Mesures répétées... en quelque sorte...Supposons que j'ai un plan factoriel complet 2 ^ 3 avec réplique, donc 2x8 = 16 exécutions. Chaque course dure 30 minutes, où les participants détectent et poursuivent 8 « cibles » au cours de ces 30 minutes. Chacune des 8 cibles peut éventuellement avoir son propre temps de réponse. Étant donné que les profils cibles varient, je randomise leur ordre pour chaque exécution. Je ne me soucie pas d'un facteur de type cible, donc ce n'est pas un facteur de conception pour lequel j'essaie de mesurer un effet.J'essaie de détecter les effets principaux et bidirectionnels.
Est-il logique de traiter ces 8 temps de réponse par exécution comme des observations indépendantes, comme si j'obtenais 8 points de données de temps de réponse pour chaque niveau de facteur, pour un total de 16x8 observations ? Ou plutôt faire la moyenne des 8 temps de réponse pour une seule observation par exécution ? Si je peux utiliser 8 observations par analyse, est-il préférable de les traiter comme des mesures répétées pour une analyse ? Parce qu'ils sont pas mesures répétées - chaque cible est unique et je sais à l'avance qu'elles ne produiront pas le même temps de réponse. Tous les 8 sont soumis au même traitement bien sûr, mais ils varient d'autres façons et c'est une source de variance.
Conception d'expériencesRe: Mesures répétées...en quelque sorte...J'ai joint une image du diagramme des relations factorielles. Cela inclut le bloc, les facteurs de conception X1-X3 dans l'ensemble de la parcelle et un facteur pour le profil cible (TP) dans la sous-parcelle (TP1 peut être TP1-TP3 dans une factorielle si vous voulez 8 configurations différentes des profils cibles, par exemple, taille cible, distance cible, couleur cible). Ou puisque vous ne vous souciez pas de la résolution des facteurs TP (vous essayez simplement de créer un grand espace d'inférence), vous pouvez le faire en 4 traitements (demi-fraction des 3 facteurs TP) par exécution de 30 minutes. Ou vous pouvez profiter de la confusion des parcelles divisées pour réduire davantage le nombre de traitements... avec très peu de sacrifices de résolution. J'aurais besoin d'en savoir plus sur votre situation.
Re: Mesures répétées...en quelque sorte...Je pense que je vois ce que vous voulez dire, mais j'interprète peut-être mal votre proposition. Il serait utile de voir votre conception dans un graphique si cela ne vous dérange pas.
Pour être clair, nos courses de 30 minutes consistent en plusieurs cibles et la seule vraie raison pour laquelle nous faisons plusieurs «profils» est qu'il y a une variété opérationnelle et pour aider à éviter un effet d'apprentissage. S'il existe une manière plus courante de gérer ces problèmes, j'aimerais en entendre parler plutôt que de forcer inutilement l'expérience dans une conception particulière.
Re: Mesures répétées...en quelque sorte...On dirait que vous changez votre description originale de la situation. Pour votre proposition, vous confondez les "scénarios" avec Day (et le bruit associé) ce qui ne serait pas un avantage. Ce que je suggère, c'est que pour chaque combinaison de traitement de parcelle entière (le factoriel indiqué dans votre message d'origine, je crois 2 ^ 3), exécutez un ensemble de traitements basés sur un factoriel de profils cibles (vous ne savez pas ce qui change de profil à profil, mais je pense que vous pourriez identifier ce que sont ces x et les expérimenter). Au lieu de répétitions, la factorielle des facteurs de profil créerait le sous-parcelle. Étant donné que l'ensemble du tracé et les degrés de liberté du sous-tracé sont analysés séparément (par exemple, chacun avec son propre tracé normal), vous avez augmenté la précision de l'ensemble du tracé (moins de bruit dans tout le tracé) et augmenté la précision du sous-tracé. complot aussi. Vous obtiendrez également des interactions WP par SP, donc si les facteurs dans l'ensemble des effets des parcelles dépendent du profil cible utilisé, vous pourrez l'identifier et le quantifier.
