2 Faktor Fakultät und eine kategoriale Kovariate (denke ich!)Ich entwerfe ein Experiment mit zwei interessanten Faktoren. Ich habe genug Zeit für 16 30-minütige Läufe. Während eines 30-minütigen Laufs ist ein Team (das als eine Einheit fungiert) 4 Objekten (oder Gegenständen) ausgesetzt, und jedes dieser 4 Objekte liefert messbare Antworten, die unsere abhängigen Antwortvariablen umfassen. Aus Gründen der Vielfalt und des Realismus werden diese 4 Objekte zufällig aus einem Satz von 8 gezogen (wir könnten mehr machen). 8)Objekte, sodass sie nicht bei jedem Lauf mit demselben Szenario dargestellt werden. Diese 4 Elemente sind vor jedem Lauf bekannt, werden jedoch zufällig ausgewählt. Jede dieser Laufkonfigurationen kann leicht von einem Lauf zum nächsten geändert werden. Sie werden alle nach entsprechender Randomisierung in der Laufmatrix vorab bereitgestellt. Das Bild zeigt dieses Setup, obwohl unsere Ausführungsreihenfolge natürlich zufällig ausgewählt wird. Was wäre das am besten geeignete Setup in JMP sowohl für das Design als auch für die Analyse, wenn ich mich nur für die Haupt- und Interaktionseffekte der beiden Faktoren interessiere?
Re: 2 Faktor Fakultät und eine kategoriale Kovariate (denke ich!)Ich brauche mehr Informationen. Es gibt insgesamt 8 mögliche Objekte? Was messen Sie eigentlich? Ist es das gleiche Y? Sollten die Ergebnisse für jedes Objekt gleich sein? Wissen Sie, was die Ergebnisse jedes Objekts a priori sein sollten? Können Sie die Maßnahmen normalisieren (z. B. Delta vom Ziel)?
Eine Vermutung ist, dass jede Messung eines Objekts eine Wiederholung der Behandlungskombination ist (nicht als unabhängiges Ereignis betrachtet). Möglicherweise können Sie die Varianz der 4 Messungen (wahrscheinlicher Messfehler) für jede Behandlungskombination mitteln und messen (also 2 Jahre?). In diesem Fall haben Sie 3 Gesamtfreiheitsgrade und ein Modell von Y = Faktor1 + Faktor2 + (Faktor1) (Faktor2).
Noch eine Vermutung Wenn Sie die 16 Behandlungen / Läufe nach Ihren Wünschen randomisieren (immer noch nur 4 Behandlungskombinationen), können Sie möglicherweise die unabhängigen Ereignisse der Läufe berücksichtigen. Wenn ja, dann haben Sie 15 DF: Y = Faktor1 + Faktor2 + (Faktor1) (Faktor2) + Fehler
In jedem Fall beziehen sich die 4 Objekte auf die abhängige Variable, nicht auf die unabhängigen Variablen.
Re: 2 Faktor Fakultät und eine kategoriale Kovariate (denke ich!)Es gibt insgesamt 8 mögliche Objekte?
Ja, aber diese 8 sind repräsentativ für eine theoretisch große Bevölkerung. Es sind Objekte, die sich in einer Reihe von Merkmalen unterscheiden, die uns egal sind.
Was messen Sie eigentlich? Ist es das gleiche Y?
Wir haben mehrere abhängige Variablen, die aus jedem Lauf stammen. Zum Beispiel timeToDoActionX
Sollten die Ergebnisse für jedes Objekt gleich sein?
Nein
Wissen Sie, was die Ergebnisse jedes Objekts a priori sein sollten?
Nein
Können Sie die Maßnahmen normalisieren (z. B. Delta vom Ziel)?
Nein
Re: 2 Faktor Fakultät und eine kategoriale Kovariate (denke ich!)Es ist schwierig, spezifische Ratschläge zu Ihrer spezifischen Situation zu geben, aber ich kann mir zwei Optionen vorstellen, um mit der Variation von Objekt zu Objekt umzugehen:
1. Wenn Sie Hypothesen darüber haben, wie Objekte die abhängigen Variablen beeinflussen könnten, können Sie diese Effekte möglicherweise zuweisen ... so etwas wie die Idee des Blockierens. In dieser Art von Szenario möchten Sie "steuern", welche Objekte jeder Behandlungskombination zugeordnet sind, und nicht vollständig randomisieren.
2. Wenn Ihnen Hypothesen fehlen, randomisieren Sie die Objekte für jede Behandlung und verwenden Sie diese Replikate, um den experimentellen Fehler abzuschätzen.
Re: 2 Faktor Fakultät und eine kategoriale Kovariate (denke ich!)Vielen Dank @ Statman ... Ich frage mich, ob es irgendwelche JMP-Trainingsdatendateien gibt, die dieser Situation entsprechen. Weitere Einzelheiten folgen.
