連続数値因子と離散数値因子たとえば、特定の範囲で因子の最大応答を探す場合。総 DNA が 100ug ～ 400ug の場合、より正確で効率的な方法 (より高い出力で実行回数が少ない) は何ですか?
- 係数を 2 乗 (X1*X1) の連続係数として割り当てます。
- 3段階（100、250、400）の離散数値として代入
以前は常にオプション A を実行していましたが、設計分析中に X1*X1 で得られる検出力は主効果と 2 番目の交互作用 (0.8 以上) に比べてかなり低い (~0.4) ため、私はこのオプションを選択するアシスタントをしています。この考えは間違っていますか？
ご協力いただきありがとうございます、
Re: 連続数値因子と離散数値因子まず第一に、実験の計画 (一連の処理) は次のようになります。いいえ推定の精度に影響します。 つまり、推定値 (パラメーターまたは応答) の偏りは設計に依存しません。 推定値の偏りはモデルの形式によって異なります。
第二に、設計は推定値の分散に影響を与えます。 この効果はパワーにも影響します。 推定値の分散が増加すると、検出力は減少します。
第三に、検出力はモデルのバイアスとは関係ありません。 検出力は、タイプ II エラーを起こさない確率として定義されます。 これは、対立仮説 (パラメーターがゼロではない) が真である場合にのみ可能です。 検出力は、効果の大きさ、応答分散、サンプル サイズ (実際には DF)、および有意水準に依存します。 検出力が低いということは、実際の効果 (ゼロではない) が統計的に有意であることが判明する可能性が低いことを意味します。
私は、モデルが適合された後、新しい観察によって独立して検証されるまで、そのモデルを信頼しません。 望ましい結果が得られると予測される条件と、ひどい結果を予測するもう 1 つの条件の 2 つの条件をテストすることをお勧めします。 このようにして、モデルが一般にすべての結果を適切に予測すると信頼できます。
補足として、デザインを比較する場合は注意してください。 実行数やモデル項などを変更する JMP による自動アクションを注意深くオーバーライドした場合、連続因子と数値離散因子を使用した検出力に大きな違いは見られませんでした。 私はあなたが観察した力が間違っていると言っているのではありません。 比較にならないパワー値が簡単に得られると言っているだけです。
Re: 連続数値因子と離散数値因子ありがとうマーク、
もう少し理解していただくために、項 X1*X1 の検出力が低い場合、プロファイラーを使用するときに JMP がラインを正確に適合しない可能性が高いということですか?例: 15 回の実行で 1 つの連続因子は主効果に 0.827、項に 0.39 を与えます。たとえば、フィット モデルとプロファイラーを使用して結果を分析するときに、JMP に結果を最大化するように依頼したところ、得られた答えは 300 でした。 、信用してもいいでしょうか？ (またはテストされたポイント 0、250、および 400 の間のその他の結果)。
3 または 4 レベルの離散数値と 15 回の実行では、検出力は 0.946 になりますが、それははるかに優れたオプションでしょうか?
Re: 連続数値因子と離散数値因子大きな違いはありません。 モデルを指定して JMP がレベルを選択することも、レベルを指定して JMP が用語を選択することもできます。 継続的要素により、カスタム デザイナーの自由度が増すため (レベルの制限がない)、おそらく改善されますが、それほど大きくはありません。 離散数値係数によってレベルが固定され、設計の最適化に必要な追加項の推定可能性が「可能な場合」に設定されているため、電力計算では異なる方法でカウントされます。 あなた自身で試してみることをお勧めします。 両方の方法で実験を計画し、評価情報を調べます。 ただし、それが公正な比較であることを確認してください (実行数、最適性基準、モデル項と推定可能性など)。
べき乗である項の検出力は、常に 1 次項および 2 因子交互作用の検出力よりもはるかに低くなります。 このような条件で高出力を達成するには、経済的ではなくなるほど多数の実行が必要になる場合があります。
