重复测量...有点...假设我有一个带重复的 2^3 全因子设计，因此 2x8=16 次运行。 每次运行持续 30 分钟，参与者在这 30 分钟内检测并起诉 8 个“目标”。 可以想象，8 个目标中的每一个都有自己的响应时间。 由于目标配置文件不同，我会随机化每次运行的顺序。 我不关心目标类型因素，因此它不是我试图衡量效果的设计因素。我正在尝试检测主要效应和双向效应。
将每次运行的 8 个响应时间视为独立观察是否有意义，就好像我为每个因子水平获取 8 个响应时间数据点，总共 16x8 个观察？ 或者取每次运行单个观察的 8 个响应时间的平均值？ 如果我每次运行可以使用 8 个观察值，是否最好将它们视为一次运行的重复测量？ 因为他们是不是重复测量——每个目标都是独一无二的，我事先知道它们不会产生相同的响应时间。 当然，所有 8 个都受到相同的处理，但它们在其他方面有所不同，这是差异的根源。
实验设计回复：重复测量......有点......我附上了因子关系图的图片。 这包括整个图中的块、X1-X3 设计因素以及子图中目标配置文件 (TP) 的一个因素（如果您想要目标配置文件的 8 种不同配置，则 TP1 可以是阶乘中的 TP1-TP3，例如，目标尺寸、目标距离、目标颜色）。 或者因为您不关心 TP 因子的分辨率（您只是想创建一个大的推理空间），所以您可以在每 30 分钟运行 4 次处理（3 个 TP 因子的一半）中完成此操作。 或者，您可以利用裂区混杂来进一步减少治疗次数……而几乎不牺牲分辨率。 我需要了解您的具体情况。
回复：重复测量......有点......我想我明白你的意思，但我可能误解了你的建议。 如果您不介意的话，以图形形式查看您的设计会有所帮助。
需要明确的是，我们的 30 分钟跑步包含多个目标，我们进行多个“配置文件”的唯一真正原因是为了实现操作多样性并有助于避免学习效应。 如果有更常见的方法来处理此类问题，那么我想听听这些问题，而不是不必要地强迫实验采用特定的设计。
回复：重复测量......有点......听起来你正在改变原来对情况的描述。 对于您的提案，您将“场景”与 Day（以及相关的噪音）混淆，这不会有任何好处。 我的建议是，对于每个整块处理组合（原始帖子中所述的阶乘，我相信 2^3），根据目标配置文件的阶乘运行一组处理（不确定配置文件之间的变化是什么，但我认为你可以识别那些 x 是什么并对其进行实验）。 轮廓因子的阶乘将创建子图，而不是重复。 由于整个图和子图的自由度是分开分析的（例如，每个图都有自己的正态图），因此您提高了整个图的精度（整个图的噪声更少），并提高了子图的精度情节也是如此。 此外，您还将通过 SP 相互作用获得 WP，因此，如果整个图中的因素影响取决于所使用的目标配置文件，您将能够识别并量化这一点。
回复：重复测量......有点......@statman
好的，所以在裂区选项中，我想我会开发 6 个涉及各种目标配置文件的场景。 这些场景将是主要情节，并且会占用一天的时间。 然后，在这些主图中，我将针对所研究的系统设计级别划分图：系统 A、系统 B。
| 天 | 1 | 2 | 3 | 4 | 5 | 6 |
| 是 | A | A | 乙 | A | 乙 | 乙 |
| 下午 | 乙 | 乙 | A | 乙 | A | A |
| 设想 | 5 | 2 | 3 | 1 | 4 | 6 |
如果像我的情况那样改变场景并不困难，那么这种方法的真正好处是什么？
回复：重复测量......有点......您需要阅读“用于稳健产品实验的裂区设计”Box 和 Jones，《应用统计杂志》，第 1 卷。 19，No.1，1992。难以改变因素只是进行裂区的原因之一（而不是最好的原因）。 对随机化的限制可以有效地用于划分实验中的噪声，同时提高检测因素影响的精度，同时不会对推理空间产生负面影响。
当您计算用作响应变量的平均值时，还要计算标准差（或方差），并将饮食作为响应变量。
看来你最终想了解人类的行为和决定。 随机化这些影响将无法估计这些影响，也无法理解这些影响。
回复：重复测量......有点......你好@statman跳进去。
