DOE - répétitions vs répétitionsJe dois concevoir une expérience pour déterminer la température - Temp influence sur pH.
Supposons que la température est une variable continue dans l'intervalle [20,23].
Et le pH est également continu, bon dans la plage [5,7], mais parfait au centre.
Au quotidien, dans des conditions normales, nous mesurons chaque échantillon 3 fois (pseudoréplicats).
Dans ce cas, 3 correspond-il au nombre de répliques que je dois utiliser dans JMP ? Ou ce n'est que répétition et je devrais prendre la valeur moyenne, au lieu de 3 résultats ?
Dois-je utiliser un "point central" ?
Est-ce que 3 (pseudoréplicats) est le nombre que je dois utiliser dans le champ : "Réplications d'exécutions" ?
Trouvez les écrans joints de JMP DoE, pour vous montrer mes tentatives.
Conception d'expériencesRe : DOE - répétitions vs répétitionsPeut-être d'une importance égale ou supérieure est que les répétitions fournissent une estimation de la variation. Si votre problème est la variation, vous devez modéliser les facteurs qui affectent la variation et pas seulement la moyenne.
Re : DOE - répétitions vs répétitionsLes répétitions sont des mesures multiples qui pourraient être utilisées pour faire la moyenne de la réponse pour chaque traitement. Ce n'est pas une réplique !!
Les points centraux ne sont pas considérés comme des répétitions car les mesures sont généralement prises à partir d'une autre série.
Les moyennes de réponse pourraient être récupérées pour les traitements spécifiques à l'aide d'un tableau de données séparé.
Re : DOE - répétitions vs répétitionsOui, je modéliserais le pH moyen en fonction de la température. Oui, la conception optimale pour une réponse linéaire utilise seulement deux niveaux de facteurs.
Assurez-vous que la plage de température est suffisamment large pour produire un changement important du pH, mais pas suffisamment large pour modifier la nature du phénomène que vous étudiez. Le point de la conception est la modélisation. Vous pourriez penser en termes d'une plage étroite dans laquelle vous obtenez le pH souhaité. Vous devriez penser en termes de changement important dans la réponse produite par une plage de température plus large. Ce type de conception vous donnera des estimations plus précises et plus stables de la tendance que vous souhaitez. Ce cas est une expérience et une modélisation, pas seulement des tests. Cette affaire prédit, pas « choisit le gagnant ».
Le dernier point concerne votre dernière question. Nous parlons de la pouvoir dans un dessin. La puissance est la probabilité que vous trouviez qu'un effet réel (c'est-à-dire une tendance linéaire) est statistiquement significatif. Disons qu'il existe une véritable tendance linéaire mais qu'en raison d'un petit échantillon, vous ne la trouvez souvent pas significative. De tels résultats sont faux négatif résultats. La puissance est à peu près à l'opposé : vrais positifs . La décision statistique dans un test d'hypothèse pourrait être décrite comme le fait de décider si le changement dans la réponse est beaucoup plus important que le changement dû à la variation aléatoire de la réponse.
JMP fournit une analyse de puissance intégrée à la plate-forme de conception. Je vais illustrer comment l'utiliser avec un exemple. j'ouvre BICHE > Design personalisé , remplacez le nom de la réponse par pH et le but de Aucun . J'ajoute un seul facteur continu Température avec une gamme -1 à +1 (Je ne connais pas la gamme réelle). je clique Continuer et accepter le modèle par défaut pour une réponse linéaire à Température . j'ai décidé de commencer par 8 pistes (défini par l'utilisateur) et cliquez sur Faire la conception . Comment cette conception fonctionnera-t-elle?
Disons que lorsque la température ne varie pas, le pH varie selon une distribution normale avec un écart type de 0,2 pH. Disons aussi que nous anticipons que le pH va au minimum passer de 6,4 à 7,0 sur la plage de température de cette conception. Nous sommes maintenant prêts à analyser la puissance de cette conception.
