379806_de-DE

liliconcom

So programmieren Sie ein Split-Plot-Design in JMP Pro 15

Hallo,

Ich brauche Ratschläge, wie man ein Split-Plot-Design in JMP Pro 15 richtig modelliert. Ich denke, es muss zufällige Effekte haben, also wird ein LME-Modell meiner Meinung nach wahrscheinlich am besten funktionieren?

Ich habe drei Haupteffekte: Temperatur (kategorisch), Sorte (kategorisch), Sorte*Temperatur.

Antwortvariable – (kontinuierliche) Keimung %

Das Experiment wurde auf (1) einem Thermogradiententisch durchgeführt. Die Sorten wurden in jeder Unterparzelle randomisiert. (Es ist in der Reihenfolge 1-5 aufgeführt, sie werden jedoch auf dieser Ebene zufällig ausgewählt.) Die gesamte Darstellung ist die Temperatur. Die geteilte Parzelle würde meiner Meinung nach die Sorten umfassen. (Siehe Bild unten für das Tabellenlayout.)

Mein Modell in jmp würde so aussehen:

Behobene Effekte:
Sorte

Temperatur

Sorte*Temp

Zufällige Effekte:
Wiederholungen[Tempearture]

Erklärt dies die richtigen Fehlerbegriffe in jmp?

Erweiterte statistische ModellierungVersuchsplanungMassenanpassungBetreff: So codieren Sie ein Split-Plot-Design in JMP Pro 15

Der Modellierungstyp ist eine Auswahl darüber, wie Sie sich die Wirkung des Faktors vorstellen. Natürlich sind die Temperaturniveaus durch das Design festgelegt. Sie beobachten nur die Reaktion auf einigen wenigen Ebenen, aber die Wirkung ist kontinuierlich. Das ist die philosophische Überlegung.

 

Die praktische Überlegung betrifft die verfügbaren Freiheitsgrade. Wenn zum Beispiel der Temperatureffekt linear ist, dann erfordert die Modellierung als kategorialer Faktor 4 Parameter und 4 Freiheitsgrade aus den Daten. Andererseits erfordert die Modellierung als kontinuierlicher Faktor nur 1 Parameter und 1 Freiheitsgrad.

Betreff: So codieren Sie ein Split-Plot-Design in JMP Pro 15

Willkommen in der Community. mark hat sich schon einige gedanken für sie gemacht. Ich habe einige zusätzliche Fragen eher praktischer Natur:

1. Warum würden Sie die Temperatur als kategorisch betrachten? Es spielt keine Rolle, dass die Temps codiert sind, sie können immer noch kontinuierlich sein und im Modell als feste Effekte behandelt werden. Und warum 4 Ebenen? Ist die Temperatur wirklich schwer zu ändern? Wieso den?

2. Es sieht so aus, als hätten Sie nur zwei Faktoren (Haupteffekte) im Experiment: Temperatur und Sorte. Und Sie vermuten einen Wechselwirkungseffekt. Warum 3 Wiederholungen der Nebenhandlung?

3. Wie angemessen ist Ihr Messsystem (% Keimung)?

4. Ein Blick könnte so aussehen, als hätten Sie 4 Blöcke und Sie verwechseln die Temperatur mit dem Block. Dies würde ich nicht empfehlen, da Sie Lärm mit einem Designfaktor verwechseln.

5. Wenn die Temperatur schwer zu ändern ist, bietet das von Ihnen beschriebene Design keine Möglichkeit, den gesamten Diagrammfehler abzuschätzen. Wenn dies der Fall ist, möchten Sie möglicherweise die 3 Wiederholungen, die Sie für die Unterdiagramme haben, auf 2 reduzieren und dann das gesamte Design replizieren (dann haben Sie einen Replikation x gesamten Plot-Term, der als Fehlerterm verwendet werden kann, um Temperatureffekte zu vergleichen zu).

