Factor 2 factorial y una covariable categórica (¡creo!)Estoy diseñando un experimento con dos factores de interés. Tengo suficiente tiempo para 16 carreras de 30 minutos. En el transcurso de cada carrera de 30 minutos, un equipo (que actúa como una unidad) está expuesto a 4 objetos (o elementos), y cada uno de estos 4 objetos produce respuestas medibles que comprenden nuestras variables de respuesta dependientes. En aras de la variedad y el realismo, esos 4 objetos se extraen aleatoriamente de un conjunto de 8 (podríamos hacer más) 8)objetos, por lo que no se presentan con el mismo escenario en cada ejecución. Estos 4 elementos se conocen antes de cada ejecución, pero son aleatorios. Cada una de estas configuraciones de ejecución es fácil de cambiar de una ejecución a la siguiente: todas son preparadas previamente después de la aleatorización adecuada en la matriz de ejecución. La imagen muestra esta configuración, aunque nuestro orden de ejecución será aleatorio, por supuesto. ¿Cuál sería la configuración más adecuada en JMP tanto para el diseño como para el análisis, si estoy interesado solo en los efectos principales y de interacción de los 2 factores?
Re: Factor 2 factorial y una covariable categórica (¡creo!)Necesito más información Hay 8 objetos posibles en total? ¿Qué estás midiendo realmente? ¿Es lo mismo Y? ¿Deberían ser los mismos resultados para cada objeto? ¿Sabes cuáles deberían ser los resultados de cada objeto a priori? ¿Puedes normalizar las medidas (por ejemplo, delta del objetivo)?
Una conjetura es que cada medida de un objeto es una repetición de la combinación de tratamiento (no se considera un evento independiente). Es posible que pueda promediar y tomar la varianza de las 4 medidas (probable error de medición) para cada combinación de tratamiento (¿entonces 2 Y?). En este caso, tiene 3 grados de libertad total y un modelo de Y = Factor1 + Factor2 + (Factor1) (Factor2).
Otra conjetura es que si aleatoriza los 16 tratamientos / corridas como sugiere (aún solo 4 combinaciones de tratamientos) puede considerar los eventos independientes de las corridas. Si es así, entonces tiene 15 DF: Y = Factor1 + Factor2 + (Factor1) (Factor2) + Error
En cualquier caso, los 4 objetos se relacionan con la variable dependiente, no con las variables independientes.
Re: Factor 2 factorial y una covariable categórica (¡creo!)Hay 8 objetos posibles en total?
Sí, pero esos 8 son representativos de una población teóricamente grande. Son objetos que difieren en una serie de características que no nos interesan.
¿Qué estás midiendo realmente? ¿Es lo mismo Y?
Tenemos varias variables dependientes que vendrán de cada ejecución. Por ejemplo, timeToDoActionX
¿Deberían ser los mismos resultados para cada objeto?
No
¿Sabes cuáles deberían ser los resultados de cada objeto a priori?
No
¿Puedes normalizar las medidas (por ejemplo, delta del objetivo)?
No
Re: Factor 2 factorial y una covariable categórica (¡creo!)Es difícil dar consejos específicos sobre su situación específica, pero puedo pensar en dos opciones para manejar la variación de objeto a objeto:
1) Si tiene hipótesis sobre cómo los objetos podrían afectar las variables dependientes, entonces puede asignar esos efectos ... algo así como la idea del bloqueo. En este tipo de escenario, desearía "controlar" qué objetos están asociados con cada combinación de tratamiento, no aleatorizar completamente.
2) Si carece de hipótesis, aleatorice los objetos para cada tratamiento y use esas réplicas para estimar el error experimental.
Re: Factor 2 factorial y una covariable categórica (¡creo!)Gracias @statman ... Me pregunto si hay algún archivo de datos de entrenamiento de JMP similar a esta situación. Más detalles a seguir.
Este es un experimento humano en el circuito en un entorno de laboratorio donde podemos controlar los factores de interés y estamos inyectando algunos escenarios variables para el realismo operacional. Los diversos objetos son diferentes perfiles de objetivos presentados al equipo participante durante una carrera de 30 minutos.
Cada uno de los varios (por ejemplo, 4) objetos de escenario dentro de una carrera es un objetivo que el equipo rastrea durante un porcentaje de ese tiempo de 30 minutos. Esa es una variable clave de respuesta: el porcentaje de tiempo que se rastrea un objeto. Algunos niveles de factores (con mejores capacidades de seguimiento) presumiblemente conducen a un mejor rendimiento del equipo, es decir, mayores porcentajes de tiempo de seguimiento.
Dentro de cualquiera de esas 16 carreras de 30 minutos, los dos factores principales se corrigen para esa carrera de 30 minutos. Como hay combinaciones de nivel de factor 2x2 = 4 en un diseño factorial, tenemos 4 repeticiones de cada combinación. Eso está todo bien. Pero me resulta confuso cómo tratar adecuadamente (en JMP, específicamente) aquellos escenarios a los que el equipo del operador está expuesto en cada ejecución. Esos perfiles / objetos de escenarios varían de muchas maneras (tipo, velocidad, altitud, etc.), una combinación de características categóricas y numéricas que no tienen un interés particular más que generar variedad. Se asignan aleatoriamente a cada ejecución. Si hay un número finito de estos objetivos, ¿los trato como una covariable categórica? Necesito algún consejo que se refiera directamente a los cuadros de diálogo JMP DOE si es posible.
