繰り返し測定…みたいな…。複製を含む 2^3 の完全実施要因計画があるとします。つまり、2x8=16 が実行されます。 各実行は 30 分間続き、参加者はその 30 分間に 8 つの「ターゲット」を検出して起訴します。 8 つのターゲットのそれぞれが独自の応答時間を持っている可能性があります。 ターゲット プロファイルは異なるため、実行ごとに順序をランダムにしています。 ターゲット タイプ要因は気にしないので、効果を測定しようとしている設計要因ではありません。主効果と双方向効果を検出しようとしています。
因子水準ごとに 8 つの応答時間データ ポイント (合計 16x8 の観測値) を取得しているかのように、実行ごとにこれら 8 つの応答時間を独立した観測値として扱うのは理にかなっていますか? それとも、実行ごとに 1 つの観測に対する 8 つの応答時間を平均しますか? 実行ごとに 8 つの観測値を使用できる場合、それらは実行の繰り返し測定として処理するのが最適ですか? なぜなら彼らはいいえ繰り返しの測定 -- 各ターゲットは固有であり、同じ応答時間は得られないことが事前にわかっています。 もちろん、8 つすべてが同じ扱いを受けますが、その他の点で異なり、それが差異の原因となります。
実験計画法Re: 繰り返しの測定…ある意味…因子関係図の写真を添付しました。 これには、プロット全体のブロック、X1 ～ X3 設計係数、およびサブプロット内のターゲット プロファイル (TP) の 1 つの係数が含まれます (ターゲット プロファイルの 8 つの異なる構成が必要な場合、TP1 は階乗の TP1 ～ TP3 になる可能性があります。たとえば、ターゲットのサイズ、ターゲットの距離、ターゲットの色）。 またTP 因子の分解能は気にしないので (大規模な推論空間を作成しようとしているだけです)、これを 30 分の実行あたり 4 回の処理 (3 つの TP 因子の半分) で行うことができます。 あるいは、分割プロット交絡を利用して、解像度をほとんど犠牲にすることなく、処理数をさらに減らすこともできます。 あなたの状況をさらに詳しく知る必要があります。
Re: 繰り返しの測定…ある意味…あなたの言いたいことはわかると思いますが、私はあなたの提案を誤解しているかもしれません。 差し支えなければ、デザインをグラフィックで確認していただけると助かります。
明確にしておきますが、30 分間の実行は複数のターゲットで構成されており、複数の「プロファイル」を実行する唯一の本当の理由は、運用に多様性を持たせ、学習効果を回避するためです。 このような問題を処理するためのより一般的な方法がある場合は、実験を不必要に特定の設計に強制するのではなく、それについて聞きたいと思います。
Re: 繰り返しの測定…ある意味…当初の状況説明を変更しているようですね。 あなたの提案では、「シナリオ」とデイ（およびそれに伴うノイズ）を混同しているため、メリットはありません。 私が提案しているのは、プロット全体の処理の組み合わせ（元の投稿で述べられている階乗、2^3だと思います）ごとに、ターゲットプロファイルの階乗に基づいて一連の処理を実行することです（プロファイルごとに何が変わるかはわかりませんが、ただし、これらの x が何であるかを特定して実験できると思います)。 繰り返しの代わりに、プロファイル係数の階乗によってサブプロットが作成されます。 プロット全体とサブ プロットの自由度は個別に分析されるため (たとえば、それぞれが独自の通常プロットを持つ)、プロット全体の精度が向上し (プロット全体のみのノイズが減り)、サブ プロットの自由度が向上します。プロットも。 また、SP 相互作用による WP も得られるため、プロット効果全体の要因が使用されていたターゲット プロファイルに依存する場合、これを特定して定量化することができます。
Re: 繰り返しの測定…ある意味…@スタットマン
さて、分割プロット オプションでは、さまざまなターゲット プロファイルを含む 6 つのシナリオを開発するとします。 これらのシナリオがメイン プロットとなり、1 日を要します。 次に、これらのメイン プロット内で、調査対象のシステム設計のレベル (システム A、システム 
ごとにプロットを分割します。
| 日 | 1 | 2 | 3 | 4 | 5 | 6 |
| 午前 | あ | あ | B | あ | B | B |
| 午後 | B | B | あ | B | あ | あ |
| シナリオ | 5 | 2 | 3 | 1 | 4 | 6 |
私の場合のように、シナリオの変更が難しくない場合、このアプローチの実際の利点は何でしょうか?