Re: Mesures répétées...en quelque sorte...@statman
Ok, donc dans l'option split-plot, je suppose que je développerais, disons, 6 scénarios qui impliquent différents profils cibles. Ces scénarios seraient les intrigues principales et occuperaient une journée. Ensuite, dans ces parcelles principales, j'aurais des parcelles divisées pour les niveaux de la conception du système à l'étude : système A, système B.
| jour | 1 | 2 | 3 | 4 | 5 | 6 |
| suis | UN | UN | B | UN | B | B |
| pm | B | B | UN | B | UN | UN |
| Scénario | 5 | 2 | 3 | 1 | 4 | 6 |
Quels sont les réels bénéfices de cette approche, si comme c'est mon cas que changer les scénarios n'est pas difficile ?
Re: Mesures répétées...en quelque sorte...Vous devez lire "Split-plot designs for robust product experimental" Box et Jones, Journal of Applied Statistics, Vol. 19, No.1, 1992. Les facteurs difficiles à modifier ne sont qu'une des raisons de faire des split-plots (et non la meilleure raison). Les restrictions sur la randomisation peuvent être utilisées efficacement pour partitionner le bruit dans une expérience afin d'augmenter simultanément la précision de la détection des effets des facteurs sans affecter négativement l'espace d'inférence.
Lorsque vous calculez la moyenne à utiliser comme variable de réponse, calculez également l'écart type (ou la variance) et nous mangeons comme variable de réponse.
Il semble que vous vouliez finalement comprendre les actions et les décisions humaines. La randomisation ne permettra pas d'estimer ces effets ni de comprendre ces effets.
Re: Mesures répétées...en quelque sorte...Salut @statman sauter dedans.
@statman écrit:
Quelles sont les réponses essaient de comprendre? Temps de réponse? Taux de réponse (de détecter pour poursuivre) ?
C'est un scénario de commande et de contrôle où temps de détection est l'une (parmi de nombreuses) mesures de l'effet de plusieurs facteurs de conception.
Qu'est-ce qu'un "profil cible" ? Et pourquoi ne vous souciez-vous pas de l'interaction entre les facteurs de conception et le profil cible ?
Les profils cibles ajoutent de la variété et une erreur raisonnable à l'expérience, mais ils ne sont qu'un petit échantillon d'un grand nombre de profils potentiels. Je n'ai pas vraiment besoin de savoir s'il y a un effet de profil cible.
N'essayez-vous pas de choisir des facteurs de conception, qui affectent le temps de réponse, robustes au profil cible ?
Hé bien oui
Il semble que vous ne vous intéressiez qu'à la moyenne ? Pourquoi pas la variante ? Il m'est impossible de penser aux moyens sans avoir une idée de la variance... c'est comme donner le score d'une équipe et pas de l'autre dans un événement sportif.
D'où ma préoccupation précédente selon laquelle réduire un groupe de valeurs à une moyenne ne semble pas être une bonne idée. Peut-être qu'un 90e centile est plus approprié si j'essaie de caractériser un échantillon avec une seule valeur.
Vous reproduisez le design, pourquoi ? Savez-vous quel bruit change entre les répliques ?
C'est juste le caractère aléatoire associé aux actions de l'opérateur humain. Deux exécutions avec les mêmes niveaux de facteur donneront certainement des résultats différents, car la réponse est affectée par les actions et les décisions humaines.
Une autre idée est de traiter la structure de conception comme la parcelle entière et le facteur de profil comme la sous-parcelle d'une conception en parcelles divisées. Je pense que vous voudriez en savoir plus sur cette source sur la base de la déclaration. " Tous les 8 sont soumis au même traitement bien sûr, mais t hé varient d'autres façons et c'est une source de variance "
J'ai tendance à penser à des conceptions en parcelles divisées pour les cas où j'ai un facteur difficile à modifier, ce qui n'est pas le cas ici. Il s'agit d'une simulation où nous pouvons contrôler les facteurs assez facilement d'une exécution à l'autre.
Re: Mesures répétées...en quelque sorte...Cela ne devrait pas trop affecter les estimations des effets fixes. Votre dessin est orthogonal. C'est comme avoir deux termes d'erreur, à l'intérieur et entre les cibles. Il s'agit simplement d'informations plus détaillées sur la variation aléatoire.
Re: Mesures répétées...en quelque sorte...En retard à la fête, mais il y a un certain nombre de choses qui me viennent à l'esprit, même si je ne peux pas dire que je comprends exactement ce que vous attendez de l'expérience.
Mais cela semble intéressant... alors si vous me permettez, j'ai quelques questions (bien sûr, si vous êtes satisfait des réponses que vous avez reçues, je comprends) :
Quelles sont les réponses essaient de comprendre? Temps de réponse? Taux de réponse (de détecter pour poursuivre) ?