Dies ist ein Human-in-the-Loop-Experiment in einer Laborumgebung, in der wir die interessierenden Faktoren steuern können und verschiedene Szenarien für den betrieblichen Realismus injizieren. Die verschiedenen Objekte sind unterschiedliche Zielprofile, die dem Teilnehmerteam während eines 30-minütigen Laufs präsentiert werden.
Jedes von mehreren (z. B. 4) Szenarioobjekten innerhalb eines Laufs ist ein Ziel, das das Team für einen bestimmten Prozentsatz dieser 30-minütigen Zeit verfolgt. Dies ist eine wichtige Antwortvariable - der Prozentsatz der Zeit, in der ein Objekt verfolgt wird. Einige Faktorstufen (mit besseren Nachverfolgungsfunktionen) führen vermutlich zu einer besseren Teamleistung - dh zu einem höheren Prozentsatz der Nachverfolgungszeit.
Innerhalb eines dieser 16 30-Minuten-Läufe sind die beiden Hauptfaktoren für diesen 30-Minuten-Lauf festgelegt. Da es in einem faktoriellen Design 2x2 = 4 Faktor-Level-Kombinationen gibt, haben wir 4 Replikationen jeder Kombination. Das ist alles in Ordnung. Für mich ist es jedoch verwirrend, wie die Szenarien, denen das Bedienerteam in jedem Lauf ausgesetzt ist, (insbesondere in JMP) richtig behandelt werden. Diese Szenarioprofile / -objekte variieren in vielerlei Hinsicht - Typ, Geschwindigkeit, Höhe usw. - eine Kombination aus kategorialen und numerischen Merkmalen, die nur zur Erzeugung von Vielfalt von besonderem Interesse sind. Sie werden jedem Lauf zufällig zugewiesen. Wenn es eine begrenzte Anzahl dieser Ziele gibt, behandle ich sie dann wie eine kategoriale Kovariate? Ich benötige einige Ratschläge, die sich nach Möglichkeit direkt auf die JMP DOE-Dialoge beziehen.
Danke noch einmal,
Greg
Re: 2 Faktor Fakultät und eine kategoriale Kovariate (denke ich!)Mit jeder Antwort bekomme ich eine bessere Vorstellung davon, was Sie versuchen zu tun. Lassen Sie mich sicherstellen, dass Sie nicht daran interessiert sind, das "Rauschen" (Typ, Geschwindigkeit, Höhe usw.) Ihrer mehreren Objekte zu verstehen. Ich persönlich denke, Sie könnten die Vorteile von:
1. Was sind der Designfaktor und die Interaktionseffekte?
2. Sind diese Effekte über sich ändernde Geräuschbedingungen hinweg konsistent?
3. Gibt es Wechselwirkungen mit bestimmten Rauschvariablen?
Es ist möglicherweise nicht sehr nützlich zu sagen, dass dies im Durchschnitt die Designfaktoreffekte sind, wenn diese Effekte von Objektvariationen abhängen.
Auch hier haben Sie mehrere Möglichkeiten. Ich bin nicht sicher, ob ich die verschiedenen Objekteffekte "Kovariaten" nennen würde, aber Sie könnten sie als Blöcke behandeln (z. B. vielleicht zufällige Blöcke). Wenn Sie die oben aufgeführten Effekte verstehen möchten, können Sie in die Richtung des geteilten Diagramms gehen.
Wenn Sie eine hypothetische Datentabelle erstellen möchten, kann ich einige Analyseschritte vorschlagen.
Re: 2 Faktor Fakultät und eine kategoriale Kovariate (denke ich!)Ich bin mir nicht sicher, wie ich sonst beschreiben soll, was wir versuchen zu tun. Die beiden interessierenden Faktoren sind kategorisch, wie aus ihren niedrigen / hohen Bezeichnungen hervorgeht, und die Antworten sind in der Regel Prozentsätze (Verfolgungszeit als Prozentsatz der Gesamtzeit oder Erfolge als Prozentsatz der Opportunity).
Re: 2 Faktor Fakultät und eine kategoriale Kovariate (denke ich!)Entschuldigung, aber es wäre viel effizienter zu diskutieren ... Auf jeden Fall habe ich einen hypothetischen Datensatz mit 4 zufälligen Blöcken der Größe 4 angehängt. Ich habe 2 Antworten aufgenommen: Zeit verfolgen und% der Gesamtzeit (Sie können die tatsächlichen Zeiten verwenden, da die Gesamtzeit festgelegt ist). Hier sind 3 Möglichkeiten, diese Analyse durchzuführen, alle unter Verwendung der Fit Model Platform.