Re: 測定を繰り返すと...なんだか...「堅牢な製品実験のための分割プロット設計」Box and Jones、Journal of Applied Statistics、Vol. 4 を読む必要があります。因子の変更が難しいということは、分割プロットを行う理由の 1 つにすぎません (最良の理由ではありません)。 ランダム化の制限を効果的に使用すると、実験内のノイズを分割し、同時に推論空間に悪影響を与えずに因子効果の検出精度を向上させることができます。
応答変数として使用する平均を計算するときは、標準偏差 (または分散) も計算し、応答変数として使用します。
最終的には人間の行動や決断を理解したいと考えているようですね。 それらをランダム化しても、それらの効果を推定したり、それらの効果を理解したりすることはできません。
Re: 測定を繰り返すと...なんだか...やあ@スタットマン飛び込みます。
@スタットマン書きました：
応答は何を理解しようとしているのでしょうか? 反応時間？ 応答率（から摘発から起訴まで）？
これはコマンド＆コントロールのシナリオです。検出時間は、いくつかの設計要素の影響を示す (多数の) 尺度の 1 つです。
「ターゲットプロファイル」とは何ですか? そして、なぜ設計要素とターゲットプロファイルの間の相互作用を気にしないのでしょうか?
ターゲット プロファイルは実験に多様性と妥当な誤差を追加しますが、それらは多数の潜在的なプロファイルからの小さなサンプルにすぎません。 ターゲットプロファイル効果があるかどうかを知る必要はありません。
応答時間に影響を与える、ターゲットプロファイルに対して堅牢な設計要素を選択しようとしていませんか?
はい、そうです
平均値にしか興味がないようですね？ なぜバリエーションがないのでしょうか？ 分散を考慮せずに平均値を考えることは不可能です...スポーツ イベントで一方のチームのスコアを与え、もう一方のチームにはスコアを与えないのと同じです。
したがって、一連の値を平均値に集約するのは良いアイデアとは思えないという私の以前の懸念です。 おそらく、サンプルを単一の値で特徴づけようとしている場合は、90 パーセンタイルの方が適切でしょう。
デザインを再現しているのですが、なぜですか？ 反復間でどのようなノイズが変化しているか知っていますか?
それは人間のオペレーターの行動に伴うランダム性です。 同じ因子水準で 2 回実行すると、応答は人間の行動や決定の影響を受けるため、明らかに異なる結果が得られます。
さらに考えられるのは、計画構造をプロット全体として扱い、プロファイル係数を分割プロット計画のサブプロットとして扱うことです。 この声明に基づいて、この情報源についてさらに詳しく知りたいと思うでしょう。 」もちろん8人全員が同じ扱いを受けますが、ねえ、他の方法で変化してください、それは変化の原因です」
私は、変更が難しい因子がある場合に分割プロット計画を考える傾向がありますが、ここでは当てはまりません。 これは、実行ごとに要素をかなり簡単に制御できるシミュレーションです。
Re: 測定を繰り返すと...なんだか...固定効果の推定値にはそれほど影響しないはずです。 あなたのデザインは直交しています。 これは、ターゲット内とターゲット間に 2 つの誤差項があるようなものです。 ランダムな変動に関する詳細情報です。
Re: 測定を繰り返すと...なんだか...パーティーに遅れましたが、思い当たることはたくさんありますが、実験に何を求めているのか正確に理解しているとは言えません。
しかし、これは面白そうです...それで、お許しいただければ、いくつか質問があります (もちろん、受け取った回答に満足しているのなら、私は理解しています)。
応答は何を理解しようとしているのでしょうか? 反応時間？ 応答率（から摘発から起訴まで）？
「ターゲットプロファイル」とは何ですか? そして、なぜ設計要素とターゲットプロファイルの間の相互作用を気にしないのでしょうか?
