Analyse d'une conception en parcelles diviséeSalut,
En résumé, j'ai essayé d'utiliser une conception en parcelles divisées pour l'analyse d'une réaction chimique.
J'ai conçu les expériences avec le concepteur personnalisé, dans lequel la température est un paramètre difficile à modifier (d'où la division du tracé). J'ai 9 variables au total, dont deux sont catégoriques (identité des réactifs). Pour commencer, je suis simplement intéressé à examiner les principaux effets. En conséquence, j'ai réussi à utiliser le concepteur personnalisé pour trouver une conception avec 20 expériences qui donne les effets principaux sans alias. Les interactions sont aliasées (interactions de second ordre marquées «si nécessaire» dans le modèle), mais à la première itération, tout ira bien pour moi.
Quoi qu’il en soit, lors des expériences, j’ai dû changer l’un des solvants, ce qui a entraîné une modification de trois des paramètres sélectionnés (j’ai essayé de choisir un solvant dont les propriétés étaient aussi proches que possible de celui qu’il remplaçait). J'ai pensé, en pensant à la façon dont George Box l'avait vue, que cela devenait alors un design raté - cela fonctionnerait, mais ne me donnerait pas les meilleurs résultats. Pour une expérience de dépistage, je pourrais probablement accepter cela.
Maintenant, alors que j'essaye d'adapter le modèle, j'ai quelques problèmes pour interpréter la sortie JMP:
1) J'ai quelque chose appelé "Détails de la singularité". Je suppose que c’est parce que la conception ratée a maintenant des colinéarités?
2) Dans les estimations de paramètres, beaucoup sont «biaisées» et les autres sont mises à zéro. Est-ce à cause de la conception ratée - ou du repliement des interactions de second ordre?
3) Aucun effet ne semble significatif dans le résumé des effets - ou plutôt, il n'apparaît pas.
4) Le graphique réel vs prévu est parfaitement linéaire, avec R ^ 2 = 1. Cela ne peut pas être vrai.
5) L'interception est négative - si fortement biaisée?
En résumé, puis-je faire beaucoup plus que regarder le modèle ajusté et utiliser les connaissances extrastatistiques pour sélectionner les quelques effets principaux importants?
Re: Analyse d'une conception en parcelles diviséeÀ moins que vous ne tentiez d'adapter les effets principaux, attendez-vous à des singularités avec un design aussi maigre. Cependant, si vous obtenez une singularité avec uniquement des effets principaux, vous avez un peu plus de problèmes.
Si vos facteurs ont tous deux niveaux, vous devriez pouvoir utiliser la plate-forme de filtrage à deux niveaux pour identifier les facteurs significatifs et éventuellement quelques interactions. Je ne pense pas qu'il sera capable de tester correctement votre facteur difficile à changer, mais il est probablement suffisant pour tirer des conclusions générales.Re: Analyse d'une conception en parcelles diviséeMerci pour votre contribution!
Le modèle que j'essaie d'adapter est l'effet principal + les interactions. Si je comprends bien le DoE personnalisé, régler les interactions sur «si possible» et les effets principaux sur «requis» me permet de trouver un modèle avec des effets principaux estimables et (certaines) des alias (certaines des interactions) que le tableau des alias m'a montré quand. J'ai fait le original conception).
Je ne connaissais pas la plate-forme Fit Two Level Screening - merci! Je ne devrais pas inclure les parcelles entières avec cela, si?
En incluant les parcelles entières ou non, aucun facteur n’est significatif (même les effets principaux!) En regardant les diagrammes p / valeurs / Pareto, mais certains s’écartent de la parcelle à la moitié normale.
Alors, Pour résumer :
Je n'ai plus aucun degré de liberté pour analyser les données comme d'habitude et je devrais m'attendre à des singularités dans le design que j'ai. J'ai l'intention de faire quelques expériences au centre de la conception pour avoir une idée de la variance, cependant.
La plate-forme Fit Two Level Screening n’aide pas à regarder le graphique p-values / Pareto, mais quelques facteurs s’écartent de manière significative du graphique à la moitié de la normale, et c’est pourquoi je me concentrerai sur ceux-ci à la prochaine itération. Et gardez le facteur difficile à changer pour faire bonne mesure.
Est-ce bien compris?
Re: Analyse d'une conception en parcelles diviséeOui, vous avez bien compris
Lorsque vous définissez les interactions sur "si possible", vous dites essentiellement à JMP "que vous pouvez confondre ce terme avec d'autres termes" si possible ", mais ne le confondez pas avec les termes" nécessaires "." Cela implique que vous aurez besoin d'utiliser quelque chose comme un complot semi-normal pour identifier les facteurs importants et d'utiliser les principes de l'hérédité des effets et de la hiérarchie des effets pour faire une supposition éclairée sur les alias d'interactions qui sont le plus susceptibles de constituer le facteur actif basé sur les principaux effets. important. JMP le fait pour vous dans le filtrage à deux niveaux. Vous ne pouvez pas essayer le modèle complet dès le départ dans Fit Model, car vous savez déjà que vous avez des termes de modèle avec alias qui risquent de créer des singularités.
Ne vous inquiétez pas pour le tracé entier en ajustement sur deux niveaux. Cela doit être inclus en tant qu'effet aléatoire et le filtrage à deux niveaux ne peut pas gérer les effets aléatoires à ma connaissance. Cela signifie que l'analyse ne sera pas tout à fait correcte, mais je suis convaincue qu'elle servira toujours à souligner les effets importants. Le graphique semi-normal est la sortie principale que vous devez utiliser pour prendre vos décisions. Une fois que vous avez cela, vous pouvez utiliser Ajuster le modèle pour n’adapter que les termes du modèle sélectionné.
Re: Analyse d'une conception en parcelles diviséeMerci! C'est logique - et je commence déjà à donner un sens aux données!