Gracias de nuevo,
Greg
Re: Factor 2 factorial y una covariable categórica (¡creo!)Con cada respuesta obtengo una mejor idea de lo que está intentando hacer. Permítanme asegurarme de que no están interesados en comprender el "ruido" (tipo, velocidad, altitud, etc.) que exhiben sus múltiples objetos. Personalmente, creo que podría aprovechar la ventaja de determinar:
1) ¿Cuáles son el factor de diseño y los efectos de interacción?
2) ¿Son consistentes esos efectos sobre las condiciones cambiantes de ruido?
3) ¿Hay alguna interacción con variables de ruido específicas?
Puede no ser muy útil decir "en promedio, estos son los efectos del factor de diseño" si esos efectos dependen de las variaciones de los objetos.
Nuevamente tienes múltiples opciones. No estoy seguro de que llamaría a los diferentes efectos de objeto "covariables", pero podría tratarlos como bloques (por ejemplo, tal vez bloques al azar). Si desea comprender los efectos enumerados anteriormente, puede ir en la dirección del diagrama dividido.
Si desea crear una tabla de datos hipotéticos, podría sugerir algunos pasos de análisis.
Re: Factor 2 factorial y una covariable categórica (¡creo!)Bueno, no estoy seguro de cómo describir lo que estamos tratando de hacer. Los dos factores de interés son categóricos, como lo sugieren sus designaciones bajas / altas, y las respuestas son típicamente porcentajes (tiempo de seguimiento como porcentaje del tiempo total o éxitos como porcentaje de oportunidad).
Re: Factor 2 factorial y una covariable categórica (¡creo!)Lo siento, pero sería mucho más eficiente discutirlo ... En cualquier caso, he adjuntado un conjunto de datos hipotéticos con 4 bloques aleatorios de tamaño 4. He incluido 2 respuestas: Tiempo de seguimiento y% del total (puede usar tiempos reales ya que el tiempo total es fijo). Aquí hay 3 formas de hacer este análisis, todas utilizando Fit Model Platform.
1) JMP predeterminado (REML). Analizar> Ajustar modelo (agregaría el efecto de segundo orden a esto)
2) Escribe el tuyo e incluye las interacciones de bloque por factor. Este es un modelo saturado, elimine los términos (usando gráficos normales y de Pareto) para obtener el modelo apropiado
3) Escribe tu propio modelo. Incluya solo el bloque y el factorial de los efectos del factor. Esto le dará la salida típica de ANOVA
Estos modelos están en el HypoJournal adjunto.
Re: Factor 2 factorial y una covariable categórica (¡creo!)Hmm No estoy seguro de entender el papel de los bloques.Re: Factor 2 factorial y una covariable categórica (¡creo!)Gracias @statman , Creo que probablemente estás en algo con la aplicación de bloqueo. Probablemente sea apropiado aquí. Suponiendo que los 8 perfiles de destino diferentes (T1, T2, ..., T8), etc. en la cuadrícula en la publicación original) realmente tienen algunas características distintivas, como la velocidad (rápida versus lenta) o el tamaño (grande versus pequeño) ) Aunque no me importa el efecto de esa característica en la respuesta, podría bloquearlo si me preocupa que esté introduciendo ruido no deseado. Creo que mi confusión sobre el bloqueo proviene de mi preconcepción del bloqueo y su uso típico para los factores 'difíciles de cambiar': implica (para mí) que estamos limitados por la necesidad de hacer un montón de carreras donde usamos solo el T1 objetivos, luego un montón de carreras donde usamos solo los objetivos T4, etc. - como si el "tipo de objetivo" fuera un factor difícil de cambiar. No estoy limitado de esa manera, pero supongo que puedo bloquear para el tipo de objetivo, incluso si no se mantiene constante para un rango de carreras como esa. ¿Tengo ese derecho? Lo siento, esto se ha convertido en una lección de DOE para mí en lugar de una pregunta específica de JMP, pero estoy tratando de conciliar mi situación con los muchos ejemplos de bloqueo que encuentro.
Gracias
Re: Factor 2 factorial y una covariable categórica (¡creo!)Hola, no te preocupes. A menudo, el asesoramiento sobre el "mejor" enfoque depende mucho de la situación e incluso entonces, todavía hay múltiples opciones. Lo que normalmente hago es diseñar las múltiples opciones, predecir todos los resultados posibles y hacia dónde cada opción me "guiará". Luego elige uno y ve, dándote cuenta que tendré que repetir. El bloqueo puede ser confuso porque el uso original del bloqueo (Fisher) se aplicaba a situaciones agrícolas. En situaciones industriales, el bloqueo tiene diferentes usos. Si puede identificar variables de ruido específicas y puede controlarlas en el transcurso de un experimento, tiene varias buenas opciones (la parcela dividida es una). Si puede identificarlos y quizás no controlarlos específicamente (quizás agruparlos, como las condiciones ambientales), entonces hay otras opciones disponibles. En la experimentación industrial, no recomiendo más de 2 bloques (la única razón por la que corro a más de 2 niveles en la experimentación industrial es para estimar los efectos no lineales) ya que los efectos de bloque no lineales no tienen sentido. Ahora puede exagerar esos bloques ejecutando cada bloque donde el ruido que ha identificado permanece constante dentro del bloque y cambia entre los bloques. Si ejecuta el experimento de esta manera, puede tratar los bloques como un efecto fijo y asignar los grados de libertad para los bloques y las interacciones de bloque por factor. El diseño robusto es la ausencia de interacciones de bloque por factor, por lo que este método puede acelerar la creación de diseños robustos.
Si no puede identificar o "manejar" el ruido en el transcurso de un experimento, nos quedamos con la aleatorización para aumentar el espacio de inferencia y mitigar el sesgo en nuestras pruebas estadísticas.
"Bloquea lo que puedes, aleatoriza lo que no puedes". GEP Box
