Analyser des conditions qui ne sont pas complètement indépendantesBonjour,
J'essaie de caractériser un processus de fabrication biologique vers la fin de notre processus (pendant la récolte). Je regarde 3 facteurs continus: le temps cellulaire dans le média 1, le temps cellulaire dans le média 2 et le temps cellulaire dans le média 3. Ces facteurs se produisent par ordre chronologique au cours du processus. Je m'intéresse aux ME et aux effets d'interaction entre ces 3 facteurs. La partie délicate est que le temps cellulaire dans les médias 1 et 2 est difficile à changer car nous avons besoin de plus de volume. Après ces deux étapes, nous pouvons nous séparer en plusieurs conditions plus petites pour Media 3. Cependant, disons que nous avons 3 conditions, puis pour les deux premières étapes (Médias 1 et 2) les cellules sont en fait dans le même tube ensemble, et nous ne créons que 3 conditions sur le troisième facteur (nous nous séparons maintenant en 3 flacons ). Je ne suis pas sûr de savoir comment en tenir compte lors de l'analyse, car techniquement, ce ne sont pas des conditions indépendantes. JMP propose une conception de parcelles fractionnées lorsque je crée le DoE (5 parcelles entières avec 3 conditions chacune), ce qui est logique pour moi, mais je pense qu'il existe toujours une hypothèse selon laquelle chaque condition est indépendante. Dans notre cas, elles ne sont pas complètement indépendantes car pour chaque parcelle entière les 3 conditions sont en fait une condition pour les deux premiers facteurs et ne deviennent que 3 conditions lors de la dernière étape.
Ma question est de savoir ce que je dois faire différemment pendant l'analyse du modèle d'ajustement pour en tenir compte. Y a-t-il même un moyen? Il semble que JMP ajoute automatiquement un effet aléatoire complet au modèle lorsque vous créez la conception du graphique divisé, mais je ne pense pas que cela résout le problème ci-dessus.
Je vous remercie!
Edit: Pour clarifier, j'ai utilisé un design personnalisé et spécifié les deux premiers facteurs comme très difficiles à modifier. Le troisième facteur que j'ai facilement changé.
Re: Analyser des conditions qui ne sont pas complètement indépendantesJ'ai du mal à comprendre ce à quoi ressemble votre processus, mais si vous faites référence à la dépendance des 3 tubes à l'étape 3 du processus, tous provenant du même tube aux étapes 1 et 2 du processus, alors la dépendance ce qui vous préoccupe est déjà géré par l'ensemble de l'effet de bloc aléatoire du tracé. Les résidus conditionnels doivent être indépendants.
Re: Analyser des conditions qui ne sont pas complètement indépendantesFondamentalement, nous cultivons des cellules dans des flacons, puis à la fin du processus, nous les «récoltons», ce qui signifie les faire tourner et les remettre en suspension dans différentes formulations de médias afin que nous puissions les congeler.
Mais je pense que vous avez répondu à ma question. Je lutte un peu pour comprendre pourquoi l'effet aléatoire Whole Plot explique la dépendance, mais il est rassurant d'entendre que c'est le cas.
Re: Analyser des conditions qui ne sont pas complètement indépendantesLors du Discovery Summit 2019, il y a eu une présentation => Conception et analyse d'expériences avec des facteurs «d'ordre» (2019-US-30MP-200)
Si je comprends votre question, cette présentation serait peut-être intéressante.
Re: Analyser des conditions qui ne sont pas complètement indépendantesJe vous suggère de lire Box and Jones «Split-plot designs for robust product experiment». J'utilise cette approche assez souvent car elle est extrêmement efficace. Malheureusement, l'analyse ne peut pas être effectuée par JMP sans intervention. Vous devrez analyser le tracé entier séparément du sous-tracé. Je le fais en analysant d'abord l'ensemble des données avec un modèle saturé. Transformez le tableau d'estimations des paramètres en un nouveau tableau et créez des tracés normaux et de Pareto pour chaque tracé (WP et SP).
