Ist MANOVA dafür am besten oder sollte ich andere Methoden verwenden?<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Ich versuche zu verstehen, welche Methode am besten geeignet ist, um zu untersuchen, wie verschiedene Faktoren die endgültige Leistung beeinflussen.
Angenommen, ein Objekt durchläuft mehrere aufeinanderfolgende Prozessschritte A, B, C, D und wird unter Verwendung der Metriken X, Y, Z auf seine endgültige Leistung gemessen. Somit sind ABCD unabhängige Variablen und XYZ sind Antworten. Für jeden unabhängigen Schritt gibt es einige unterschiedliche Prozessbedingungen: A1, A2, A3, B1, B2 ... Die endgültige experimentelle Ergebnistabelle enthält Eintragsobjekte, die eine Kombination verschiedener Prozessbedingungen aufweisen. Beispielsweise wird ein Objekt erzeugt, indem die Prozessbedingungen von A1-B2-C1-D3 durchlaufen werden, eine andere Probe ist A2-B3-C4-D1 usw.
Mein Ziel ist es herauszufinden, welcher Prozessschritt zu signifikanten Änderungen der Antworten führt.
Soll ich MANOVA verwenden? Ich habe ein Beispiel für die Verwendung von MANOVA gesehen
http://www.scientificcomputing.com/articles-DA-A-Multiplatform-Look-at-Multivariate-Analysis-120809.aspx
In diesem Beispiel gibt es jedoch nur eine Variable (Behandlung) und sehen Sie, wie sich die Reaktionen auf unterschiedliche Behandlungen ändern.
In meinem Fall wird die Antwort von mehreren übereinander gestapelten Variablen beeinflusst. Wie benutzt man MANOVA oder ist eine andere Methode besser geeignet? Wie viele Datenpunkte für jeden sind erforderlich, um einen ausreichenden Freiheitsgrad zur Berechnung zu haben?
Vielen Dank für jede Hilfe! Ich benutze JMP8.
Tiffany
Ist MANOVA dafür am besten oder sollte ich andere Methoden verwenden?Aufgrund des verwirrenden Problems kann ich nur an einen gemischten Modellansatz denken. Ich kann wirklich keinen anderen Weg sehen, um herauszufinden, was Sie wollen. Auf jeden Fall hier noch ein paar Gedanken. Ich glaube wirklich, dass Prozess B und Prozess C zufällige Auswirkungen haben - gibt es beispielsweise in Prozess C, Instanzen 1 bis 4, Grund zu der Annahme, dass C1 einen anderen Mittelwert als C2 hat? Ich denke, dass die verschiedenen Instanzen des Prozesses nur Variabilität hinzufügen würden und nicht einen festen Betrag. Für Verfahren B gilt dasselbe, und hier haben wir eine vollständige Trennung, so dass die hinzugefügte Variabilität für die beiden Dicken unterschiedlich sein kann.
Ich weiß nicht, wie man dies in JMP macht, aber ich weiß, dass es ein gemischtes Modellschätzungsverfahren gibt. Aus Auswahllisten würde ich A als festen Effekt und B, C und die Interaktion von A und B als Zufallseffekte hinzufügen. Es kann auch möglich sein, die Wechselwirkung von A und C einzubeziehen, aber C6 macht die Sache etwas komplizierter. Mit einigen simulierten Daten konnte ich die Analyse in SAS durchführen, aber die zufälligen Interaktionseffekte sind nur ein Problem. Sie können C6 nicht aus der Analyse löschen, da Sie nur eine Charge (C5) mit A2 haben. Das Beste, was ich konnte, war
proc Glimmix-Daten = Eins;
Klasse abc;
Modell x = a / ddfm = kr;
zufällige b / Lösungsgruppe = a;
zufällige c / Lösung;
Lauf;
Ich hoffe, es gibt ein Äquivalent in JMP - vielleicht können andere "springen" und helfen.
