2 Factorielle factorielle et covariable catégorique (je pense!)Je conçois une expérience avec deux facteurs d'intérêt. J'ai assez de temps pour 16 runs de 30 minutes. Au cours de chaque course de 30 minutes, une équipe (agissant comme une unité) est exposée à 4 objets (ou éléments), et chacun de ces 4 objets fournit des réponses mesurables qui comprennent nos variables de réponse dépendantes. Par souci de variété et de réalisme, ces 4 objets sont tirés au hasard à partir d'un ensemble de 8 (nous pourrions en faire plus) 8)objets, de sorte qu'ils ne sont pas présentés avec le même scénario à chaque exécution. Ces 4 éléments sont connus avant chaque exécution mais sont randomisés. Chacune de ces configurations d'exécution est facile à changer d'une exécution à l'autre - elles sont toutes préétagées après une randomisation appropriée dans la matrice d'exécution. L'image montre cette configuration, bien que notre ordre d'exécution soit bien sûr randomisé. Quelle serait la configuration la plus appropriée dans JMP pour la conception et l'analyse, si je ne suis intéressé que par les effets principaux et d'interaction des 2 facteurs?
Re: 2 Factorielle factorielle et une covariable catégorique (je pense!)J'ai besoin de plus d'informations. Il y a au total 8 objets possibles? Que mesurez-vous réellement? Est-ce le même Y? Les résultats pour chaque objet devraient-ils être les mêmes? Connaissez-vous a priori les résultats de chaque objet? Pouvez-vous normaliser les mesures (par exemple, delta de la cible)?
Une supposition est que chaque mesure d'un objet est une répétition de la combinaison de traitement (non considéré comme un événement indépendant). Vous pourrez peut-être faire la moyenne et prendre la variance des 4 mesures (erreur de mesure probable) pour chaque combinaison de traitement (donc 2 Y?). Dans ce cas, vous avez 3 degrés de liberté totaux et un modèle de Y = Factor1 + Factor2 + (Factor1) (Factor2).
Une autre supposition si vous randomisez les 16 traitements / séries comme vous le suggérez (toujours seulement 4 combinaisons de traitements), vous pourrez peut-être considérer les séries comme des événements indépendants. Si oui, alors vous avez 15 DF: Y = Facteur1 + Facteur2 + (Facteur1) (Facteur2) + Erreur
Dans tous les cas, les 4 objets concernent la variable dépendante et non les variables indépendantes.
Re: 2 Factorielle factorielle et une covariable catégorique (je pense!)Il y a au total 8 objets possibles?
Oui, mais ces 8 sont représentatifs d'une population théoriquement importante. Ce sont des objets qui diffèrent par un certain nombre de caractéristiques qui nous importent peu.
Que mesurez-vous réellement? Est-ce le même Y?
Nous avons plusieurs variables dépendantes qui proviendront de chaque exécution. Par exemple, timeToDoActionX
Les résultats pour chaque objet devraient-ils être les mêmes?
Non
Connaissez-vous a priori les résultats de chaque objet?
Non
Pouvez-vous normaliser les mesures (par exemple, delta de la cible)?
Non
Re: 2 Factorielle factorielle et une covariable catégorique (je pense!)Difficile de donner des conseils spécifiques sur votre situation spécifique, mais je peux penser à deux options pour gérer la variation d'objet à objet:
1. Si vous avez des hypothèses sur la façon dont les objets pourraient affecter les variables dépendantes, vous pourrez peut-être attribuer ces effets .... quelque chose comme l'idée de blocage. Dans ce type de scénario, vous voudriez "contrôler" quels objets sont associés à chaque combinaison de traitement, pas complètement randomiser.
2. Si vous manquez d'hypothèses, randomisez les objets pour chaque traitement et utilisez ces répliques pour estimer l'erreur expérimentale.
Re: 2 Factorielle factorielle et une covariable catégorique (je pense!)Merci @statman ... Je me demande s'il existe des fichiers de données de formation JMP à ce sujet. Plus de détails à suivre.
