Wiederholtes Design mit halben Brüchen im Vergleich zum gesamten Design in 2 BlöckenAngenommen, ich habe ein Budget für 32 Läufe für 5 kategoriale 2-Ebenen-Faktoren (volle Fakultät von 2 ^ 5). Angenommen, ich möchte ein Screening-Design erstellen, bei dem ich mich für Haupteffekte und 2-Faktor-Wechselwirkungen interessiere. Ein Screening-Design ist also in Ordnung. Mit JMP kann ich die Wahl des Designs festlegen. Lassen Sie uns über Option (A) vs. (B) sprechen:
A) Angenommen, ich gebe an, dass ich die 32 Läufe in zwei 16er-Blöcken mache, für ein Design mit Auflösung 5, bei dem ich alle 2-Faktor-Wechselwirkungen abschätzen kann.
Angenommen, ich sage JMP stattdessen, dass ich nur ein 16-Run-Design möchte, wobei ich den Blockierungsfaktor für den Moment ignoriere. In diesem Fall habe ich ein halbes Bruchdesign von 16 Läufen. Da ich jedoch ein Budget von 32 Läufen habe, nehme ich an, ich wiederhole dieses Design mit 16 Läufen ein zweites Mal in meinem zweiten Block (von Teilnehmern), randomisiere entsprechend und behandle diese zweite Instanz mit 16 Läufen als zweiten Block.
Was ist dann der grundlegende Unterschied zwischen (A) und (B)? In beiden Fällen kann ich die Haupteffekte und alle 2-Faktor-Wechselwirkungen abschätzen, und die Entwurfsauflösung scheint gleich zu sein. Ich vermute, dass (A) der richtige Weg ist, aber ich kann nicht genau herausfinden, was ich verliere, wenn ich (B) tun würde.
Vielen Dank!
DAMHIRSCHKUHBetreff: Wiederholtes halbes Bruchdesign im Vergleich zum gesamten Design in 2 BlöckenSolange Sie Ihr Modell auf wechselseitige Interaktionen oder weniger beschränken, sind diese Designs gleichwertig. Wenn Ihnen die Annahme unangenehm ist, dass 3-Wege-Wechselwirkungen und höher vernachlässigbar sind, wählen Sie den vollständigen faktoriellen Ansatz.
Um zu sehen, wie ich zu diesem Schluss gekommen bin, habe ich das vollständige faktorielle Design in zwei Blöcken erstellt. Ich habe dann das 16-Run-Design für fraktionale Faktoren erstellt. Wählen Sie Augment Design, aktivieren Sie das Kontrollkästchen, um die neuen Läufe in einen neuen Block einzufügen (dies fügt die Blockierungsvariable hinzu, die vorhanden sein sollte, und ermöglicht entsprechende Vergleiche) und Replizieren.
Verwenden Sie schließlich JMPs Compare Designs. Die Ergebnisse finden Sie im beigefügten Journal.
Betreff: Wiederholtes halbes Bruchdesign im Vergleich zum gesamten Design in 2 BlöckenIch bin einverstanden mit @ Dan_Obermiller dass die beiden Designs sind Äquivalent in Bezug auf ihre Leistung bei der Schätzung des gegebenen Modells, aber sie sind nicht das gleiche Design. Sie weisen unterschiedliche Verwechslungen zwischen Begriffen höherer Ordnung und Block auf, aber diese Unterschiede sollten unwichtig sein.
Vollständiges faktorielles Design für 5 zweistufige kategoriale Faktoren in zwei Blöcken:
Repliziertes Halbfraktionsdesign für t zweistufige kategoriale Faktoren als zwei Blöcke:
Betreff: Wiederholtes halbes Bruchdesign im Vergleich zum gesamten Design in 2 BlöckenVielen Dank @ DanP und @markbailey - Es war die Tatsache, dass die Designs anders aussehen, die mich dazu brachte, mich zu fragen, was mir bei dem wiederholten 16-Run-Design fehlte. Es hört sich so an, als würde mir nichts für meine Zwecke fehlen, wenn ich mich nur um Haupteffekte und Zwei-Faktor-Interaktionen kümmere. Ich nehme an, sie machen das mit gleicher Kraft?
Betreff: Wiederholtes Halbbruchdesign vs. Gesamtdesign in 2 BlöckenNur um eine möglicherweise andere Perspektive hinzuzufügen …
Wenn Sie die Blöcke mit JMP erstellen, wird der Block standardmäßig als Zufallseffekt betrachtet. Dadurch kann der Blockeffekt zugewiesen und somit aus der Fehlerschätzung entfernt werden. Dadurch wird der MS-Fehler reduziert und die Wahrscheinlichkeit erhöht, Faktoreffekte zu erkennen (Erhöhung des MS-Faktors/MS-Fehlers oder F-Verhältnisses).
Wenn Sie jedoch die Faktoren identifizieren und zuordnen können, die das Rauschen in den Blöcken ausmachen (und dies absichtlich tun), können Sie den Block im Modell als festen Effekt behandeln. Dadurch können Sie nun nicht nur den Block, sondern auch die Block-Faktor-Interaktionen schätzen. In einem RCBD würden Sie eine vollständige Auflösung des Blockeffekts erhalten. Dies ist eine äußerst wichtige Möglichkeit. Warum? Die Block-Faktor-Interaktionen sind Schätzungen der Rausch-Faktor-Interaktionen. Eine signifikante Rausch-Faktor-Interaktion klingt so: Die Wirkung Ihres Designfaktors hängt vom Rauschen ab. Dies wäre ein ernsthaftes Problem, da Sie irgendwann versuchen, die Designfaktoren auf ihre optimalen Werte einzustellen. Welche optimalen Werte Sie wählen würden, würde vom Rauschen abhängen. Dies ist das Problem des robusten Designs. Wenn Sie den Block als festen Effekt behandeln, können Sie nun die Robustheit Ihres Designs gegenüber Rauschen quantifizieren und schätzen (im Wesentlichen ist robustes Design die Abwesenheit von Rausch-Faktor-Interaktionen ... Ihr Design funktioniert bei sich änderndem Rauschen konstant).
In Ihrem Fall hätten Sie eine Auflösung V der Designfaktoren (2^5-1), die in der Lage wäre, Effekte 1. und 2. Ordnung zu trennen UND Sie würden alle Block- und Block-nach-Faktor-Effekte erhalten. 31 DFs
Y = (A+B+C+D+E+AB+AC+AD+AE+BC+BD+BE+CD+CE+DE)(1+Block)+Block
