반복 측정... 일종의...복제가 포함된 2^3 완전 요인 설계가 있으므로 2x8=16이 실행된다고 가정합니다. 각 실행은 30분 동안 지속되며 참가자는 30분 동안 8개의 '표적'을 탐지하고 기소합니다. 8개의 대상 각각은 고유한 응답 시간을 가질 수 있습니다. 대상 프로필이 다양하기 때문에 각 실행에 대한 순서를 무작위로 지정합니다. 목표 유형 요소는 신경 쓰지 않으므로 효과를 측정하려는 설계 요소가 아닙니다.주 효과와 양방향 효과를 감지하려고 합니다.
총 16x8 관찰에 대해 각 요인 수준에 대해 8개의 응답 시간 데이터 포인트를 얻는 것처럼 실행당 8개의 응답 시간을 독립적인 관찰로 취급하는 것이 이치에 맞습니까? 또는 대신 실행당 단일 관찰에 대한 8개의 응답 시간을 평균화합니까? 실행당 8개의 관찰을 사용할 수 있는 경우 실행에 대한 반복 측정으로 가장 잘 처리됩니까? 왜냐하면 그들은 ~ 아니다 반복 측정 - 각 대상은 고유하며 동일한 응답 시간을 생성하지 않을 것임을 미리 알고 있습니다. 물론 8개 모두 동일한 치료를 받지만 다른 방식으로 다양하며 변동의 원인이 됩니다.
실험 설계Re: 반복 측정... 일종의...요인 관계 다이어그램의 사진을 첨부했습니다. 여기에는 블록, 전체 플롯의 X1-X3 설계 요소 및 서브플롯의 대상 프로필(TP)에 대한 하나의 요소가 포함됩니다(예: 대상 크기, 대상 거리, 대상 색상). 또는 TP 요인의 해결에 관심이 없기 때문에(대형 추론 공간을 만들려는 것일 뿐입니다) 30분 실행당 4개의 처리(3개의 TP 요인의 절반)에서 이 작업을 수행할 수 있습니다. 또는 split-plot 교란을 활용하여 해상도를 거의 희생하지 않고 처리 횟수를 더 줄일 수 있습니다. 나는 당신의 상황에 대해 좀 더 구체적으로 알아야 할 것입니다.
Re: 반복 측정... 일종의...나는 당신이 의미하는 바를 알 것 같지만 당신의 제안을 잘못 해석하고 있을 수 있습니다. 괜찮다면 그래픽으로 디자인을 보는 것이 도움이 될 것입니다.
명확하게 말하면, 우리의 30분 실행은 여러 대상으로 구성되며 여러 '프로필'을 수행하는 유일한 진짜 이유는 운영상의 다양성이 있고 학습 효과를 피하기 위한 것입니다. 이러한 문제를 처리하는 보다 일반적인 방법이 있다면 불필요하게 특정 설계에 실험을 강요하는 대신 해당 방법에 대해 듣고 싶습니다.
Re: 반복 측정... 일종의...상황에 대한 원래 설명을 변경하는 것 같습니다. 귀하의 제안에 대해 "시나리오"를 Day(및 관련 노이즈)와 혼동하여 이점이 되지 않습니다. 내가 제안하는 것은 각 전체 플롯 처리 조합(원래 게시물에 명시된 계승, 나는 2^3이라고 생각함)에 대해 대상 프로필의 계승을 기반으로 일련의 처리를 실행하는 것입니다(프로파일에서 프로필로 변경되는 사항이 확실하지 않음, 하지만 그 x가 무엇인지 식별하고 실험할 수 있다고 생각합니다.) 반복 대신 프로필 요인의 계승이 하위 플롯을 생성합니다. 전체 플롯과 하위 플롯 자유도가 개별적으로 분석되기 때문에(예: 각각 고유한 일반 플롯이 있음) 전체 플롯의 정밀도를 높이고(단지 전체 플롯에서 노이즈가 적음) 하위 플롯의 정밀도를 높였습니다. 음모도. 또한 SP 상호 작용으로 WP를 얻을 수 있으므로 전체 그림 효과의 요인이 사용된 대상 프로필에 따라 달라지는 경우 이를 식별하고 정량화할 수 있습니다.
Re: 반복 측정... 일종의...@statman
좋습니다. 분할 플롯 옵션에서 다양한 대상 프로필이 포함된 6가지 시나리오를 개발한다고 가정합니다. 이러한 시나리오는 주요 플롯이 될 것이며 하루를 차지할 것입니다. 그런 다음 해당 기본 플롯 내에서 조사 중인 시스템 설계 수준(시스템 A, 시스템 
에 대한 분할 플롯을 갖게 됩니다.
| 낮 | 1 | 2 | 삼 | 4 | 5 | 6 |
| ~이다 | ㅏ | ㅏ | 비 | ㅏ | 비 | 비 |
| 오후 | 비 | 비 | ㅏ | 비 | ㅏ | ㅏ |
| 대본 | 5 | 2 | 삼 | 1 | 4 | 6 |
시나리오를 변경하는 것이 어렵지 않은 경우 이 접근 방식의 실제 이점은 무엇입니까?
