2 Fattore fattoriale e una covariata categorica (penso!)Sto progettando un esperimento con due fattori di interesse. Ho abbastanza tempo per 16 corse di 30 minuti. Nel corso di ogni corsa di 30 minuti, una squadra (che funge da unità) viene esposta a 4 oggetti (o oggetti) e ciascuno di questi 4 oggetti produce risposte misurabili che comprendono le nostre variabili di risposta dipendenti. Per motivi di varietà e realismo, quei 4 oggetti sono estratti casualmente da un set di 8 (potremmo fare di più) 8)oggetti, quindi non vengono presentati con lo stesso scenario ad ogni esecuzione. Questi 4 elementi sono noti prima di ogni corsa ma sono randomizzati. Ognuna di queste configurazioni di corsa è facile da cambiare da una corsa all'altra: sono tutte pre-messe in scena dopo la randomizzazione appropriata nella matrice della corsa. L'immagine mostra questa configurazione, anche se il nostro ordine di marcia sarà ovviamente randomizzato. Quale sarebbe l'impostazione più appropriata in JMP sia per la progettazione che per l'analisi, se sono interessato solo agli effetti principali e di interazione dei 2 fattori?
Ri: 2 Fattore fattoriale e una covariata categorica (penso!)Ho bisogno di ulteriori informazioni. Ci sono 8 oggetti possibili totali? Cosa stai misurando? È la stessa Y? I risultati per ciascun oggetto dovrebbero essere gli stessi? Sai quali dovrebbero essere i risultati di ciascun oggetto a priori? Puoi normalizzare le misure (ad es. Delta dal bersaglio)?
Un'ipotesi è che ogni misurazione di un oggetto è una ripetizione della combinazione di trattamento (non considerato un evento indipendente). Potresti essere in grado di calcolare la media e prendere la varianza delle 4 misure (probabile errore di misurazione) per ciascuna combinazione di trattamento (quindi 2 Y?). In questo caso, hai 3 gradi di libertà totali e un modello di Y = Factor1 + Factor2 + (Factor1) (Factor2).
Un'altra ipotesi è se randomizzi i 16 trattamenti / corse come suggerisci (ancora solo 4 combinazioni di trattamenti) potresti essere in grado di considerare gli eventi delle corse indipendenti. In tal caso, hai 15 DF: Y = Factor1 + Factor2 + (Factor1) (Factor2) + Errore
In ogni caso, i 4 oggetti si riferiscono alla variabile dipendente e non alle variabili indipendenti.
Ri: 2 Fattore fattoriale e una covariata categorica (penso!)Ci sono 8 oggetti possibili totali?
Sì, ma quelli 8 sono rappresentativi di una popolazione teoricamente grande. Sono oggetti che differiscono in una serie di caratteristiche che non ci interessano.
Cosa stai misurando? È la stessa Y?
Abbiamo diverse variabili dipendenti che verranno da ogni corsa. Ad esempio, timeToDoActionX
I risultati per ciascun oggetto dovrebbero essere gli stessi?
No
Sai quali dovrebbero essere i risultati di ciascun oggetto a priori?
No
Puoi normalizzare le misure (ad es. Delta dal bersaglio)?
No
Ri: 2 Fattore fattoriale e una covariata categorica (penso!)Difficile dare consigli specifici sulla tua situazione specifica, ma posso pensare a due opzioni per gestire la variazione da oggetto a oggetto:
1. Se hai ipotesi su come gli oggetti potrebbero influenzare le variabili dipendenti, allora potresti essere in grado di assegnare quegli effetti .... qualcosa come l'idea di bloccare. In questo tipo di scenario, si desidera "controllare" quali oggetti sono associati a ciascuna combinazione di trattamento, non randomizzare completamente.
2. Se mancano le ipotesi, quindi randomizzare gli oggetti per ciascun trattamento e utilizzare quei replicati per stimare l'errore sperimentale.