Steve Denham
Ist MANOVA dafür am besten oder sollte ich andere Methoden verwenden?Hallo Steve,
Vielen Dank für Ihre Zeit und Hilfe!
Bitte lassen Sie mich klarstellen:
A) Insgesamt 108 Proben von zwei Dicken: 78 von A1 und 30 von A2.
Diese Proben gingen in den Prozess B (eine thermische Behandlung in einem Ofen). Ich würde gerne alle Proben durchlaufen lassen, aber aufgrund der Begrenzung des Ofenraums können jedes Mal nur sechs Proben untergebracht werden, so dass dieser Schritt mit 13 Chargen für die Dicke A1 (B1, B2, B3… B13) und endete 5 Chargen für Dicke A2 (B14, B15… B18). (Gesamt: 13 * 6 + 5 * 6 = 108) In diesem Schritt wurde die Abweichung von Charge zu Charge zusätzlich zum Dickenunterschied eingeführt.
C) Dann gingen alle diese Proben in den Prozess C (eine Druckstufe in einer Kammer). Diese Kammer ist größer als der Ofen, der für den Prozess B verwendet wurde, so dass pro Probe insgesamt 18 Proben für insgesamt 6 Läufe, C1, C2… C6 ( 18 * 6 = 108). Jede C-Charge enthielt Proben aus drei B-Chargen. Proben gleicher Dicke wurden so weit wie möglich zusammengruppiert, mit Ausnahme der Endcharge C6, die Restdicke A1 aus Prozess B (B13) und Restdicke A2 aus Prozess B (B17, B18) enthielt.
C1 = B1 + B2 + B3
C2 = B4 + B5 + B6
C3 = B7 + B8 + B9
C4 = B10 + B11 + B12
C5 = B14 + B15 + B16
C6 = B13 + B17 + B18
Danach wurden alle Proben für Parameter X gemessen. Ich möchte herausfinden, wie sich Dicke, Variation von b zu b in Prozess B und Prozess C auf X auswirken.
Oder um es noch weiter zu vereinfachen und einzugrenzen, da C1-C4 nur die Dicke A1 enthält, könnte man nur die Frage stellen, wie viel Variation in X von der Variation von b-zu-b von Prozess B oder C in der Dicke A1 zu sehen war. Vielleicht eine Zweiwege-ANOVA? Ich würde jedoch gerne lernen, wie man Mehrfach-ANOVA (> 3) verwendet, weil ich auch andere Prozessprobleme mit mehr Faktoren habe.
Vielen Dank und freuen uns von Ihnen oder von Experten zu hören!
Tiffany
Ist MANOVA dafür am besten oder sollte ich andere Methoden verwenden?Noch etwas verwirrt durch die B- und C-Situation und besorgt über das Ungleichgewicht, das die beiden Dicken zum B-Prozess führt. Letztere möchte ich ansprechen. Wie werden die Proben der Charge zugeordnet? 18 teilt sich nicht gleichmäßig in 78 oder 30, so dass die Analyse die Dickeneffekte mit den B-Effekten des Prozesses B verwechselt. 18 der Chargen haben nur eine einzige A2, und 12 wird 2 haben, wenn ein quasi ausgeglichener Entwurf verwendet wird. Ich würde befürchten, dass eine unterschiedliche Anzahl von A1 und A2 die Variabilität von Charge zu Charge stark erhöht.
Dann werden die 6 Proben in B1 in 6 separaten Chargen durch den C-Prozess verarbeitet. Gibt es in jeder Charge ein konstantes Verhältnis von 13 A1- und 5 A2-Proben? Wie werden Proben in C-Chargen zusammengefasst?