Re: 반복 측정... 일종의..."강력한 제품 실험을 위한 분할 플롯 설계" Box and Jones, Journal of Applied Statistics, Vol. 19, No.1, 1992. 요인을 변경하기 어려운 것은 분할 도표를 수행하는 유일한 이유입니다(가장 좋은 이유는 아님). 무작위화에 대한 제한은 추론 공간에 부정적인 영향을 미치지 않으면서 요인 효과를 감지하기 위한 정밀도를 동시에 높이기 위해 실험에서 노이즈를 분할하는 데 효과적으로 사용될 수 있습니다.
응답 변수로 사용할 평균을 계산할 때 표준 편차(또는 분산)도 계산하고 응답 변수로 먹습니다.
궁극적으로 인간의 행동과 결정을 이해하고 싶어하는 것 같습니다. 이들을 무작위화하면 해당 효과를 추정할 수 없으며 해당 효과를 이해할 수 없습니다.
Re: 반복 측정... 일종의...안녕 @statman 뛰어들어.
@statman 쓴 :
응답이 이해하려고 하는 것은 무엇입니까? 응답 시간? 응답률(에서 기소에서 탐지)?
명령 및 제어 시나리오입니다. 감지시간 여러 설계 요소의 효과를 측정하는 방법 중 하나입니다.
"대상 프로필"이란 무엇입니까? 그리고 디자인 요소와 대상 프로필 간의 상호 작용에 대해 신경쓰지 않는 이유는 무엇입니까?
대상 프로파일은 실험에 다양성과 타당한 오류를 추가하지만 많은 잠재적 프로파일의 작은 샘플일 뿐입니다. 타겟 프로필 효과가 있는지는 굳이 알 필요가 없습니다.
응답 시간에 영향을 주는 설계 요소를 선택하고 대상 프로필에 강건한 것은 아닙니까?
글쎄, 그래
평균에만 관심이 있는 것 같습니까? 변형이 아닌 이유는 무엇입니까? 분산에 대한 개념 없이 수단에 대해 생각하는 것은 불가능합니다... 마치 스포츠 경기에서 한 팀에게만 점수를 주고 다른 팀에게는 주지 않는 것과 같습니다.
따라서 많은 값을 평균으로 축소하는 것은 좋은 생각이 아닌 것 같습니다. 단일 값으로 샘플을 특성화하려는 경우 아마도 90번째 백분위수가 더 적절할 것입니다.
당신은 디자인을 복제하고 있습니다, 왜? 반복 실험 사이에 어떤 노이즈가 변하는지 아십니까?
인간 조작자의 행동과 관련된 임의성일 뿐입니다. 응답이 사람의 행동과 결정에 영향을 받기 때문에 요인 수준이 같은 두 번의 실행은 분명히 다른 결과를 낳을 것입니다.
추가 생각은 디자인 구조를 전체 플롯으로 취급하고 프로필 요소를 분할 플롯 디자인의 서브플롯으로 취급하는 것입니다. 나는 당신이 진술을 기반으로 이 출처에 대해 더 알고 싶어할 것이라고 생각합니다. " 물론 8개 모두 같은 취급을 받지만 t 다른 방식으로 다양하며 이것이 분산의 원인입니다. "
저는 변경하기 어려운 요소가 있는 경우에 대해 분할구 설계를 생각하는 경향이 있지만 여기서는 그렇지 않습니다. 이것은 한 실행에서 다음 실행으로 요소를 상당히 쉽게 제어할 수 있는 시뮬레이션입니다.
Re: 반복 측정... 일종의...고정 효과의 추정치에 그다지 영향을 미치지 않아야 합니다. 귀하의 디자인은 직각입니다. 이는 목표 내와 목표 사이에 두 개의 오류 용어가 있는 것과 같습니다. 무작위 변형에 대한 더 자세한 정보입니다.
Re: 반복 측정... 일종의...파티에 늦었지만, 당신이 실험에서 정확히 무엇을 원하는지 이해한다고 말할 수는 없지만 떠오르는 것들이 많이 있습니다.
그러나 이것은 흥미롭게 들립니다... 그래서 당신이 제게 허락하신다면 저는 몇 가지 질문이 있습니다(물론 당신이 받은 응답에 만족한다면 이해합니다):
응답이 이해하려고 하는 것은 무엇입니까? 응답 시간? 응답률(에서 기소에서 탐지)?