Qu'est-ce qu'un "profil cible" ? Et pourquoi ne vous souciez-vous pas de l'interaction entre les facteurs de conception et le profil cible ?
N'essayez-vous pas de choisir des facteurs de conception, qui affectent le temps de réponse, robustes au profil cible ?
Il semble que vous ne vous intéressiez qu'à la moyenne ? Pourquoi pas la variante ? Il m'est impossible de penser aux moyens sans avoir une idée de la variance... c'est comme donner le score d'une équipe et pas de l'autre lors d'un événement sportif.
Si vous utilisez la moyenne, ne devriez-vous pas d'abord tester pour voir si c'est la statistique appropriée ? Que faire s'il y a des points de données inhabituels dans les 8 profils cibles ? Dans ce cas, la moyenne pourrait être une mauvaise statistique récapitulative.
Vous reproduisez le design, pourquoi ? Savez-vous quel bruit change entre les répliques ? Si tel est le cas, ne seriez-vous pas intéressé à connaître l'effet de ce bruit et éventuellement les interactions bruit-par-facteur (pensez à une conception robuste). Traitez la réplique comme un bloc et un effet fixe. Sinon, je comprends l'utilisation de la réplique pour obtenir une estimation "impartiale" de la MSE.
Une autre idée est de traiter la structure de conception comme la parcelle entière et le facteur de profil comme la sous-parcelle d'une conception en parcelles divisées. Je pense que vous voudriez en savoir plus sur cette source sur la base de la déclaration. " Tous les 8 sont soumis au même traitement bien sûr, mais t hé varient d'autres façons et c'est une source de variance "
Re: Mesures répétées...en quelque sorte...Merci encore @Mark_Bailey J'ai demandé à JMP de créer la table avec de fausses données, puis j'ai modélisé les résultats juste pour mettre en œuvre votre recommandation. Avec le tableau de sortie, j'ai exécuté deux modèles -- un modèle avec les trois termes d'effets principaux et trois termes à 2 voies, et le terme de profil cible en tant que effet aléatoire , et un modèle où j'ai simplement exclu le terme de profil cible du modèle. Dans la première boîte de dialogue de modèle, JMP a recommandé REML. J'utilise la personnalité SLS et l'accent mis sur l'effet de levier. Dans le deuxième modèle, sans le terme d'effet aléatoire, JMP ne m'a pas demandé de méthode.
Dans tous les cas, les résultats des deux modèles sont assez similaires, peut-être parce que les données n'avaient aucun sens puisqu'elles étaient synthétiques. Tous les effets et interactions principaux étaient significatifs à 0,05 dans les deux modèles. Cela semble contre-intuitif - il semble que traiter le profil comme un terme à effet aléatoire aurait dû donner des résultats très différents. Mais peut-être que je compare des pommes à des oranges dans la façon dont je modélise les données avec ces deux modèles. Dans le modèle 2, je fais probablement de mauvaises conclusions car il y a un effet dont je n'ai pas tenu compte. Mais j'aurais pensé que cela aurait entraîné moins d'effets significatifs.
Re: Mesures répétées...en quelque sorte...Oui, saisissez la réponse pour chaque cible sous la forme d'une observation distincte (ligne). Ajoutez une colonne Profil avec le type de modélisation nominal. Ajoutez l'effet aléatoire à ce terme dans la liste des effets. N'ajoutez aucun terme pour la réplique - qui sera utilisé pour l'estimation de l'erreur (répétabilité).
Comment ça marche?
Re: Mesures répétées...en quelque sorte...Merci @Mark_Bailey , je pense que c'est la bonne façon de penser. Je réutilise les mêmes 10 profils cibles, en modifiant simplement leur ordre au hasard pour réduire la prévisibilité des opérateurs. Je veux pouvoir supprimer le cible profil source de variance, mais je n'ai pas besoin de mesurer la profil cible effet. Alors, cela signifie-t-il que j'ai simplement une variable de profil (colonne) et que je produis 10 observations (lignes) par exécution... une observation pour chaque profil cible, pour chacune des 16 exécutions ? Cela signifierait une table de données de 10x16 = 160 lignes si je suis votre logique. Dois-je dire à JMP de traiter le profil cible variable différemment soit dans la construction de la conception, soit dans l'ANOVA ?
