevée pour de telles conditions.