"대상 프로필"이란 무엇입니까? 그리고 디자인 요소와 대상 프로필 간의 상호 작용에 대해 신경쓰지 않는 이유는 무엇입니까?
응답 시간에 영향을 주는 설계 요소를 선택하고 대상 프로필에 강건한 것은 아닙니까?
평균에만 관심이 있는 것 같습니까? 변형이 아닌 이유는 무엇입니까? 분산에 대한 개념 없이 수단에 대해 생각하는 것은 불가능합니다... 마치 스포츠 경기에서 한 팀에게만 점수를 주고 다른 팀에게는 주지 않는 것과 같습니다.
평균을 사용하는 경우 먼저 적절한 통계인지 확인하기 위해 테스트해야 하지 않습니까? 8개의 대상 프로필에 비정상적인 데이터 포인트가 있으면 어떻게 됩니까? 그러면 평균이 좋지 않은 요약 통계일 수 있습니다.
당신은 디자인을 복제하고 있습니다, 왜? 반복 실험 사이에 어떤 노이즈가 변하는지 아십니까? 그렇다면 해당 노이즈의 영향과 요인별 노이즈 상호 작용(견고한 설계 고려)을 아는 데 관심이 있지 않습니까? 복제를 블록 및 고정 효과로 취급하십시오. 그렇지 않은 경우 MSE의 "편향되지 않은" 추정치를 얻기 위해 복제를 사용하는 것을 이해합니다.
추가 생각은 디자인 구조를 전체 플롯으로 취급하고 프로필 요소를 분할 플롯 디자인의 서브플롯으로 취급하는 것입니다. 나는 당신이 진술을 기반으로 이 출처에 대해 더 알고 싶어할 것이라고 생각합니다. " 물론 8개 모두 같은 취급을 받지만 t 다른 방식으로 다양하며 이것이 분산의 원인입니다. "
Re: 반복 측정... 일종의...다시 한 번 감사드립니다 @Mark_Bailey JMP에게 일부 가짜 데이터로 테이블을 생성하도록 요청한 다음 권장 사항을 구현하기 위해 결과를 모델링했습니다. 출력 테이블을 사용하여 두 가지 모델을 실행했습니다. 하나는 3개의 주요 효과 항과 3개의 2원 항이 있는 모델과 목표 프로파일 항을 무작위 효과 , 그리고 모델에서 대상 프로필 용어를 단순히 제외시킨 하나의 모델입니다. 첫 번째 모델 대화 상자에서 JMP는 REML을 추천했습니다. 나는 SLS 성격과 효과 활용 강조를 사용하고 있습니다. 두 번째 모델에서 무작위 효과 항이 없으면 JMP에서 방법을 묻지 않았습니다.
어쨌든 두 모델의 결과는 매우 유사합니다. 아마도 데이터가 합성되었기 때문에 의미가 없었기 때문일 것입니다. 모든 주요 효과와 상호 작용은 두 모델 모두에서 0.05로 유의했습니다. 이는 직관에 어긋나는 것처럼 보입니다. 프로필을 무작위 효과 항으로 취급하면 훨씬 다른 결과가 나올 것 같습니다. 그러나 아마도 나는 이 두 모델로 데이터를 모델링하는 방식으로 사과를 오렌지와 비교하고 있을 것입니다. 모델 2에서 내가 설명하지 않은 효과가 있기 때문에 잘못된 결론을 내리고 있는 것 같습니다. 그러나 나는 그것이 더 적은 중요한 효과를 가져올 것이라고 생각했을 것입니다.
Re: 반복 측정... 일종의...예, 각 대상에 대한 반응을 별도의 관찰(행)로 입력합니다. 명목 모델링 유형이 있는 프로필 열을 추가합니다. 효과 목록에서 이 용어에 임의 효과를 추가합니다. 복제에 대한 용어를 추가하지 마십시오. 오류 추정(반복 가능성)에 사용됩니다.
어떻게 작동합니까?
Re: 반복 측정... 일종의...감사해요 @Mark_Bailey , 나는 그것이 그것을 생각하는 올바른 방법이라고 생각합니다. 나는 동일한 10개의 대상 프로필을 재사용하고 있으며 운영자의 예측 가능성을 줄이기 위해 순서를 임의로 변경합니다. 을 제거할 수 있기를 원합니다. 표적 프로필 변동의 원인이지만 측정할 필요는 없습니다. 대상 프로필 효과. 그렇다면 프로필 변수(열)가 있고 실행당 10개의 관찰(행)을 생성한다는 의미인가요? 논리를 따르고 있다면 10x16 = 160 행의 데이터 테이블을 의미합니다. JMP에게 다음을 치료하도록 지시해야 합니까? 대상 프로필 설계를 구축할 때나 ANOVA에서 변수가 다를까요?