Ouvrez le Analyse de puissance plan qui se trouve dans le plan d'évaluation de la conception. Il existe deux manières équivalentes d'analyser la puissance. Je vais vous montrer les deux. Tout d'abord, entrez 0,2 pour le RMSE anticipé (écart-type de réponse). Maintenant, soit entrez le Coefficients anticipés ou la Réponse prévue . Le coefficient anticipé est l'effet divisé par 2. Nous nous attendons à un effet minimal de 7,0 - 6,4 = 0,6 pH donc le coefficient anticipé est 0,3 . Sinon, entrez 6.4 comme réponse anticipée chaque fois Température = -1 et 7.0 quand Température = +1 . Cliquez sur l'un des Appliquer les modifications boutons après avoir entré ces informations.
La conception personnalisée devrait ressembler à ceci :
Si vos attentes sont correctes, alors la puissance est de 0,939 et vous devriez trouver un effet de 0,6 pH ou plus pour être statistiquement significatif pratiquement tout le temps en utilisant cette conception.
J'ai inventé des chiffres pour cet exemple. Essayez de traduire l'illustration dans votre cas spécifique et voyez comment cela se passe. Bien sûr, faites-nous savoir comment ça se passe ou si vous avez d'autres questions.
Re : DOE - répétitions vs répétitionsVeuillez trouver ci-dessous mes commentaires/réponses à vos remarques :
- Oui, un prédicteur et une réponse. En ce moment, je vois que la plate-forme n'est peut-être pas nécessaire...
- Nous mesurons un échantillon 3 fois, pour plus de précision (variabilité élevée de la méthode)
- OK, donc vous iriez juste pour prendre la valeur moyenne, n'est-ce pas ?
- Bon, pour être cohérent avec votre nomenclature propre : nous avons 3 mesures pour une unité expérimentale. À l'heure actuelle, je ne m'attends pas à d'autres effets/variables à prendre en considération.
- Je m'attends à une tendance linéaire. Donc, dans ce cas, deux facteurs de température suffiraient, n'est-ce pas ?
Comment verriez-vous ce problème ?
Re : DOE - répétitions vs répétitionsMerci pour une réponse aussi détaillée.
S'il vous plaît, trouvez ma clarification ci-dessous:
- oui, je m'attends à ce que le pH soit une fonction linéaire de la température
- oui, nous mesurons trois fois pour réduire l'erreur de mesure (variabilité élevée de la méthode) - donc je n'utiliserai que la moyenne, n'est-ce pas ?
- nous ne prendrons pas en compte les jours
- généralement, le temps est le seul (mais crucial !) facteur pour nous
Et question complémentaire, concernant l'étude :
Vous avez mentionné d'entrer le nombre total de courses.
Comment déduire le nombre minimum d'exécutions pour qu'une telle étude soit statistiquement significative ?
Re : DOE - répétitions vs répétitionsJe ne suis pas sûr de comprendre exactement ce que vous demandez, je vais donc poursuivre avec quelques questions/commentaires. Je m'excuse d'avance d'avoir peut-être trop lu dans vos questions.
1. Est-il exact que vous expérimentez avec 1 variable prédictive (Temp.) et 1 variable de réponse (pH) ? Vous ne savez pas pourquoi vous devez utiliser la plate-forme JMP DOE, car il s'agit d'une expérience à un facteur. Vous pouvez utiliser un plan d'échantillonnage dirigé pour acquérir les données à affecter et partitionner les données en composants, puis effectuer une régression pour modéliser les données.
2. Que mesurez-vous ? (" dans des conditions normales, nous mesurons chaque échantillon 3 fois"). Prenez-vous trois mesures de pH sur le "même" échantillon (dans ce cas, obtenir une estimation de la précision de la mesure).
3. En général, répété mesures ne sont pas considérés comme des "événements indépendants" et n'augmentent donc pas les degrés de liberté. Ils sont cependant utiles pour quantifier les composantes de la variation. Mesurer le même échantillon plusieurs fois peut quantifier la précision de la mesure. La mesure de 3 échantillons consécutifs peut quantifier la variation d'un échantillon à l'autre, etc. Dans une situation de DOE, si les multiples "mesures" sont prises sans que les combinaisons de traitement ne changent, elles sont considérées comme des répétitions (essentiellement dans la variation de traitement). Vous pouvez évaluer la cohérence des effets intra-traitement puis, le cas échéant, quantifier la variation intra-traitement à l'aide d'une moyenne et d'une estimation de la variation (p. ex. plage, écart type, variance). La moyenne et l'estimation de la variation peuvent être modélisées comme des Y séparés.
