Analyse eines verpfuschten Split-Plot-DesignsHallo,
Um es kurz zu machen: Ich habe versucht, ein Split-Plot-Design für die Analyse einer chemischen Reaktion zu verwenden.
Ich habe die Experimente mit dem benutzerdefinierten Designer entworfen, bei dem die Temperatur ein Parameter ist, der schwer zu ändern ist (daher Split Plot). Ich habe insgesamt 9 Variablen, von denen zwei kategorial sind (Identität der Reagenzien). Zu Beginn bin ich nur daran interessiert, die Haupteffekte zu untersuchen. Als Ergebnis gelang es mir, mit dem benutzerdefinierten Designer ein Design mit 20 Experimenten zu finden, bei dem die Haupteffekte ohne Alias angegeben werden. Interaktionen sind Aliasing (Interaktionen zweiter Ordnung, die im Modell als "wenn nötig" gekennzeichnet sind), aber als erste Iteration ist das für mich gut.
Auf jeden Fall musste ich bei den Experimenten eines der Lösungsmittel ändern, was zu einer Änderung der drei ausgewählten Parameter führte (ich habe versucht, ein Lösungsmittel zu wählen, dessen Eigenschaften dem ersetzten möglichst nahe kommen). Ich dachte daran, wie George Box es sah, dass es dann ein misslungenes Design wurde - es würde funktionieren, aber nicht die besten Ergebnisse erzielen. Für ein Screening-Experiment könnte ich das wahrscheinlich akzeptieren.
Beim Versuch, das Modell anzupassen, habe ich einige Probleme bei der Interpretation der JMP-Ausgabe:
1) Ich habe etwas namens Singularity Details. Ich vermute, es liegt daran, dass das verpfuschte Design nun einige Kollinearitäten aufweist.
2) Bei Parameterschätzungen sind viele "voreingenommen" und der Rest wird auf Null gesetzt. Liegt das an dem verpatzten Design - oder am Aliasing der Interaktionen zweiter Ordnung?
3) In der Effektzusammenfassung scheinen überhaupt keine Effekte von Bedeutung zu sein - oder eher nicht.
4) Der tatsächliche vs vorhergesagte Plot ist perfekt linear mit R ^ 2 = 1. Das kann nicht wahr sein.
5) Der Abschnitt ist negativ - so stark voreingenommen?
Also, alles in allem ... kann ich viel mehr als nur das angepasste Modell betrachten und extrastatistisches Wissen verwenden, um die wenigen wichtigen Haupteffekte auszuwählen?
Re: Analyse eines verpfuschten Split-Plot-DesignsWenn Sie nicht nur versuchen, die Haupteffekte anzupassen, erwarten Sie Singularitäten mit einem solch spärlichen Design. Wenn Sie jedoch eine Singularität mit nur Haupteffekten erhalten, haben Sie etwas mehr Probleme.
Wenn Ihre Faktoren alle zwei Stufen haben, sollten Sie in der Lage sein, die Fit Two Level Screening-Plattform zu verwenden, um signifikante Faktoren und möglicherweise einige Interaktionen zu identifizieren. Ich glaube nicht, dass er Ihren schwer zu ändernden Faktor richtig testen kann, aber er ist wahrscheinlich gut genug, um allgemeine Schlussfolgerungen zu ziehen.Re: Analyse eines verpfuschten Split-Plot-DesignsDanke für deine Eingabe!
Das Modell, das ich zu passen versuche, sind Haupteffekte + Wechselwirkungen. Wenn ich das angepasste DoE richtig verstehe, kann ich durch das Festlegen der Interaktionen auf "wenn möglich" und der Haupteffekte auf "Erforderlich" ein Design mit Haupteffekten abschätzbar und (einige) der Interaktionen mit Alias (die Alias-Tabelle zeigte wann) Ich habe das gemacht Original Design).
Ich wusste nichts über die Fit Two Level Screening-Plattform - danke! Ich sollte nicht ganze Parzellen dazugeben, oder?
Wenn Sie Whole Plots einbeziehen oder nicht, sind bei der Betrachtung der p-Werte / Pareto-Diagramme keine Faktoren von Bedeutung (selbst Haupteffekte!), Einige weichen jedoch von der halben Normaldarstellung ab.
So, um zusammenzufassen :
Ich habe keine Freiheitsgrade mehr, um die Daten wie üblich zu analysieren, und ich sollte mit meinem Design Singularitäten erwarten. Ich habe vor, einige Experimente im Zentrum des Designs zu machen, um eine Vorstellung von der Varianz zu bekommen.
Die Fit-Two-Level-Screening-Plattform ist beim Betrachten des p-Wertes / Pareto-Diagramms nicht hilfreich, aber einige Faktoren weichen erheblich von der halbnormalen Darstellung ab - daher werde ich mich bei der nächsten Iteration darauf konzentrieren. Und halten Sie den schwer zu ändernden Faktor für ein gutes Maß.
Ist das richtig verstanden?
Re: Analyse eines verpfuschten Split-Plot-DesignsJa, du hast es richtig verstanden.
Wenn Sie Interaktionen auf "wenn möglich" setzen, sagen Sie im Wesentlichen JMP "Sie können diesen Begriff mit anderen" wenn möglich "Begriffen verwechseln, aber nicht mit irgendwelchen" notwendigen "Begriffen. Dies impliziert, dass Sie so etwas wie eine halbnormale Darstellung verwenden müssen, um wichtige Faktoren zu identifizieren und Prinzipien der Hierarchie der Vererbung und Wirkungsfolgen zu verwenden, um eine fundierte Vermutung darüber zu erstellen, welche der Interaktionsaliasnamen am wahrscheinlichsten der aktive Faktor sind, auf dem die Hauptwirkungen beruhen von Bedeutung. JMP erledigt das für Sie im Fit Two Level Screening. Sie können das vollständige Modell in Fit Model nicht sofort ausprobieren, da Sie bereits wissen, dass Sie Modellbezeichnungen mit Aliasing verwenden, die Singularitäten verursachen.
Machen Sie sich keine Sorgen über Whole Plot in Fit Two Level Screening. Dies muss als zufälliger Effekt enthalten sein, und Fit Two Level Screening kann, soweit ich weiß, keine zufälligen Effekte verarbeiten. Dies bedeutet, dass die Analyse nicht genau richtig ist, aber ich bin zuversichtlich, dass sie ihren Zweck noch erfüllen wird, um die starken Auswirkungen hervorzuheben. Die halbnormale Darstellung ist die primäre Ausgabe, die Sie für Ihre Entscheidungen verwenden sollten. Danach können Sie Modell anpassen verwenden, um nur die ausgewählten Modellbegriffe anzupassen.
Re: Analyse eines verpfuschten Split-Plot-DesignsVielen Dank! Das macht Sinn - und ich fange an, die Daten bereits zu verstehen!