Re: 반복 측정... 일종의...@Mark_Bailey 대상 유형을 무작위 효과로 포함하도록 데이터를 어떻게 구성하시겠습니까?
Re: 반복 측정... 일종의...또는 대상 프로필을 요인으로 고려할 수 있습니다. 즉, 응답에 영향을 미칩니다. 타겟 프로파일이 고정된 효과를 갖는 것으로 간주하지 않는 것 같습니다. 각 치료에는 동일한 8개의 프로필이 포함되지만 프로필은 가능한 프로필 모집단의 무작위 샘플을 나타냅니다. 응답에 추가 변형, 무작위 효과를 도입합니다. 이 접근 방식은 프로필 간 및 프로필 내 변형과 같은 추가 정보를 제공합니다.
Re: 반복 측정... 일종의...매우 감사합니다 @Byron_JMP , Kevin의 프레젠테이션을 확인하겠습니다. 그 평균은 충분할 것이라고 생각합니다. 또 다른 접근법은 평균보다는 최대 또는 90번째 백분위수(10개 목표 중)를 취하는 것입니다. 여기서 생각은 가장 큰 감지 시간이 더 걱정스러운 값이고 원하는 효과는 더 중요한 값의 감소여야 한다는 것입니다. 최대값(10의)을 사용하는 것은 위험한 값이 될 수 있습니다. 이상값은 문제가 됩니다. 아마도 상위 사분위수 값이나 90번째 백분위수는 좋은 절충안이 될 것입니다.
Re: 반복 측정... 일종의...각 실행(1/16)에 대한 (10) 반복의 평균을 취하면 대상을 획득하는 평균 시간 또는 획득 사이의 시간을 더 잘 추정할 수 있지만 이벤트 점수를 매기고 있습니다...
타겟의 순서도 고려하고 싶다면 타겟이 모두 동일하지 않은 경우 이에 대한 약간 다른 실험 설계가 있습니다. (순서 요인 실험).
2019년 발견 컨퍼런스에서 PPG Industries의 과학자인 Kevin Gallagher는 이 주제에 대한 정말 좋은 사례 연구를 발표했습니다. https://community.jmp.com/t5/Discovery-Summit-Tucson-2019/The-Design-and-Analysis-of-Experiments-With-Order-Factors-2019/ta-p/223351
Re: 반복 측정... 일종의...실행당 10개의 대상이 있다고 가정하여 제공한 예제에서 혼란을 피해야 했습니다. 그것들이 어떻게든 하나의 요약 값(평균)으로 표현된다면, 나는 16회 실행 각각에 대해 1개의 평균을 가질 것입니다. 그것들을 별도의 값으로 취급하면 16회 실행 각각에 대해 10개의 값을 갖게 됩니다. 내 목표가 단순히 요인 효과(3가지 요인 각각에 대해)를 확인하는 것이라면 두 경우 모두 결과를 분석하는 방법에 대해 미리 생각하려고 합니다.
Re: 반복 측정... 일종의...확실히 사례 1입니다. 실험의 목표는 측정된 작업에 대한 실험 조건의 영향을 측정하는 것입니다. 저 역시 각 요인 수준에 대해 8개의 관측치가 있는 것처럼 관측치를 쌓는 것이 잘못될 것이라고 생각했습니다.
8개 관찰의 평균과 sd를 취하면 응답 변수는...평균이 됩니다. 그렇다면 요인의 두 수준 모두에 대해 8개의 평균을 갖고 해당 평균의 유의미한 차이를 테스트할까요?
Re: 반복 측정... 일종의...실험을 이해하려고 합니다.
16개의 실험 장치가 있는 것 같습니다.
각 유닛 내에서 어떤 동작이 8번 반복됩니다.
1. 8가지 동작 모두 실험 장치의 조건에 따라 달라집니다.
실험의 목표는 측정된 동작에 대한 실험 조건의 영향을 측정하는 것입니다.
또는...
2. 실험 결과 30분 동안 8개의 포인트가 있는 응답 곡선이 생성되었습니다.
목표는 실험 조건이 반응 곡선에 미치는 영향을 이해하는 것입니다.
나는 당신이 사례 1로 작업하고 있다고 생각합니다. 16x8 데이터 포인트에 대한 모든 행을 쌓는 것은 위험합니다.
각 실험 변수에 대해 하나의 열을 설정하고 8개의 측정값 각각에 대해 하나의 열을 설정한 데이터 테이블이 있다고 생각합니다. 한 가지 옵션은 이를 혼합 모델로 취급하고 8회에 걸쳐 군간 및 군내 변동을 분석하는 것입니다. 또 다른 옵션은 응답으로 8개 측정의 평균 및 표준 편차를 사용하는 것입니다.