Re: Mesures répétées...en quelque sorte...@Mark_Bailey Comment structureriez-vous les données pour inclure le type de cible comme effet aléatoire ?
Re: Mesures répétées...en quelque sorte...Alternativement, vous pourriez considérer le profil cible comme un facteur. C'est-à-dire que cela a un effet sur la réponse. Il semble que vous ne considériez pas que le profil cible ait un effet fixe. Alors que chaque traitement comprend les mêmes huit profils, les profils représentent un échantillon aléatoire d'une population de profils possibles. Ils introduisent une variation supplémentaire dans la réponse, un effet aléatoire. Cette approche vous donnerait des informations supplémentaires : la variation entre les profils et au sein de ceux-ci.
Re: Mesures répétées...en quelque sorte...Merci beaucoup @Byron_JMP , je vais regarder la présentation de Kevin. Je pense que la moyenne sera suffisante. Une autre approche consisterait à prendre le maximum ou le 90e centile (des 10 cibles) plutôt que les moyens. L'idée ici est que les temps de détection les plus longs sont les valeurs les plus inquiétantes, et un effet souhaité devrait être une réduction de ces valeurs plus critiques. L'utilisation du maximum (sur 10) serait une valeur risquée - les valeurs aberrantes seront gênantes. Peut-être que la valeur du quartile supérieur ou le 90e centile serait un bon compromis.
Re: Mesures répétées...en quelque sorte...Prendre la moyenne des (10) répétitions pour chaque exécution (1 sur 16) vous donnera une meilleure estimation du temps moyen pour acquérir une cible, ou du temps entre l'acquisition, quelle que soit la manière dont vous marquez les événements...
Si vous vouliez également tenir compte de l'ordre des cibles, dans le cas où les cibles ne seraient pas toutes identiques, il existe un plan expérimental un peu différent pour cela. (expérience des facteurs d'ordre).
Lors de la conférence Discover 2019, Kevin Gallagher, scientifique chez PPG Industries, a présenté une très belle étude de cas sur ce sujet. https://community.jmp.com/t5/Discovery-Summit-Tucson-2019/The-Design-and-Analysis-of-Experiments-With-Order-Factors-2019/ta-p/223351
Re: Mesures répétées...en quelque sorte...J'aurais dû éviter de semer la confusion dans l'exemple que j'ai fourni en supposant plutôt que j'ai 10 cibles par exécution. Si ceux-ci étaient exprimés d'une manière ou d'une autre sous la forme d'une seule valeur récapitulative (moyenne), j'aurais 1 moyenne pour chacune des 16 exécutions. Si je les traitais comme des valeurs distinctes, j'aurais 10 valeurs pour chacune des 16 exécutions. J'essaie de réfléchir à la manière dont j'analyserais les résultats dans ces deux cas si mon objectif était simplement de vérifier un effet de facteur (pour chacun des 3 facteurs).
Re: Mesures répétées...en quelque sorte...C'est bien le cas 1 - Le but de l'expérience est de mesurer l'effet des conditions expérimentales sur les actions mesurées. Moi aussi, j'ai pensé qu'il serait erroné d'empiler les observations comme si j'avais 8 observations pour le niveau de chaque facteur.
Si je devais prendre la moyenne et l'écart type des 8 observations, alors ma variable de réponse deviendrait... la moyenne ? Alors, aurais-je alors 8 moyennes pour les deux niveaux d'un facteur, et tester une différence significative des moyennes de ces moyennes ?
Re: Mesures répétées...en quelque sorte...Essayer de comprendre votre expérience.
On dirait que vous avez 16 unités expérimentales.
Dans chaque unité, une action est répétée 8 fois.
1. Les 8 actions dépendent des conditions de l'unité expérimentale.
Le but de l'expérience est de mesurer l'effet des conditions expérimentales sur les actions mesurées.
ou...
2. L'expérience donne une courbe de réponse à 8 points sur 30 min.
L'objectif est de comprendre comment les conditions expérimentales affectent la courbe de réponse.
Je pense que vous travaillez peut-être avec le cas 1. Empiler toutes les lignes pour les points de données 16x8 est semé d'embûches.
Je suppose que votre tableau de données contient une colonne pour chaque variable expérimentale et une colonne pour chacune des 8 mesures. Une option consiste à traiter cela comme un modèle mixte et à analyser la variation entre et à l'intérieur des 8 temps. Une autre option consiste à utiliser la moyenne et l'écart type des 8 mesures comme réponses.