@statman写道：
回应试图理解什么？ 响应时间？ 响应率（从侦查到起诉）？
这是一个命令与控制场景，其中检测时间是几个设计因素影响的（众多）衡量标准之一。
什么是“目标概况”？ 为什么你不关心设计因素和目标轮廓之间的相互作用呢？
目标配置文件为实验增加了多样性和合理的误差，但它们只是大量潜在配置文件中的一个小样本。 我真的不需要知道是否存在目标轮廓效应。
您是否尝试选择影响响应时间且对目标配置文件稳健的设计因素？
嗯，是
看来您只对平均值感兴趣？ 为什么不是变异呢？ 我不可能在不了解方差的情况下考虑均值……这就像在体育赛事中为一支球队而不是另一支球队给出分数一样。
因此，我之前担心将一堆值压缩为平均值似乎不是一个好主意。 如果我尝试用单个值来表征样本，也许 90% 更合适。
你正在复制设计，为什么？ 您知道重复之间的噪声变化是什么吗？
这只是与人类操作员行为相关的随机性。 具有相同因子水平的两次运行肯定会产生不同的结果，因为响应受到人类行为和决策的影响。
进一步的想法是将设计结构视为整个图，将剖面因子视为裂区设计的子图。 我想您会想根据该声明了解更多有关此消息来源的信息。 ”当然，所有 8 个人都受到相同的待遇，但是嘿在其他方面有所不同，这是差异的来源”
我倾向于在有难以改变的因素的情况下考虑裂区设计，但这里的情况并非如此。 这是一种模拟，我们可以相当轻松地控制从一次运行到下一次运行的因素。
回复：重复测量......有点......它不应该对固定效应的估计产生太大影响。 您的设计是正交的。 这就像在目标内部和目标之间有两个误差项。 它只是有关随机变化的更详细信息。
回复：重复测量......有点......聚会迟到了，但我想到了很多事情，尽管我不能说我明白你到底想从实验中得到什么。
但这听起来很有趣……所以如果您愿意的话，我有一些问题（当然，如果您对收到的答复感到满意，我理解）：
回应试图理解什么？ 响应时间？ 响应率（从侦查到起诉）？
什么是“目标概况”？ 为什么你不关心设计因素和目标轮廓之间的相互作用呢？
您是否尝试选择影响响应时间且对目标配置文件稳健的设计因素？
看来您只对平均值感兴趣？ 为什么不是变异呢？ 我不可能在不了解方差的情况下考虑均值……这就像在体育赛事中为一支球队而不是另一支球队给出分数一样。
如果您使用平均值，是否应该首先测试一下这是否是适当的统计数据？ 如果 8 个目标配置文件中存在异常数据点怎么办？ 那么平均值可能是一个很差的汇总统计量。
你正在复制设计，为什么？ 您知道重复之间的噪声变化是什么吗？ 如果是这样，您是否有兴趣了解该噪声的影响以及可能的噪声与因素之间的相互作用（考虑稳健的设计）。 将重复视为一个块和固定效应。 如果没有，那么我理解使用复制来获得 MSE 的“无偏”估计。
进一步的想法是将设计结构视为整个图，将剖面因子视为裂区设计的子图。 我想您会想根据该声明了解更多有关此消息来源的信息。 ”当然，所有 8 个人都受到相同的待遇，但是嘿在其他方面有所不同，这是差异的来源”
回复：重复测量......有点......再次感谢@马克贝利我要求 JMP 创建包含一些虚假数据的表格，然后对结果进行建模以实施您的建议。 通过输出表，我运行了两个模型——一个模型具有三个主效应项和三个双向项，目标概要项作为随机效应，以及一个我只是从模型中排除目标配置文件项的模型。 在第一个模型对话框中，JMP 推荐 REML。 我正在使用 SLS 个性和效果杠杆强调。 在第二个模型中，如果没有随机效应项，JMP 不会提示我选择方法。
无论如何，两个模型的结果非常相似——也许是因为数据是合成的，所以毫无意义。 两个模型中所有主效应和交互作用均显着，均为 0.05。 这似乎违反直觉——似乎将概况视为随机效应项应该会产生截然不同的结果。 但也许我正在比较苹果和橙子，就像我用这两个模型对数据进行建模一样。 在模型 2 中，我可能会得出错误的结论，因为我没有考虑到影响。 但我原以为这会导致更少的重大影响。
回复：重复测量......有点......是的，输入每个目标的响应作为单独的观察（行）。 添加具有名义建模类型的配置文件列。 将随机效果添加到效果列表中的此项。 不要为重复添加任何术语 - 它将用于误差估计（重复性）。