6. Ich weiß nicht, wo Sie in Ihrer Untersuchung stehen? Ich bin mir nicht sicher, ob diese Untersuchung dazu dient, die kausale Struktur zu verstehen oder einen Gewinner auszuwählen? Warum nicht mit dem Screening von 2 Temperaturstufen (extrem) und 2 Sortensorten (extrem) beginnen? Rufen Sie eine Schätzung des Modells erster Ordnung ab und iterieren Sie dann, um den Raum zu erweitern.

 

Für ein ausgezeichnetes Papier über Split-Plots:

Box, GEP, Stephen Jones (1992), „ Split-Plot-Designs für robuste Produktexperimente “, Zeitschrift für Angewandte Statistik , Bd. 19, Nr. 1

Betreff: So codieren Sie ein Split-Plot-Design in JMP Pro 15

Dieses Design scheint Sorten in homogene Nebenparzellen zu stellen. Ich glaube, die Nebenparzellen enthalten alle 5 Sorten (randomisiert). Temp 4 Ganze Parzelle 1 Sorte 5 in Teilparzelle 1

Betreff: So codieren Sie ein Split-Plot-Design in JMP Pro 15

Super, das probier ich aus. Dies sind eigentlich die Daten von jemand anderem. Ich wurde gebeten, es zu analysieren. Das Experiment, das ich entwerfe, ist ähnlich, aber es wird 3 Tabellen verwenden, nicht nur eine.

Ich sehe, Sie haben die Temperatur als kontinuierliche Variable. Jede Temperatur war festgelegt, dh Temperatur 1 = 130 ° C, 2 = ° 22 usw. ... also habe ich sie als kategorisch kodiert.

 

Viele meiner Kollegen haben auch Split-Plot-Designs, also habe ich um unser aller willen versucht herauszufinden, wie man das in jmp macht.

 

-Michael

Betreff: So codieren Sie ein Split-Plot-Design in JMP Pro 15

Die JMP-Dokumentation ist ein guter Ausgangspunkt. Siehe die DOE-Leitfaden .

 

Wie haben Sie dieses Design überhaupt gemacht?

Betreff: So codieren Sie ein Split-Plot-Design in JMP Pro 15

Super, vielen Dank, dass Sie sich die Zeit genommen haben, meine Frage zu beantworten.

Dies ist meine erste Erfahrung mit JMP, daher bin ich mir nicht sicher, was das alles bedeutet. Ich werde die Website durchsehen und sehen, ob ich nicht Material finde, das mir hilft, dorthin zu gelangen.

 

 

Vielen Dank,
Michael

Betreff: So codieren Sie ein Split-Plot-Design in JMP Pro 15

Sie sollten Rep nicht in das Modell aufnehmen. Es wird automatisch verwendet, um die Fehlervarianz zu schätzen. Sie benötigen eine neue Spalte namens Whole Plot, um anzuzeigen, wann der Faktor Whole Plot zurückgesetzt wurde. Diese Variable wird verwendet, um die Varianz des gesamten Diagramms zu schätzen, während die Temperaturvariable verwendet wird, um die festen Effekte zu schätzen.

 

Es sieht so aus, als hätte Ihr Design die Temperatur als sehr schwer zu ändern und die Sorte als schwer zu ändern. Das heißt, Sie haben nicht mit einem dieser beiden Faktoren randomisiert. Wählen Sie also DOE > Custom Design und definieren Sie diese beiden Faktoren auf diese Weise. Wählen Sie die Option für verschachtelte Ebenen aus, um mit dem übereinzustimmen, was Sie getan haben. Dieser Weg wird meiner Meinung nach einfacher sein, als mit einer neuen JMP-Datentabelle zu beginnen und alle Datenspalten und Metadaten zu erstellen, um die beste Analyse zu erhalten.

 

Das von Ihnen erstellte Design unterstützt leider nicht das Abschätzen und Testen des Interaktionseffekts. Sie müssen ein größeres Design verwenden, bei dem Sie die Temperatur zurücksetzen.

 

 

Sie könnten alternativ davon ausgehen, dass die Varianz des gesamten Diagramms null ist, und den zufälligen Effekt des gesamten Diagramms aus dem Modell entfernen, aber das ist wahrscheinlich nicht realistisch.