Ri: 2 Fattore fattoriale e una covariata categorica (penso!)Grazie @statman ... Mi chiedo se non ci siano file di dati di allenamento di JMP simili a questa situazione. Più specifiche da seguire.
Questo è un esperimento umano in un ambiente di laboratorio in cui possiamo controllare i fattori di interesse e stiamo iniettando alcuni scenari diversi per il realismo operativo. I vari oggetti sono diversi profili target presentati al team dei partecipanti durante una corsa di 30 minuti.
Ciascuno dei diversi (per esempio, 4) oggetti scenario all'interno di una corsa è un obiettivo che il team segue per una certa percentuale di quel tempo di 30 minuti. Questa è una variabile di risposta chiave: la percentuale di tempo in cui un oggetto viene tracciato. Alcuni livelli di fattori (con migliori capacità di tracciamento) presumibilmente portano a migliori prestazioni del team, ovvero percentuali più elevate di tempo di tracciamento.
All'interno di una di quelle 16 corse di 30 minuti, i due fattori principali sono fissati per quella corsa di 30 minuti. Poiché in una progettazione fattoriale esistono combinazioni di livelli di fattore 2x2 = 4, abbiamo 4 repliche di ciascuna combinazione. Va tutto bene. Ma mi confonde come trattare correttamente (in JMP, in particolare) quegli scenari a cui il team dell'operatore è esposto in ogni corsa. Tali profili / oggetti dello scenario variano in molti modi - tipo, velocità, altitudine, ecc. - una combinazione di caratteristiche categoriche e numeriche che non hanno alcun interesse particolare se non quella di generare varietà. Sono assegnati casualmente a ciascuna corsa. Se esiste un numero finito di questi obiettivi, li tratto come una covariata categorica? Ho bisogno di qualche consiglio che faccia riferimento direttamente alle finestre di dialogo DOE di JMP, se possibile.
Grazie ancora,
Greg
Ri: 2 Fattore fattoriale e una covariata categorica (penso!)Con ogni risposta mi viene un'idea migliore di ciò che stai tentando di fare. Mi assicuro che non sei interessato a comprendere il "rumore" (tipo, velocità, altitudine, ecc.) Esibito dai tuoi oggetti multipli. Personalmente penso che potresti trarre un grande vantaggio nel determinare:
1. Quali sono il fattore di progettazione e gli effetti di interazione
2. Questi effetti sono coerenti con il cambiamento delle condizioni di rumore
3. Esistono interazioni con specifiche variabili del rumore.
Potrebbe non essere molto utile dire "in media questi sono gli effetti del fattore di progettazione" se tali effetti dipendono dalle variazioni degli oggetti.
Ancora una volta hai più opzioni. Non sono sicuro che chiamerei i diversi effetti oggetto "covariate", ma potresti trattarli come blocchi (ad esempio, blocchi forse casuali). Se vuoi capire gli effetti sopra elencati, puoi andare nella direzione della trama divisa.
Se si desidera creare una tabella di dati ipotetici, potrei suggerire alcuni passaggi di analisi.
Ri: 2 Fattore fattoriale e una covariata categorica (penso!)Bene, non sono sicuro di come altrimenti descrivere ciò che stiamo cercando di fare. I due fattori di interesse sono categorici, come suggerito dalle loro designazioni basse / alte, e le risposte sono in genere percentuali (traccia il tempo come percentuale del tempo totale o i successi come percentuale di opportunità).
Ri: 2 Fattore fattoriale e una covariata categorica (penso!)Ci dispiace, ma sarebbe molto più efficiente discutere ... In ogni caso, ho allegato un set di dati ipotetici con 4 blocchi casuali di dimensione 4. Ho incluso 2 risposte: Traccia tempo e% del totale (puoi utilizzare i tempi effettivi poiché il tempo totale è fisso). Ecco 3 modi per eseguire questa analisi, tutti utilizzando la piattaforma modello di adattamento.
