Erstellen von Modellen mit ZeitfaktorHallo,
Ich führe ein Experiment durch, in dem ich den Fütterungszeitpunkt und den Erntezeitpunkt (Ernte ist definiert als das Ende der Kulturdauer oder das Ende des Experiments) für verschiedene Zellkulturflaschen untersucht. Während ich mein DoE gestalte, stelle ich fest, dass der Erntezeitpunkt es mir ermöglicht, mit meinen Bedingungen ein wenig zu "schummeln". Angenommen, ich betrachte die Lebensfähigkeit (sozusagen die Zellgesundheit), wenn ich an Tag 14 statt an Tag 15 ernte. Wenn ich mein Experiment durchführe, kann ich am Tag 14 tatsächlich eine kleine Probe "ernten" und so jede Bedingung für beide Zeitpunkte (Tag 14 und 15) analysieren. Dies spart mir # Bedingungen, aber ich bin mir bewusst, dass ich möglicherweise bestimmte Annahmen breche, wenn JMP jede Bedingung separat analysiert (keine echten unabhängigen Ereignisse). Wenn ich versuche, eine DoE zu erstellen, weiß ich, dass JMP wirklich vorschlägt, separate Bedingungen für die D14- vs. D15-Ernte zu haben, anstatt nur die gleiche Bedingung zu zwei Zeitpunkten zu analysieren.
Was sind die Mängel dieser Methode? Ich weiß, dass es eine sogenannte Zeitreihenanalyse gibt, aber ich habe sie nie verwendet, und in diesem Fall betrachten wir nur zwei Zeitpunkte.
Danke dir
Betreff: Modellerstellung mit ZeitfaktorZusätzlich zu Marks Vorschlag (der dies als Split-Plot-Design zu behandeln ist eine sehr nützliche Anwendung) könnten Sie diese beiden Takte auch als Wiederholungen innerhalb von Behandlungskombinationen behandeln. Die Wiederholungen könnten verwendet werden, um einen Durchschnitt und eine Varianz für die Behandlungskombinationen abzuschätzen. Jedes dieser Y's konnte unabhängig analysiert werden. Es ist auch nichts falsch daran, sie als zwei Y zu behandeln, solange Sie bei der Interpretation der quantitativen Analyse (NID(0,Varianz)-Annahmen) vorsichtig sind. Sehen Sie, wie gut sie korrelieren (multivariate Analyse).
Betreff: Modellerstellung mit ZeitfaktorDas Problem ist die Randomisierung, nicht das Timing. Was Sie tun, ist nicht falsch. Was Sie tun, ist anders. JMP muss diesen Unterschied kennen, wenn Sie das Experiment entwerfen und die Daten analysieren.
Der Grund dafür ist, dass JMP standardmäßig davon ausgeht, dass Sie jeden Faktor zwischen jedem Lauf zurücksetzen. Sie fangen immer von vorne oder von vorne an. In Ihrem Fall hatten die Ergebnisse zu zwei Zeitpunkten denselben Ausgangspunkt. Sie sind korreliert. Wenn diese Korrelation nicht berücksichtigt wird, können sowohl Fehler vom Typ I als auch Fehler vom Typ II häufiger auftreten.
Die Antwort ist, die Definition der Faktoren als „schwer zu ändern“ zu ändern. Dann können Sie die Anzahl der "ganzen Parzellen" definieren. In Ihrem Fall randomisieren Sie halb so oft (dh Sie erhalten ein Paar Zeitpunkte von jeder Bedingung), also geben Sie n/2 für die Anzahl der ganzen Parzellen ein, wobei n die Anzahl der Läufe ist.
JMP speichert automatisch Informationen in der Datentabelle, damit die Analyse korrekt ist.