这是如何运作的？
回复：重复测量......有点......谢谢@马克贝利，我认为这是正确的思考方式。 我重复使用相同的 10 个目标配置文件，只是随机改变它们的顺序以降低操作员的可预测性。 我希望能够删除目标轮廓方差的来源，但我不需要测量目标概况影响。 那么，这是否意味着我只需拥有一个配置文件变量（列），并每次运行生成 10 个观测值（行）...对于 16 次运行中的每一次运行，每个目标配置文件都有一个观测值？ 如果我按照你的逻辑的话，这意味着数据表有 10x16 = 160 行。 我是否需要告诉 JMP 来治疗目标概况在构建设计或方差分析中变量有什么不同吗？
回复：重复测量......有点......@马克贝利您将如何构建数据以将目标类型包含为随机效应？
回复：重复测量......有点......或者，您可以将目标配置文件视为一个因素。 也就是说，它对响应有影响。 听起来您不认为目标配置文件具有固定效果。 虽然每种处理都包含相同的八个概况，但这些概况代表了来自可能概况的群体中的随机样本。 他们给响应引入了额外的变化，即随机效应。 这种方法将为您提供额外的信息：配置文件之间和内部的变化。
回复：重复测量......有点......非常感谢@Byron_JMP ，我会看看凯文的演讲。 我认为平均值就足够了。 另一种方法是采用（10 个目标的）最大百分位数或第 90 个百分位数，而不是平均值。 这里的想法是，最大的检测时间是更令人担忧的值，而期望的效果应该是减少那些更关键的值。 使用最大值（10 个）将是一个有风险的值——异常值会很麻烦。 也许上四分位数或第 90 个百分位数是一个很好的折衷方案。
回复：重复测量......有点......取每次运行（10）次重复的平均值（16 次重复中的 1 次）可以让您更好地估计获取目标的平均时间或获取之间的时间，无论您对事件进行评分...
如果您还想考虑目标的顺序，在目标并非全部相同的情况下，则有一些不同的实验设计。 （实验顺序因素）。
在 2019 年的探索大会上，PPG Industries 的科学家 Kevin Gallagher 就这个主题提出了一个非常好的案例研究。 https://community.jmp.com/t5/Discovery-Summit-Tucson-2019/The-Design-and-Analysis-of-Experiments-With-Order-Factors-2019/ta-p/223351
回复：重复测量......有点......我应该避免在我提供的示例中造成混乱，而是假设每次运行有 10 个目标。 如果这些以某种方式表示为单个汇总值（平均值），那么 16 次运行中的每一次都会有 1 个平均值。 如果我将它们视为单独的值，则 16 次运行中的每一次都会有 10 个值。 如果我的目标只是验证一个因素的影响（对于三个因素中的每一个），我会尝试提前考虑如何分析这两种情况下的结果。
回复：重复测量......有点......这绝对是情况 1 - 实验的目标是测量实验条件对测量行为的影响。 我也认为将观察值堆叠起来是错误的，就好像每个因素的水平有 8 个观察值一样。
如果我取 8 个观测值的平均值和标准差，那么我的响应变量就变成了……平均值？ 那么我是否会对一个因子的两个水平有 8 个均值，并测试这些均值的显着差异？
回复：重复测量......有点......试图理解你的实验。
听起来你们有16个实验单位。
每个单元内的某些动作重复 8 次。
1. 所有 8 个动作均取决于实验单元的条件。
实验的目的是测量实验条件对测量行为的影响。
或者...
2. 实验结果是 30 分钟内有 8 个点的响应曲线。
目标是了解实验条件如何影响响应曲线。
我认为您可能正在处理案例 1。 堆叠 16x8 数据点的所有行充满了危险。
我怀疑您的数据表为每个实验变量设置了一列，为 8 个测量值中的每一个设置了一列。 一种选择是将其视为混合模型并分析 8 次之间和内部的变化。 另一种选择是使用 8 次测量的平均值和标准差作为响应。