1. Impostazione predefinita JMP (REML). Analizza> Adatta modello (aggiungerei l'effetto del 2 ° ordine a questo)
2. Scrivi il tuo e includi le interazioni blocco per fattore. Questo è un modello saturo, rimuovere i termini (usando grafici normali e di Pareto) per ottenere il modello appropriato
3. Scrivi il tuo modello. Includi solo il blocco e il fattoriale degli effetti fattore. Questo ti darà un tipico output ANOVA
Questi modelli sono in allegato HypoJournal.
Ri: 2 Fattore fattoriale e una covariata categorica (penso!)Hmm. Non sono sicuro di aver capito il ruolo dei blocchi.Ri: 2 Fattore fattoriale e una covariata categorica (penso!)Grazie @statman , Penso che probabilmente stai affrontando qualcosa con l'applicazione del blocco. Probabilmente è appropriato qui. Supponendo che gli 8 diversi profili target (T1, T2, ..., T8) ecc. Nella griglia nel post originale) abbiano davvero alcune caratteristiche distintive, come la velocità (veloce contro lento) o la dimensione (grande contro piccolo ). Anche se non mi interessa l'effetto di quella caratteristica sulla risposta, potrei bloccarlo se temo che introduca un rumore indesiderato. Penso che la mia confusione riguardo al blocco derivi dal mio preconcetto del blocco e dal suo uso tipico per fattori "difficili da cambiare" - implica (per me) che siamo vincolati dalla necessità di fare un sacco di piste in cui abbiamo usato solo il T1 target, quindi un gruppo di run in cui utilizziamo solo target T4, ecc. - come se il "tipo di obiettivo" fosse un fattore difficile da modificare. Non sono vincolato in questo modo, ma ho capito che posso bloccare per tipo di bersaglio anche se non viene mantenuto costante per un intervallo di corse come quello. Ho ragione? Mi dispiace che questo sia diventato una lezione DOE per me piuttosto che una domanda specifica per JMP, ma sto cercando di conciliare la mia situazione con i molti esempi di blocco che ho incontrato.
Grazie
Ri: 2 Fattore fattoriale e una covariata categorica (penso!)Ehi, non preoccuparti. Spesso i consigli sull'approccio "migliore" dipendono molto dalla situazione e anche in questo caso esistono ancora più opzioni. Quello che faccio di solito è delineare le opzioni multiple, prevedere tutti i possibili risultati e dove ciascuna opzione mi "guiderà". Quindi scegline uno e vai, rendendoti conto che dovrò iterare. Il blocco può essere fonte di confusione perché l'uso originale del blocco (Fisher) era l'applicazione a situazioni agricole. In situazioni industriali il blocco ha usi diversi. Se sei in grado di identificare una specifica variabile del rumore e sei in grado di controllarli nel corso di un esperimento, hai diverse buone opzioni (essendo il diagramma diviso). Se riesci a identificarli e forse non li controlli in modo specifico (magari raggruppali, come le condizioni ambientali), allora ci sono altre opzioni disponibili. Nella sperimentazione industriale, non raccomando più di 2 blocchi (l'unica ragione per cui corro a più di 2 livelli nella sperimentazione industriale è stimare effetti non lineari) poiché gli effetti di blocco non lineari non hanno senso. Ora puoi esagerare quei blocchi eseguendo ogni blocco in cui il rumore che hai identificato rimane costante all'interno del blocco e cambia tra i blocchi. Se esegui l'esperimento in questo modo, puoi considerare i blocchi come un effetto fisso e assegnare i gradi di libertà per i blocchi e le interazioni blocco per fattore. Il design robusto è l'assenza di interazioni blocco per fattore, quindi questo metodo può accelerare la creazione di progetti robusti.
Se non riesci a identificare o "gestire" il rumore nel corso di un esperimento, ci resta la randomizzazione per aumentare lo spazio di inferenza e mitigare la distorsione nei nostri test statistici.
"Blocca ciò che puoi, randomizza ciò che non puoi". Scatola GEP