4. Si les traitements changent entre le " unités expérimentales ", ils sont considérés comme des événements indépendants appelés répétitions (notez que j'utilise l'expression unité expérimentale (réplication) par rapport à la mesure utilisée pour les répétitions). Les répliques peuvent être complètement randomisées (la conception archétypale recommandée permettant des estimations « non biaisées » de l'erreur expérimentale)) ou organisées en blocs (qui, nous pouvons le dire, peuvent être traités comme des effets aléatoires ou fixes). S'ils sont traités comme des effets fixes (particulièrement utiles lorsque vous êtes en mesure d'identifier les facteurs de bruit spécifiques et de les "gérer" au cours de l'expérience), les effets de la variable non testée (bruit) peuvent être estimés et les interactions bruit par facteur peuvent être attribué (utile pour une conception robuste).
5. Les points centraux sont un moyen efficace de tester les relations non linéaires dans l'espace de conception dans les conceptions factorielles où vous avez plusieurs variables prédictives (vous n'en avez qu'un, vous auriez donc simplement un troisième niveau à ce facteur). Les points centraux préservent l'équilibre orthogonal et la capacité de rotation. Pour l'analyse, vous pouvez ensuite ajouter un terme dans le modèle pour évaluer la non-linéarité, mais ce terme est confondu pour tous les facteurs du modèle.
Re : DOE - répétitions vs répétitionsLa plate-forme de conception personnalisée est assez flexible, mais certaines fonctionnalités sont destinées à être utilisées de manière routinière et d'autres en tant qu'exceptions selon les besoins.
Je n'utiliserais pas la fonction Nombre de répliques. Cette fonctionnalité indique à JMP que vous souhaitez un certain nombre d'exécutions répliquées, et non le nombre de réplications de l'ensemble de la conception. Utilisez plutôt le nombre d'exécutions en bas. Indiquez ici le nombre total de courses que vous souhaitez.
Je n'utiliserais pas non plus la fonction Points centraux. Vous attendez-vous à ce que le pH ait une réponse linéaire ou non linéaire au changement de température. Si ce sera linéaire, alors vous avez terminé! S'il n'est pas linéaire, ajoutez la deuxième puissance de température au modèle, puis vous avez terminé ! L'ordre du modèle déterminera le nombre optimal de niveaux de température. La conception optimale du modèle linéaire comprendra seulement deux niveaux. La conception optimale du modèle de second ordre comprendra trois niveaux.
Pourquoi mesurez-vous chaque échantillon trois fois ? S'il s'agit de réduire l'erreur de mesure, continuez cette pratique mais entrez uniquement la mesure moyenne pour la valeur Y de cette analyse. Sinon, le modèle traite chaque exécution comme une réplique, c'est-à-dire une configuration, une mesure et un démontage complets. Dans votre cas, il ne s'agit que de la mesure et n'est pas approprié pour estimer le terme d'erreur dans le modèle.
Je ne sais pas si plusieurs jours sont un aspect de votre étude. Souhaitez-vous terminer l'intégralité de l'étude en une journée ou vous attendez-vous à des variations d'une journée à l'autre et souhaitez-vous inclure cet effet dans l'analyse ? Généralement, l'effet du temps est aléatoire et non fixe. C'est-à-dire qu'il y a une variation d'un jour à l'autre mais elle n'est pas reproductible, car le mardi ajoute toujours 7 % à la moyenne. Si vous souhaitez inclure des jours, utilisez l'option de blocs aléatoires en bas et spécifiez le nombre d'exécutions que vous avez l'intention d'exécuter chaque jour.
Veuillez nous faire savoir si vous avez d'autres questions.