1. JMP-Standard (REML). Analysieren> Modell anpassen (ich würde den Effekt 2. Ordnung hinzufügen)
2. Schreiben Sie Ihre eigenen und schließen Sie die Block-für-Faktor-Interaktionen ein. Dies ist ein gesättigtes Modell. Entfernen Sie Begriffe (unter Verwendung von Normal- und Pareto-Plots), um das entsprechende Modell zu erhalten
3. Schreiben Sie Ihr eigenes Modell. Schließen Sie nur den Block und die Fakultät der Faktoreffekte ein. Dadurch erhalten Sie eine typische ANOVA-Ausgabe
Diese Modelle sind im HypoJournal beigefügt.
Re: 2 Faktor Fakultät und eine kategoriale Kovariate (denke ich!)Hmm. Ich bin mir nicht sicher, ob ich die Rolle der Blöcke verstehe.Re: 2 Faktor Fakultät und eine kategoriale Kovariate (denke ich!)Vielen Dank @ Statman Ich denke, Sie sind wahrscheinlich auf etwas mit der Anwendung des Blockierens. Hier ist es wahrscheinlich angebracht. Angenommen, die 8 verschiedenen Zielprofile (T1, T2, ..., T8) usw. im Raster des ursprünglichen Beitrags weisen tatsächlich einige Unterscheidungsmerkmale auf, z. B. Geschwindigkeit (schnell gegen langsam) oder Größe (groß gegen klein) ). Auch wenn mir die Auswirkung dieser Eigenschaft auf die Reaktion egal ist, könnte ich sie blockieren, wenn ich befürchte, dass sie unerwünschtes Rauschen verursacht. Ich denke, meine Verwirrung über das Blockieren rührt von meinem Vorurteil des Blockierens und seiner typischen Verwendung für "schwer zu ändernde" Faktoren her - es impliziert (für mich), dass wir durch die Notwendigkeit eingeschränkt sind, eine Reihe von Läufen durchzuführen, bei denen wir nur den T1 verwendet haben Ziele, dann eine Reihe von Läufen, bei denen wir nur die T4-Ziele usw. verwenden. - als ob 'Zieltyp' ein schwer zu ändernder Faktor wäre. Ich bin nicht auf diese Weise eingeschränkt, aber ich kann für den Zieltyp blockieren, auch wenn er für eine Reihe solcher Läufe nicht konstant gehalten wird. Habe ich das richtig Es tut mir leid, dass dies für mich eher zu einer DOE-Lektion als zu einer JMP-spezifischen Frage geworden ist, aber ich versuche, meine Situation mit den vielen Beispielen für das Blockieren in Einklang zu bringen, auf die ich stoße.
Vielen Dank
Re: 2 Faktor Fakultät und eine kategoriale Kovariate (denke ich!)Hey, keine Sorge. Oft sind Ratschläge zum "besten" Ansatz sehr situationsabhängig, und selbst dann gibt es noch mehrere Optionen. Normalerweise lege ich die verschiedenen Optionen fest, sage alle möglichen Ergebnisse voraus und wohin mich jede Option "führen" wird. Wählen Sie dann eine aus und stellen Sie fest, dass ich iterieren muss. Das Blockieren kann verwirrend sein, da die ursprüngliche Verwendung des Blockierens (Fisher) auf landwirtschaftliche Situationen angewendet wurde. In industriellen Situationen hat das Blockieren unterschiedliche Verwendungszwecke. Wenn Sie in der Lage sind, bestimmte Rauschvariablen zu identifizieren und diese im Verlauf eines Experiments zu steuern, haben Sie mehrere gute Optionen (Split-Plot ist eine). Wenn Sie sie identifizieren und möglicherweise nicht spezifisch steuern können (möglicherweise gruppieren, z. B. Umgebungsbedingungen), stehen andere Optionen zur Verfügung. In industriellen Experimenten empfehle ich nicht mehr als 2 Blöcke (der einzige Grund, warum ich in industriellen Experimenten auf mehr als 2 Ebenen arbeite, ist die Schätzung nichtlinearer Effekte), da nichtlineare Blockeffekte keinen Sinn ergeben. Jetzt können Sie diese Blöcke übertreiben, indem Sie jeden Block ausführen, bei dem das von Ihnen identifizierte Rauschen innerhalb des Blocks konstant bleibt und zwischen den Blöcken wechselt. Wenn Sie das Experiment auf diese Weise ausführen, können Sie die Blöcke als festen Effekt behandeln und die Freiheitsgrade für Blöcke und Block-für-Faktor-Interaktionen zuweisen. Robustes Design ist das Fehlen von Block-für-Faktor-Wechselwirkungen, sodass diese Methode die Erstellung robuster Designs beschleunigen kann.
Wenn Sie im Verlauf eines Experiments kein Rauschen identifizieren oder "verwalten" können, bleibt uns eine Randomisierung überlassen, um den Inferenzraum zu vergrößern und die Verzerrung in unseren statistischen Tests zu verringern.
"Blockiere was du kannst, randomisiere was du nicht kannst". GEP Box
