Analizzare condizioni che non sono completamente indipendentiCiao,
Sto cercando di caratterizzare un processo di produzione biologico verso la fine del nostro processo (durante la raccolta). Sto osservando 3 fattori continui: tempo di cella in Media 1, tempo di cella in Media 2 e tempo di cella in Media 3. Questi fattori si verificano in ordine cronologico durante il processo. Sono interessato ai ME e agli effetti di interazione tra questi 3 fattori. La parte difficile è che Cell Time in Media 1 e 2 sono difficili da cambiare poiché abbiamo bisogno di più volume. Dopo questi due passaggi possiamo dividere in più condizioni più piccole per Media 3. Tuttavia, supponiamo di avere 3 condizioni, quindi per i primi due passaggi (Media 1 e 2) le celle sono effettivamente nello stesso tubo insieme e stiamo solo creando 3 condizioni sul terzo fattore (ora diviso in 3 fiale ). Non sono sicuro di come tenerne conto durante l'analisi poiché tecnicamente queste non sono condizioni indipendenti. JMP mette a punto un disegno a trama divisa quando realizzo il DoE (5 interi grafici con 3 condizioni ciascuno), il che ha senso per me, ma penso che ci sia ancora un'ipotesi che ogni condizione sia indipendente. Nel nostro caso non sono completamente indipendenti poiché per ogni intero diagramma le 3 condizioni sono in realtà una condizione per i primi due fattori e diventano solo 3 condizioni durante l'ultimo passaggio.
La mia domanda è: cosa devo fare diversamente durante l'analisi del modello di adattamento per tener conto di ciò? C'è anche un modo? Sembra che JMP aggiunga automaticamente un intero effetto casuale al modello quando crei il disegno della trama divisa, ma non credo che questo risolva il problema sopra.
Grazie!
Modifica: per chiarire, ho usato il design personalizzato e ho specificato che i primi due fattori sono molto difficili da modificare. Il terzo fattore che ho fatto è stato facile da cambiare.
Ri: Analizzare condizioni che non sono completamente indipendentiSto faticando un po 'a avvolgere la mia testa attorno a come appare il tuo processo, ma se ti riferisci alla dipendenza dalle 3 provette nella fase di processo 3 tutte provenienti dalla stessa provetta nelle fasi di processo 1 e 2, quindi la dipendenza di cui sei preoccupato è già gestito dall'effetto blocco casuale dell'intero diagramma. I residui condizionali dovrebbero apparire indipendenti.
Ri: Analizzare condizioni che non sono completamente indipendentiFondamentalmente coltiviamo le cellule in boccette, quindi alla fine del processo le "raccogliamo", cioè girandole verso il basso e risospendendole in diverse formulazioni di media in modo da poterle congelare.
Ma penso che tu abbia risposto alla mia domanda. Sto lottando un po 'per avvolgere la testa sul perché l'effetto casuale Whole Plot spiega la dipendenza, ma è rassicurante sentirlo.
Ri: Analizzare condizioni che non sono completamente indipendentiAl Summit Discovery 2019 c'era una presentazione => La progettazione e l'analisi di esperimenti con fattori di "ordine" (2019-US-30MP-200)
Se capisco la tua domanda, forse questa presentazione sarebbe interessante.
Ri: Analizzare condizioni che non sono completamente indipendentiTi suggerisco di leggere Box e Jones "Disegni a trama divisa per una sperimentazione solida del prodotto". Uso questo approccio abbastanza spesso poiché è estremamente efficiente. Purtroppo l'analisi non può essere eseguita da JMP senza alcun intervento. Sarà necessario analizzare l'intero diagramma separatamente dalla sottotrama. Lo faccio analizzando prima l'intero set di dati con un modello saturo. Trasforma la tabella delle stime dei parametri in una nuova tabella e crea grafici normali e di Pareto per ciascun grafico (WP e SP).