Ich habe dies als gemischtes Modell gelesen, mit einem einzigen festen Effekt (A) und vier zufälligen Effekten (B, C, A * B und A * C, wobei die Dreiwege im Wesentlichen Rauschen sind). Ich würde fortfahren, jede Antwortvariable separat zu modellieren, anstatt als MANOVA, obwohl Sie die Antworten X, Y und Z als wiederholte Maßnahmen für die Charge behandeln könnten. Ich habe nicht genug Erfahrung mit JMP, um zu wissen, ob dies möglich ist. In SAS könnte dies jedoch mit entsprechenden RANDOM-Anweisungen in PROC GLIMMIX erfolgen.
Ich hoffe, dass der erste Teil dieses Beitrags für Sie hilfreich ist, wenn Sie über dieses Design nachdenken.
Steve Denham
Ist MANOVA dafür am besten oder sollte ich andere Methoden verwenden?Vielen Dank für die Antworten. Das ist sehr hilfreich, um meine Gedanken zu klären.
Die Variable A, B, C ... sind die Attribute der Geschichte, die die Proben durchlaufen. Hier ist ein detailliertes Beispiel.
Eine Gruppe von insgesamt 108 Proben hat den folgenden Prozess / Verlauf / Zustand:
A) Zwei Dicken A1, A2. Es gibt 78 Proben in der Dicke A1, 30 Proben in der Dicke A2. Die Dicke wird also eine Variable sein.
Alle Proben durchlaufen einen Prozess in 18 Chargen B1, B2, B3, B4, B5, B6, ... B18. Jede Charge enthält 6 Proben. B1-B18 sind alle unabhängigen Läufe für diesen Prozess. Die Variation von Charge zu Charge ist eine Variable.
C) Nach Schritt durchlaufen alle Proben einen anderen Prozess, der einen dreifach höheren Durchsatz aufweist, dh eine Charge kann 18 Proben aufnehmen. Es gibt also insgesamt 6 Chargen. C1, C2, C3 ... C6. Eine Variation von Charge zu Charge ist eine andere Variable.
Danach wird die endgültige Leistung X für jede Probe gemessen. Das Ziel ist es herauszufinden, welcher der Hauptbeiträge der Variation in X zu sehen ist. Oder von Charge zu Charge Variation in Prozess B? oder in Bearbeitung C?
Ich habe nur JMP8. Ich freue mich über jeden Vorschlag, wie Sie JMP verwenden können, um das obige Problem zu verstehen. Vielen Dank!
Tiffany
Ist MANOVA dafür am besten oder sollte ich andere Methoden verwenden?JMP kann auch PLS - es ist unter Analyse / Multivariate Methoden.
BR, Marianne
Ist MANOVA dafür am besten oder sollte ich andere Methoden verwenden?Diese Frage ist ohne weitere Informationen schwer zu beantworten. Ist das Design vollständig faktoriell, so dass alle Ebenen von A, B, C und D in der Studie beobachtet werden? Sind die Antworten fortlaufende Variablen, die zumindest normalverteilt sind? Haben Sie genügend Beobachtungen? Angenommen, Sie haben vier Ebenen für jede der Entwurfsvariablen, wodurch sich 256 mögliche Kombinationen ergeben. Haben Sie ungefähr vier Beobachtungen für jede Kombination? Wenn eine dieser Annahmen nicht ganz erfüllt ist, könnte MANOVA in Schwierigkeiten geraten.
WENN Sie nicht alle 256 Kombinationen (unter der Annahme von vier Ebenen für jede der Designvariablen) haben, können Sie das, was im Beispiel ist, umkodieren und möglicherweise verwenden? Das heißt: Behandlung1 ist A1-B1-C1-D1 und so weiter, bis Sie die vorhandenen Kombinationen erschöpfen. Dies könnte für MANOVA besser funktionieren. Die Schwierigkeit wird dann darin bestehen, geeignete Kontraste zu konstruieren, um die Auswirkungen der Designvariablen zu betrachten.
Wenn Sie SAS verwenden, würde ich mir PROC PLS überlegen. Ich weiß nicht, wie die entsprechende Methode in JMP aussehen würde.
Steve Denham
