MANOVA è il migliore per questo o dovrei usare altri metodi?<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Sto cercando di capire qual è il metodo migliore da utilizzare per studiare come più fattori influenzano la performance finale.
Per esempio, un oggetto attraversa diversi passaggi consecutivi del processo A, B, C, D ed è misurato per la sua performance finale usando le metriche X, Y, Z. Quindi ABCD sono variabili indipendenti e XYZ è responces. Per ogni fase indipendente, ci sono alcune condizioni di processo diverse: A1, A2, A3, B1, B2 .... La tabella finale dei risultati sperimentali conterrà oggetti entry che hanno una combinazione di diverse condizioni di processo, ad esempio, un oggetto viene prodotto passando attraverso le condizioni di processo di A1-B2-C1-D3, un altro campione sarà A2-B3-C4-D1 eccetera.
Il mio obiettivo è scoprire quale fase del processo causa cambiamenti significativi nelle risposte.
Dovrei usare MANOVA? Ho visto un esempio di utilizzo di MANOVA
http://www.scientificcomputing.com/articles-DA-A-Multiplatform-Look-at-Multivariate-Analysis-120809.aspx
Ma in questo esempio, c'è solo una variabile (trattamento) e vediamo come le risposte cambiano a trattamenti diversi.
Nel mio caso, la risposta sarà influenzata da più variabili impilate l'una sull'altra. Come usare MANOVA o è un altro metodo più adatto? Quanti punti dati per ognuno è richiesto per avere un sufficiente grado di libertà per il calcolo?
Grazie mille per qualsiasi aiuto! Io uso JMP8.
Tiffany
MANOVA è il migliore per questo o dovrei usare altri metodi?A causa del problema confondente, l'unica cosa che posso pensare è un approccio a modelli misti. Non riesco davvero a vedere nessun altro modo per tirare fuori quello che vuoi. In ogni caso, ecco alcuni altri pensieri. Penso davvero che Process B e Process C siano effetti casuali - ad esempio, in Process C, istanze da 1 a 4, c'è qualche motivo per credere che C1 abbia un significato diverso da C2? Penso che le diverse istanze del processo aggiungerebbero solo variabilità, piuttosto che qualche importo fisso. Per il processo B vale lo stesso, e qui abbiamo una separazione completa, in modo che la variabilità aggiunta possa essere diversa per i due spessori.
Non so come farlo in JMP, ma so che esiste una procedura di stima del modello misto disponibile. Dagli elenchi di selezione includo A come effetto fisso e B, C e l'interazione di A e B come effetti casuali. Potrebbe anche essere possibile includere l'interazione di A e C, ma C6 complica in qualche modo le cose. Con alcuni dati simulati, sono stato in grado di eseguire l'analisi in SAS, ma gli effetti casuali di interazione sono solo un problema. Non è possibile eliminare C6 dall'analisi, in quanto quindi si ha solo un lotto (C5) con A2. Il meglio che ero in grado di fare era
proc glimmix data = one;
classe abc;
model x = a / ddfm = kr;
random b / solution group = a;
c / soluzione casuale;
correre;
Spero che ci sia un equivalente in JMP - forse altri possono "saltare" dentro e aiutare.
Steve Denham
MANOVA è il migliore per questo o dovrei usare altri metodi?Ciao Steve,
Grazie mille per il tuo tempo e il tuo aiuto!
Per favore lasciatemi chiarire:
A) Totale 108 campioni di due spessori: 78 di A1 e 30 di A2.
Questi campioni sono entrati nel processo B (un trattamento termico in anoven). Mi piacerebbe che tutti i campioni passassero tutto insieme ma, a causa della limitazione dello spazio del forno, ogni volta possono essere ospitati solo sei campioni, quindi questo passo è finito con 13 lotti per lo spessore A1 (B1, B2, B3 ... B13) e 5 lotti per lo spessore A2 (B14, B15 ... B18). (Totale: 13 * 6 + 5 * 6 = 108) Questo passaggio ha introdotto la variazione da lotto a lotto in base alla differenza di spessore.
C) Quindi, tutti questi campioni sono passati al processo C (una fase di pressione in una camera) .Questa camera è più grande del forno utilizzato per il processo B quindi 18 campioni possono essere elaborati per analisi per 6 cicli totali, C1, C2 ... C6 ( 18 * 6 = 108). Ogni lotto C conteneva campioni da tre lotti B. Campioni dello stesso spessore sono stati raggruppati il più possibile, ad eccezione del lotto finale C6 che conteneva lo spessore A1 rimasto dal processo B (B13) e dello spessore A2 del processo B (B17, B18).
C1 = B1 + B2 + B3
C2 = B4 + B5 + B6
C3 = B7 + B8 + B9
C4 = B10 + B11 + B12
C5 = B14 + B15 + B16
C6 = B13 + B17 + B18
Successivamente, tutti i campioni sono stati misurati per il parametro X. Vorrei sapere in che modo lo spessore, la variazione da b a B nel processo B e il processo C hanno effetto su X.