応答時間に影響を与える、ターゲットプロファイルに対して堅牢な設計要素を選択しようとしていませんか?
平均値にしか興味がないようですね？ なぜバリエーションがないのでしょうか？ 分散を考慮せずに平均値を考えることは不可能です...スポーツ イベントで一方のチームのスコアを与え、もう一方のチームにはスコアを与えないのと同じです。
平均値を使用している場合は、まずそれが適切な統計かどうかをテストする必要がありますか? 8 つのターゲット プロファイルに異常なデータ ポイントがある場合はどうなるでしょうか? その場合、平均値は要約統計量として不十分である可能性があります。
デザインを再現しているのですが、なぜですか？ 反復間でどのようなノイズが変化しているか知っていますか? もしそうなら、そのノイズの影響や、場合によってはノイズごとの相互作用 (ロバストな設計について考えてください) を知りたいと思いませんか。 レプリケートをブロックおよび固定効果として扱います。 そうでない場合は、MSE の「不偏」推定値を取得するためにレプリケートを使用することを理解しています。
さらに考えられるのは、計画構造をプロット全体として扱い、プロファイル係数を分割プロット計画のサブプロットとして扱うことです。 この声明に基づいて、この情報源についてさらに詳しく知りたいと思うでしょう。 」もちろん8人全員が同じ扱いを受けますが、ねえ、他の方法で変化してください、それは変化の原因です」
Re: 測定を繰り返すと...なんだか...再度、感謝します@Mark_Bailey私は JMP に偽のデータを含むテーブルを作成するよう依頼し、その結果をモデル化して推奨事項を実装しました。 出力テーブルを使用して、2 つのモデルを実行しました。1 つは 3 つの主効果項と 3 つの二方向項を備えたモデルで、ターゲット プロファイル項はランダム効果1 つ目は、モデルからターゲット プロファイル項を単純に除外したモデルです。 最初のモデルダイアログでは、JMP は REML を推奨しました。 私は SLS の個性と効果の活用強調を使用しています。 変量効果項を使用しない 2 番目のモデルでは、JMP はメソッドの入力を求めませんでした。
いずれにせよ、両方のモデルの結果は非常に似ています。おそらく、データが合成されたため無意味だったからでしょう。 すべての主効果と相互作用は、両方のモデルで 0.05 で有意でした。 これは直観に反しているように思えます。プロファイルを変量効果項として扱うと、はるかに異なる結果が得られるはずであるように思えます。 しかし、おそらく、これら 2 つのモデルを使用してデータをモデル化するという方法で、私はリンゴとオレンジを比較しているのかもしれません。 モデル 2 では、考慮していない効果があるため、おそらく間違った結論を下していると思われます。 しかし、それでは重大な効果は少なくなるだろうと私は考えていました。
Re: 測定を繰り返すと...なんだか...はい、各ターゲットの応答を個別の観測値 (行) として入力します。 公称モデリング タイプを使用してプロファイル列を追加します。 効果リストのこの用語にランダム効果を追加します。 レプリケートの項は追加しないでください。誤差の推定 (再現性) に使用されます。
それはどのように機能するのでしょうか?
Re: 測定を繰り返すと...なんだか...ありがとう@Mark_Bailey , そう考えるのが正しいと思います。 同じ 10 個のターゲット プロファイルを再利用していますが、オペレーターの予測可能性を減らすために順序をランダムに変更しています。 を削除できるようにしたいのですが、目標プロフィール分散の原因ですが、測定する必要はありませんターゲットプロファイル効果。 つまり、単にプロファイル変数 (列) があり、実行ごとに 10 個の観測値 (行) を生成するということですか? 16 回の実行ごとに、ターゲット プロファイルごとに 1 つの観測値が生成されるということでしょうか? あなたのロジックに従えば、それは10x16 = 160行のデータテーブルを意味します。 JMP に治療するように指示する必要がありますか?ターゲットプロファイル計画の構築時または ANOVA のどちらかで変数に違いはありますか?
