DOE - repliche contro ripetizioniDevo progettare un esperimento per determinare la temperatura... temp influenza su pH.
Supponiamo che la temperatura sia una variabile continua nell'intervallo [20,23].
E anche il pH è continuo, buono all'interno dell'intervallo [5,7], ma perfetto al centro.
Ogni giorno, in condizioni normali, misuriamo ogni campione 3 volte (pseudoreplicati).
In questo caso 3 è il numero di repliche che dovrei utilizzare in JMP? O è solo ripetizione e dovrei prendere il valore medio, invece di 3 risultati?
Dovrei usare un "punto centrale"?
È 3 (pseudoreplicati) il numero che dovrei usare nel campo: "Replicate Runs"?
Trova schermate allegate da JMP DoE, per mostrarti i miei tentativi.
Progettazione di esperimentiRi: DOE - repliche contro ripetizioniForse di uguale o maggiore importanza sono le ripetizioni che forniscono una stima della variazione. Se il tuo problema è la variazione, devi modellare quali fattori influenzano la variazione non solo la media.
Ri: DOE - repliche contro ripetizioniLe ripetizioni sono misurazioni multiple che potrebbero essere utilizzate per calcolare la media della risposta per ciascun trattamento. Non è una replica!!
I punti centrali non sono considerati ripetizioni in quanto le misure vengono solitamente prese da un'altra corsa.
Le medie di risposta potrebbero essere recuperate per i trattamenti specifici utilizzando una tabella di dati separata.
Ri: DOE - repliche contro ripetizioniSì, modellerei il pH medio rispetto alla temperatura. Sì, il progetto ottimale per una risposta lineare utilizza solo due livelli di fattore.
Assicurati che l'intervallo di temperatura sia sufficientemente ampio da produrre un grande cambiamento nel pH ma non così ampio da cambiare la natura del fenomeno che stai studiando. Il punto del design è la modellazione. Potresti pensare in termini di un intervallo ristretto in cui ottieni il pH desiderato. Dovresti pensare in termini di grande cambiamento nella risposta prodotta da una più ampia gamma di temperature. Questo tipo di design ti darà stime più precise e più stabili della tendenza che desideri. Questo caso sta sperimentando e modellando, non solo testando. Questo caso prevede, non "scegliere il vincitore".
L'ultimo punto va alla tua domanda finale. Parliamo del energia in un disegno. La potenza è la probabilità che un effetto reale (ad esempio un trend lineare) sia statisticamente significativo. Diciamo che c'è un vero trend lineare ma a causa di una piccola dimensione del campione spesso non lo trovi significativo. Tali risultati sono falso negativo risultati. Il potere è circa l'opposto: veri positivi . La decisione statistica in un test di ipotesi potrebbe essere descritta come decidere se il cambiamento nella risposta è molto maggiore del cambiamento dovuto alla variazione casuale nella risposta.
JMP fornisce un'analisi energetica integrata nella piattaforma di progettazione. Illustrerò come usarlo con un esempio. apro DAI > Design personalizzato , modificare il nome della risposta in pH e l'obiettivo a Nessuno . Aggiungo un singolo fattore continuo Temperatura con una gamma -1 A +1 (Non conosco la gamma effettiva). clicco Continua e accettare il modello predefinito per una risposta lineare a Temperatura . Ho deciso di iniziare con 8 corse (definito dall'utente) e fare clic su Crea il design . Come funzionerà questo design?
Diciamo che quando la temperatura non varia, il pH varia secondo una distribuzione normale con una deviazione standard di 0,2 pH. Diciamo anche che prevediamo che il pH lo farà minimamente passare da 6,4 a 7,0 nell'intervallo di temperatura in questo design. Siamo ora pronti per analizzare la potenza in questo progetto.
Apri il Analisi di potenza schema che si trova all'interno dello schema di valutazione del progetto. Esistono due modi equivalenti per analizzare la potenza. Te li mostrerò entrambi. Per prima cosa, entra 0.2 per il RMSE previsto (deviazione standard di risposta). Ora, inserisci il file Coefficienti anticipati o il Risposta anticipata . Il coefficiente previsto è l'effetto diviso per 2. Ci aspettiamo un effetto minimo di 7,0 - 6,4 = 0,6 pH quindi il coefficiente anticipato è 0.3 . In alternativa, entra 6.4 come risposta anticipata ogni volta Temperatura = -1 E 7.0 Quando Temperatura = +1 . Fare clic su uno dei Applica i cambiamenti pulsanti dopo aver inserito queste informazioni.
Il design personalizzato dovrebbe assomigliare a questo:
Se le tue aspettative sono giuste, allora la potenza è 0,939 e dovresti trovare un effetto di 0,6 pH o superiore statisticamente significativo praticamente sempre usando questo design.
Ho inventato i numeri per questo esempio. Prova a tradurre l'illustrazione nel tuo caso specifico e guarda come va. Naturalmente, facci sapere come va o se hai ulteriori domande.
Ri: DOE - repliche contro ripetizioniDi seguito trovi i miei commenti/risposte alle tue osservazioni:
- Sì, un predittore e una risposta. In questo momento vedo che la piattaforma potrebbe non essere necessaria...
- Misuriamo un campione 3 volte, per precisione (elevata variabilità del metodo)
- OK, quindi andresti solo per prendere il valore medio giusto?
- OK, per essere coerenti con la tua nomenclatura corretta: abbiamo 3 misurazioni per un'unità sperimentale. In questo momento, non mi aspetto altri effetti/variabili da prendere in considerazione.
- Mi aspetto un andamento lineare. Quindi in questo caso due fattori per la temperatura sarebbero sufficienti, no?