Il s'agit d'une expérience humaine dans la boucle dans un environnement de laboratoire où nous pouvons contrôler les facteurs d'intérêt et injecter différents scénarios de réalisme opérationnel. Les différents objets sont des profils cibles variés présentés à l'équipe participante lors d'une course de 30 minutes.
Chacun de plusieurs (par exemple, 4) objets de scénario dans une course est une cible que l'équipe suit pendant un certain pourcentage de ce temps de 30 minutes. C'est une variable clé de réponse - le pourcentage de temps qu'un objet est suivi. Certains niveaux de facteurs (avec de meilleures capacités de suivi) conduisent vraisemblablement à de meilleures performances de l'équipe, c'est-à-dire à des pourcentages plus élevés de temps de suivi.
Dans l'un de ces 16 runs de 30 minutes, les deux facteurs principaux sont fixes pour ce run de 30 minutes. Puisqu'il y a 2x2 = 4 combinaisons de niveaux de facteurs dans un plan factoriel, nous avons 4 réplications de chaque combinaison. C'est très bien. Mais cela me dérange de savoir comment traiter correctement (dans JMP en particulier) les scénarios auxquels l'équipe d'opérateurs est exposée à chaque exécution. Ces profils / objets de scénario varient de plusieurs façons - type, vitesse, altitude, etc. - une combinaison de caractéristiques catégorielles et numériques qui ne présentent aucun intérêt particulier autre que de générer de la variété. Ils sont assignés au hasard à chaque manche. S'il existe un nombre fini de ces cibles, dois-je les traiter comme une covariable catégorique? J'ai besoin de quelques conseils qui se réfèrent directement aux boîtes de dialogue JMP DOE si possible.
Merci encore,
Greg
Re: 2 Factorielle factorielle et une covariable catégorique (je pense!)Avec chaque réponse, j'ai une meilleure idée de ce que vous essayez de faire. Permettez-moi de vous assurer que vous n'êtes pas intéressé à comprendre le "bruit" (type, vitesse, altitude, etc.) présenté par vos multiples objets. Je pense personnellement que vous pourriez tirer un grand avantage de déterminer:
1. Quels sont le facteur de conception et les effets d'interaction
2. Ces effets sont-ils cohérents dans des conditions de bruit changeantes
3. Y a-t-il des interactions avec des variables de bruit spécifiques.
Il peut ne pas être très utile de dire «en moyenne, ce sont les effets du facteur de conception» si ces effets dépendent des variations des objets.
Encore une fois, vous avez plusieurs options. Je ne suis pas sûr d'appeler les différents effets d'objet "covariables", mais vous pouvez les traiter comme des blocs (par exemple, peut-être des blocs aléatoires). Si vous voulez comprendre les effets répertoriés ci-dessus, vous pouvez aller dans le sens du split-plot.
Si vous souhaitez créer un tableau de données hypothétiques, je pourrais suggérer quelques étapes d'analyse.
Re: 2 Factorielle factorielle et une covariable catégorique (je pense!)Eh bien, je ne sais pas comment décrire autrement ce que nous essayons de faire. Les deux facteurs d'intérêt sont catégoriques, comme le suggèrent leurs désignations faibles / élevées, et les réponses sont généralement des pourcentages (temps de suivi en pourcentage du temps total ou succès en pourcentage d'opportunité).
Re: 2 Factorielle factorielle et une covariable catégorique (je pense!)Désolé, mais il serait beaucoup plus efficace de discuter ... En tout cas, j'ai joint un ensemble de données hypothétiques avec 4 blocs aléatoires de taille 4. J'ai inclus 2 réponses: temps de suivi et% du total (vous pouvez utiliser les temps réels car le temps total est fixe). Voici 3 façons de faire cette analyse, toutes utilisant Fit Model Platform.
