HILFE BEI FRAKTIONALEM FAKTORIALDESIGN DES EXPERIMENTSWie führe ich eine fraktionale faktorielle Versuchsplanung durch? Ich habe einige Videos gesehen, aber sie haben mir die Grundlagen nicht sehr gut erklärt. Ich habe Daten, die ich analysieren muss, aber ich bin neu in der Versuchsplanung, aber ich habe keine Zeit zu verlieren. Ich werde eine interaktive Erklärung bevorzugen.
Ich freue mich über jede Hilfe
Betreff: HILFE BEI FRAKTIONALEM FAKTORIALDESIGN DES EXPERIMENTSIch schlage vor, dass Sie das DOE-Tutorial durchgehen, das bei der Installation von JMP auf Ihren Computer heruntergeladen wird. Es wird Sie durch die Implementierung eines Fractional Factorial Design führen
Es kann gefunden werden bei:
Hilfe ==> Tutorials ==> DOE Tutorial
Betreff: HILFE BEI FRAKTIONALEM FAKTORIALDESIGN DES EXPERIMENTSDie JMP-Tutorials sind ziemlich gut für Anfänger. Wenn Sie Ihren Datensatz an diesen Thread anhängen, wird sicher jemand einen Blick darauf werfen und Ihnen bei der Analyse helfen.
Betreff: HILFE BEI FRAKTIONALEM FAKTORIALDESIGN DES EXPERIMENTSIm Anhang befindet sich mein Datensatz. Die letzte Variable ist die Ergebnisvariable (Y). Alle anderen gehen in das Modell. Vielen Dank
Betreff: HILFE BEI FRAKTIONALEM FAKTORIALDESIGN DES EXPERIMENTSSie müssen uns zunächst mitteilen, welche Änderung der Antwortvariablen (Y, getrocknetes Zellgewicht) von praktischem Wert ist. Was ist die kleinste Änderung, die für Sie wichtig ist, und was ist der Zielwert? Haben Sie auch die Laufreihenfolge verfolgt?
Wenn Sie sich Ihr Design ansehen, haben Sie unten 4 Behandlungen mit sehr unterschiedlichen Leveleinstellungen? Dies sind keine Mittelpunkte. Neugierig, wie Sie auf diese Behandlungskombinationen gekommen sind?
Erster Blick (wieder ist dies ein blinder Blick, da ich nicht weiß, ob die erstellte Variation einen echten Wert hat):
1. Sie haben ein ungewöhnlich großes Ergebnis für die Behandlung, bei der das Ergebnis 0,706 beträgt. Dieser große Wert (besondere Ursache wie) ist wahrscheinlich auf Rauschen im Experiment zurückzuführen, nicht auf Behandlungseffekte. Seien Sie daher bei der Verwendung quantitativer Analysen vorsichtig. Dieses Potential erhöht den experimentellen Fehler.
2. Ich habe die Analyse ohne die letzten 4 Behandlungen durchgeführt und die Analyse (JMP Journal) unter Verwendung eines gesättigten Modells angehängt. Dies ist ein Screening der linearen Effekte der einzelnen Faktoren und der damit verbundenen Wechselwirkungen (Sie haben mit einem Design mit ziemlich hoher Auflösung begonnen). In der Regel vereinfachen Sie das Modell, indem Sie unbedeutende Begriffe entfernen und die Analyse erneut ausführen, um Residuen zur Beurteilung der Angemessenheit des Modells zu erhalten. Dazu müssen Sie zunächst feststellen, ob diese Ergebnisse von praktischer Bedeutung sind.
3. Ich spielte mit dem Entfernen von Begriffen, die eine praktische Bedeutung einer Änderung von Y in 0,05 hatten (Pareto-Diagramm) und auch statistische Signifikanz zeigten (halbnormales Diagramm). Die Ergebnisse dieser Analyse finden Sie auch im beigefügten Journal. Die Residuen sehen etwas bimodal aus und es kann auch einen Ausreißer geben, der darauf hinweist, dass möglicherweise Probleme mit dem Modell vorliegen. Ich habe die Residuen und die Vorhersageformel für diese Analyse gespeichert.
4. Ich habe dann die zusätzlichen 4 Behandlungen hinzugefügt, die Sie in Ihrem ursprünglichen Datensatz hatten. Die Vorhersageformel hat diese 4 Punkte sehr schlecht vorhergesagt (vielleicht nicht ungewöhnlich, da diese 4 Punkte weit über die Inferenz des Entwurfsraums hinausgingen). Betrachtet man Faktor B, so scheint dieser Faktor einen nichtlinearen Effekt zu haben.
Ich bin sicher, andere gehen möglicherweise anders vor ... lassen Sie mich wissen, wenn Sie Fragen haben.
Betreff: HILFE BEI FRAKTIONALEM FAKTORIALDESIGN DES EXPERIMENTSHinzufügen zu @ txnelson und @ Statman Ich habe Faktorstufen über die Läufe aufgetragen, unter der Annahme, dass die Reihenfolge in der Tabelle die Reihenfolge der Läufe ist. Ich sehe ein deutliches Muster, das darauf hindeutet, dass dieses Experiment nicht randomisiert wurde.
Die Einschränkung der Randomisierung kann die Analyse dramatisch beeinflussen. Die Regression des linearen Modells mit einem einzelnen Fehlerterm (Residuen) erhöht die Typ I-Fehler der schwer zu ändernden Faktoren und die Typ II-Fehler der leicht zu ändernden Faktoren. Es sieht so aus, als hätten Sie vor den letzten vier fünf Randomisierungsstufen Ad hoc Behandlungen.
Ich habe auch Spalteneigenschaften hinzugefügt, die die Regressionsanalyse von Daten aus einem Experiment erleichtern. JMP fügt diese Eigenschaften automatisch hinzu, wenn Sie das Experiment mit JMP entwerfen und die Tabelle erstellen. Sie haben diese Daten aus einer Excel-Arbeitsmappe importiert, die keine solchen Eigenschaften hat.
Ich habe Generalized Regression mit Ridge-Regression verwendet, um die Schätzungen zu verkleinern, und LASSO, um die Parameter für ein lineares Modell mit Haupteffekten und Interaktionseffekten auszuwählen. Wenn dieses Experiment jedoch nicht randomisiert wurde, bezweifle ich, dass eine Regression gültig ist.