Come considereresti questo problema?
Ri: DOE - repliche contro ripetizioniGrazie per una risposta così dettagliata.
Per favore, trova il mio chiarimento qui sotto:
- sì, mi aspetto che il pH sia una funzione lineare della temperatura
- sì, misuriamo tre volte per ridurre l'errore di misurazione (alta variabilità del metodo), quindi userò solo la media, giusto?
- non terremo conto dei giorni
- in generale, il tempo è l'unico (ma cruciale!) fattore per noi
E domanda aggiuntiva, riguardo allo studio:
Hai detto di inserire il numero totale di corse.
Come derivare il numero minimo di corse affinché uno studio di questo tipo sia statisticamente significativo?
Ri: DOE - repliche contro ripetizioniNon sono sicuro di aver capito esattamente cosa stai chiedendo, quindi seguirò alcune domande/commenti. Mi scuso in anticipo per aver letto forse troppo nelle tue domande.
1. È corretto che stai sperimentando 1 variabile predittore (Temp.) e 1 variabile di risposta (pH)? Non sono sicuro del motivo per cui è necessario utilizzare la piattaforma JMP DOE poiché si tratta di un esperimento a un fattore. È possibile utilizzare un piano di campionamento diretto per acquisire i dati da assegnare e partizionare i dati in componenti e quindi eseguire la regressione per modellare i dati.
2. Cosa stai misurando? (" in condizioni normali misuriamo ogni campione 3 volte"). Stai prendendo tre misure di pH sullo "stesso" campione (in questo caso ottenendo una stima della precisione della misurazione).
3. In generale, ripetuto le misure non sono considerati "eventi indipendenti" quindi non aumentano i gradi di libertà. Sono, tuttavia, utili per quantificare i componenti della variazione. Misurare più volte lo stesso campione può quantificare la precisione della misurazione. La misurazione di 3 campioni consecutivi può quantificare la variazione da campione a campione, ecc. In una situazione DOE, se le molteplici "misure" vengono prese senza che le combinazioni di trattamento cambino, queste sono considerate ripetizioni (essenzialmente all'interno della variazione del trattamento). È possibile valutare la coerenza degli effetti all'interno del trattamento e quindi, se appropriato, quantificare la variazione all'interno del trattamento utilizzando sia una media che una stima della variazione (ad es. intervallo, deviazione standard, varianza). Sia la media che la stima della variazione possono essere modellate come Y separate.
4. Se i trattamenti cambiano tra " unità sperimentali ", sono considerati eventi indipendenti chiamati repliche (nota che sto usando la frase unità sperimentale (replica) vs. misura usata per le ripetizioni). Le repliche possono essere completamente randomizzate (il design archetipico raccomandato che consente stime "imparziali" dell'errore sperimentale)) o organizzate in blocchi (che, possiamo sostenere, possono essere trattati come effetti casuali o fissi). Se trattati come effetti fissi (particolarmente utili quando si è in grado di identificare i fattori di rumore specifici e "gestirli" nel corso dell'esperimento), è possibile stimare gli effetti della variabile non testata (rumore) e le interazioni rumore per fattore possono essere assegnato (utile per una progettazione robusta).
5. I punti centrali sono un modo efficiente per testare le relazioni non lineari nello spazio di progettazione nei piani fattoriali in cui si dispone di più variabili predittive (ne hai solo uno, quindi avresti semplicemente un terzo livello per quel fattore). I punti centrali preservano l'equilibrio ortogonale e la rotabilità. Per l'analisi è quindi possibile aggiungere un termine nel modello per valutare la non linearità, ma tale termine viene confuso per tutti i fattori nel modello.
Ri: DOE - repliche contro ripetizioniLa piattaforma Custom Design è abbastanza flessibile, ma alcune funzionalità sono pensate per essere utilizzate di routine e altre come eccezioni, se necessario.
Non userei la funzione Numero di repliche. Questa funzione indica a JMP che si desidera un numero di esecuzioni di repliche, non il numero di repliche dell'intero progetto. Invece, usa il Numero di esecuzioni in basso. Intero il numero totale di corse che vuoi qui.
Non userei neanche la funzione Punti centrali. Ti aspetti che il pH abbia una risposta lineare o non lineare al cambiamento di temperatura? Se sarà lineare, allora hai finito! Se non è lineare, aggiungi la seconda potenza della temperatura al modello, quindi hai finito! L'ordine del modello determinerà il numero ottimale di livelli per la temperatura. Il progetto ottimale per il modello lineare includerà solo due livelli. Il progetto ottimale per il modello di secondo ordine includerà tre livelli.
Perché misuri ogni campione tre volte? Se si tratta di ridurre l'errore di misurazione, continuare questa pratica ma immettere solo la misurazione media per il valore Y di quella corsa. In caso contrario, il modello considera ogni esecuzione come una replica, ovvero un'impostazione, una misurazione e uno smontaggio completi. Nel tuo caso, è solo la misurazione e non è appropriato per stimare il termine di errore nel modello.
Non sono sicuro che più giorni siano un aspetto del tuo studio. Completeresti l'intero studio in un giorno o ti aspetti variazioni tra i giorni e desideri includere questo effetto nell'analisi? Generalmente l'effetto del tempo è casuale, non fisso. Vale a dire che c'è variazione tra i giorni ma non è riproducibile, come il martedì aggiunge sempre il 7% alla media. Se desideri includere giorni, utilizza l'opzione blocchi casuali in basso e specifica quante corse intendi eseguire ogni giorno.
Fateci sapere se avete altre domande.