1. JMP par défaut (REML). Analyser> Ajuster le modèle (j'ajouterais l'effet de second ordre)
2. Écrivez les vôtres et incluez les interactions bloc par facteur. Il s'agit d'un modèle saturé, supprimez les termes (en utilisant les tracés normaux et de Pareto) pour obtenir le modèle approprié
3. Écrivez votre propre modèle. Inclure uniquement le bloc et la factorielle des effets de facteur. Cela vous donnera une sortie ANOVA typique
Ces modèles sont dans l'HypoJournal ci-joint.
Re: 2 Factorielle factorielle et une covariable catégorique (je pense!)Hmm. Je ne suis pas sûr de comprendre le rôle des blocs.Re: 2 Factorielle factorielle et une covariable catégorique (je pense!)Merci @statman , Je pense que vous êtes probablement sur quelque chose avec l'application du blocage. C'est probablement approprié ici. En supposant que les 8 profils cibles différents (T1, T2, ..., T8), etc. dans la grille dans le message d'origine) ont vraiment des caractéristiques distinctives, telles que la vitesse (rapide vs lente), ou la taille (grande vs petite ). Même si je ne me soucie pas de l'effet de cette caractéristique sur la réponse, je pourrais bloquer pour cela si je crains qu'il n'introduise du bruit indésirable. Je pense que ma confusion à propos du blocage provient de ma conception préconçue du blocage et de son utilisation typique pour les facteurs `` difficiles à changer '' - cela implique (pour moi) que nous sommes contraints par un besoin de faire un tas de courses où nous avons utilisé uniquement le T1 cibles, puis un tas de pistes où nous utilisons uniquement les cibles T4, etc. - comme si le «type cible» était un facteur difficile à changer. Je ne suis pas contraint de cette façon, mais je suppose que je peux bloquer pour le type de cible même s'il n'est pas maintenu constant pour une série de courses comme ça. Ai-je ce droit? Désolé, cela est devenu une leçon de DOE pour moi plutôt qu'une question spécifique à JMP, mais j'essaie de concilier ma situation avec les nombreux exemples de blocage que je rencontre.
Merci
Re: 2 Factorielle factorielle et une covariable catégorique (je pense!)Hé pas de soucis. Souvent, les conseils concernant la "meilleure" approche dépendent beaucoup de la situation et même dans ce cas, il existe encore plusieurs options. Ce que je fais généralement, c'est de présenter les multiples options, de prédire tous les résultats possibles et où chaque option me "conduira". Ensuite, choisissez-en un et partez, réalisant que je vais devoir répéter. Le blocage peut être source de confusion car l'utilisation initiale du blocage (Fisher) était appliquée à des situations agricoles. Dans les situations industrielles, le blocage a différentes utilisations. Si vous êtes en mesure d'identifier une variable de bruit spécifique et de les contrôler au cours d'une expérience, vous avez plusieurs bonnes options (le split-plot en est un). Si vous pouvez les identifier et peut-être pas les contrôler spécifiquement (peut-être les regrouper, comme les conditions ambiantes), il existe d'autres options disponibles. En expérimentation industrielle, je ne recommande pas plus de 2 blocs (la seule raison pour laquelle je cours à plus de 2 niveaux en expérimentation industrielle est d'estimer les effets non linéaires) car les effets de bloc non linéaires n'ont aucun sens. Vous pouvez maintenant exagérer ces blocs en exécutant chaque bloc où le bruit que vous avez identifié reste constant dans le bloc et change entre les blocs. Si vous exécutez l'expérience de cette manière, vous pouvez traiter les blocs comme un effet fixe et attribuer les degrés de liberté pour les blocs et les interactions bloc par facteur. Une conception robuste est l'absence d'interactions bloc par facteur, de sorte que cette méthode peut accélérer la création de conceptions robustes.
Si vous ne pouvez pas identifier ou "gérer" le bruit au cours d'une expérience, nous nous retrouvons avec une randomisation pour augmenter l'espace d'inférence et atténuer le biais dans nos tests statistiques.
"Bloquez ce que vous pouvez, randomisez ce que vous ne pouvez pas". Boîte GEP