O per semplificare e restringere ulteriormente, dal momento che C1-C4 contiene solo lo spessore A1, ci si potrebbe porre la domanda su quanta variazione osservata in X fosse dalla variazione b-to-b del processo B o C allo spessore A1? Forse un ANOVA a due vie? Ma mi piacerebbe imparare come usare l'ANOVA multi-way (> 3) perché ho anche altri problemi di processo con più fattori.
Grazie mille e non vedo l'ora di sentire da voi o da esperti!
Tiffany
MANOVA è il migliore per questo o dovrei usare altri metodi?Ancora un po 'confuso dalla situazione B e C, e preoccupato per lo squilibrio che passa i due spessori al processo B. Voglio affrontare prima quest'ultimo. Come vengono assegnati i campioni al lotto? 18 non si divide uniformemente in 78 o in 30, quindi l'analisi confonderà gli effetti di spessore con gli effetti batch di processo B. 18 dei batch avranno solo un singolo A2 e 12 ne avranno 2 se si utilizza un progetto quasi bilanciato. Avrei paura che avere numeri diversi di A1 e A2 aumenterà notevolmente la variabilità tra lotto e lotto.
Quindi i 6 campioni in B1 vengono quindi elaborati attraverso il processo C in 6 lotti separati. Esiste un rapporto costante di 13 A1 e 5 campioni A2 in ciascun lotto? Come vengono aggregati i campioni in lotti C?
Ho letto questo come un modello misto, con un singolo effetto fisso (A) e quattro effetti casuali di interesse (B, C, A * B e A * C, il tre senso è essenzialmente rumore). Vorrei procedere a modellare ciascuna variabile di risposta separatamente, anziché come MANOVA, sebbene poteste trattare le risposte X, Y e Z come misure ripetute sul lotto. Non ho abbastanza esperienza JMP per sapere se questo è possibile, ma in SAS, potrebbe essere fatto con le istruzioni RANDOM appropriate in PROC GLIMMIX.
Spero che la prima parte di questo post ti sia utile per pensare a questo design.
Steve Denham
MANOVA è il migliore per questo o dovrei usare altri metodi?Grazie mille per le risposte. Questo è molto utile per chiarire i miei pensieri.
La variabile A, B, C ... sono gli attributi della storia che i campioni attraversano. Ecco un esempio dettagliato.
Un gruppo di 108 campioni totali ha il seguente processo / storia / condizione:
A) Due spessori A1, A2. Ci sono 78 campioni nello spessore A1, 30 campioni nello spessore A2. Quindi lo spessore sarà una variabile.
Tutti i campioni passano attraverso un processo in 18 lotti: B1, B2, B3, B4, B5, B6, .... B18. Ogni lotto contiene 6 campioni. B1-B18 sono tutte corse indipendenti per questo processo. La variazione da lotto a lotto sarà una variabile.
C) Dopo il passaggio , tutti i campioni passano attraverso un altro processo che ha un throughput superiore 3x, cioè un batch può accommerdire 18 campioni. Quindi c'è un totale di 6 lotti. C1, C2, C3 ... C6. La variazione da lotto a lotto sarà un'altra variabile.
Successivamente, la performance finale X viene misurata per ciascun campione. L'obiettivo è scoprire quale è il contributo principale della variazione vista in X, è principalmente dalla differenza di spessore A? O da una variazione da lotto a lotto nel processo B? o nel processo C?
Ho solo JMP8. Apprezzo davvero qualsiasi suggerimento su come utilizzare JMP per comprendere il problema precedente. Grazie mille!
Tiffany
MANOVA è il migliore per questo o dovrei usare altri metodi?Anche JMP può fare PLS - è sotto Analizza / Metodi multivariati.
BR, Marianne
MANOVA è il migliore per questo o dovrei usare altri metodi?Questa è una domanda difficile a cui rispondere senza ulteriori informazioni. Il progetto è completamente fattoriale, così che tutti i livelli di A, B, C e D sono osservati nello studio? Le risposte sono variabili continue che sono almeno qualcosa come normalmente distribuite? Hai un numero sufficiente di osservazioni? In particolare, supponiamo di avere 4 livelli di ciascuna delle variabili di progetto, dando così 256 possibili combinazioni. Avete circa quattro osservazioni per ogni combinazione? Se qualcuno di questi presupposti non è abbastanza soddisfatto, MANOVA potrebbe essere nei guai.
Se non si hanno tutte le 256 combinazioni (sotto l'assunzione di quattro livelli per ciascuna delle variabili di progetto), è possibile ricodificare ed eventualmente utilizzare ciò che è nell'esempio? Cioè: il trattamento 1 è A1-B1-C1-D1 e così via fino a esaurire le combinazioni esistenti. Questo potrebbe funzionare meglio per MANOVA. La difficoltà sarà quindi nel costruire contrasti appropriati per esaminare gli effetti delle variabili di progettazione.
Se si stesse utilizzando SAS, prenderei in considerazione l'idea di PROC PLS. Non so quale sarebbe il metodo equivalente in JMP.
Steve Denham