Re: 測定を繰り返すと...なんだか...@Mark_Baileyランダム効果としてターゲット タイプを含めるようにデータをどのように構造化しますか?
Re: 測定を繰り返すと...なんだか...あるいは、ターゲットプロファイルを要因として考慮することもできます。 つまりレスポンスに影響を与えるのです。 ターゲットプロファイルに固定効果があるとは考えていないようですね。 各治療には同じ 8 つのプロファイルが含まれていますが、これらのプロファイルは、可能なプロファイルの母集団からのランダム サンプルを表します。 これらは、応答に追加の変動、つまりランダム効果をもたらします。 このアプローチにより、プロファイル間およびプロファイル内の変動という追加情報が得られます。
Re: 測定を繰り返すと...なんだか...どうもありがとう@バイロン_JMP , ケビンのプレゼンテーションをチェックしてみます。 平均値で十分だと思います。 別のアプローチは、平均値ではなく、(10 個のターゲットの) 最大または 90 パーセンタイルを取得することです。 ここでの考え方は、最大の検出時間はより懸念すべき値であり、望ましい効果はそれらのより重要な値の減少であるはずであるということです。 (10 個のうち) 最大値を使用するのは危険です。外れ値は問題になります。 おそらく、上位 4 分の 1 の値または 90 パーセンタイルが適切な妥協策となるでしょう。
Re: 測定を繰り返すと...なんだか...イベントをスコアリングする場合でも、各実行 (16 回中 1 回) で (10 回) の反復の平均を取ると、ターゲットを取得するまでの平均時間、または取得間の時間をより正確に推定できます。
ターゲットの順序も考慮したい場合、ターゲットがすべて同一ではない場合は、少し異なる実験計画が必要になります。 (順序要因の実験)。
2019 年の Discover カンファレンスでは、PPG Industries の科学者である Kevin Gallagher が、このトピックに関する非常に優れたケーススタディを発表しました。 https://community.jmp.com/t5/Discovery-Summit-Tucson-2019/The-Design-and-Analysis-of-Experiments-With-Order-Factors-2019/ta-p/223351
Re: 測定を繰り返すと...なんだか...提供した例では、実行ごとに 10 個のターゲットがあると仮定して、混乱を引き起こすことを避けるべきでした。 これらが何らかの方法で単一の要約値 (平均値) として表現された場合、16 回の実行ごとに 1 つの平均値が得られることになります。 それらを個別の値として扱うと、16 回の実行ごとに 10 個の値が存在することになります。 私の目的が単純に要因効果 (3 つの要因それぞれについて) を検証することである場合、両方のケースで結果をどのように分析するかを事前に考えようとしています。
Re: 測定を繰り返すと...なんだか...それは間違いなくケース 1 です。実験の目的は、測定されたアクションに対する実験条件の影響を測定することです。 私も、因子のレベルごとに 8 つの観測値があるかのように観測値を積み上げるのは間違っていると考えました。
8 つの観測値の平均と標準偏差を取得すると、応答変数は次のようになります...平均? それでは、因子の両方の水準について 8 つの平均値があり、それらの平均値の有意差を検定することになるでしょうか?
Re: 測定を繰り返すと...なんだか...実験を理解しようとしています。
実験ユニットは16台あるようですね。
各ユニット内で、いくつかのアクションが 8 回繰り返されます。
1. 8 つのアクションはすべて、実験ユニットの条件に依存します。
実験の目的は、測定されたアクションに対する実験条件の影響を測定することです。
また...
2. 実験の結果、30 分にわたる 8 点の応答曲線が得られます。
目標は、実験条件が応答曲線にどのような影響を与えるかを理解することです。
おそらくケース 1 に取り組んでいると思います。 16x8 データ ポイントのすべての行を積み重ねるのは危険を伴います。
データテーブルに実験変数ごとに 1 つの列を設定し、8 つの測定値ごとに 1 つの列を設定していると思います。 1 つのオプションは、これを混合モデルとして扱い、8 回の時間内および時間内での変動を分析することです。 別のオプションは、8 つの測定値の平均と標準偏差を応答として使用することです。
