階乗DoEのサンプルサイズと検出力を使用して、複製された処理の数を決定する方法実験計画で使用するサンプルサイズのJMPのダイアログボックスを操作する方法を学習しようとしています。 因子実験に必要な反復数を決定する方法を理解したいと思います。 それぞれの治療の組み合わせを何回実行するか知りたいのですが。
測定誤差がなく、ブロッキングや中心点がなく、応答変数が連続的であり、サンプルサイズの古典的な計算のすべての仮定（ランダムな定常等分散性正規分布誤差など）を満たすために必要なものがすべて正確にあると仮定します。
実験に2つのレベルの2つの因子、完全な階乗があるとします。 したがって、4つの治療の組み合わせがあります。 2つの主な効果と1つの交互作用を推定したいと思います。 各治療の組み合わせの複製の数を決定するためのステップは何ですか？
同じ質問が因子計画にも当てはまります。 2つのレベルでそれぞれ15の因子があり、16の処理の組み合わせの階乗を実行したい場合、各処理の反復数を決定するにはどうすればよいですか？
サンプルデータのために、アルファ= 0.05、ベータ= 0.05、シグマ= 1、デルタ= 1とします。
「2つのサンプル平均」ダイアログを使用しました。 そこに静的テキストは「サンプルサイズは合計サンプルサイズです;グループごとはn / 2になります」と言います。 この計算機を因子計画に使用する場合、完全因子または部分因子の処理の組み合わせごとの反復数はいくつですか？ 合計サンプルサイズを治療の組み合わせの数で割るだけですか？
ここで、2 ^ 2実験の中心点が必要だとします。 それは5つの治療の組み合わせです。 5つの処理すべてを複製するとします。 中心点効果の有意性をテストする実験を設計するために、効果がデルタに等しいと仮定します。 JMPダイアログを使用して、処理ごとのレプリケート数を取得するにはどうすればよいですか？ 「2つのサンプル平均」のサンプルサイズを5で割りますか？
中心点でのみ複製し、コーナーポイントの複製を行わない場合は、中心点で明らかになる標準偏差が推論空間全体で一定であると想定します。 目標は、主効果、交互作用、および中心点の重要性を推定することです。 同じデルタを想定して、ダイアログを使用して中心点の組み合わせの複製の数を取得するにはどうすればよいですか？ 「2つのサンプル平均」のサンプルサイズを1で割りますか？
私はカスタム設計プラットフォームとその電力分析を知っており、それを操作する方法を知っています。 DOE>計画診断>サンプルサイズと検出力を使用したいと思います。 結局のところ、これらの計算機は「DOE」メニューにあり、私はそれらをDoEに使用する方法を理解しようとしています。
DOERe：階乗DoEのサンプルサイズと検出力を使用して、複製された処理の数を決定する方法DOEメニューのサンプル計算機は、最大で1つの要素を持つ単純なケースを対象としています。 検出力分析は、DOEプラットフォームに含まれています。プロセスは、設計を生成してから、電力を評価することです。 デザインをデータテーブルに保存し、複数のデザイン間でパワーやその他の属性を比較できます。
方法の説明については、JMPヘルプのこのセクションを参照してください。設計の検出力分析を実行します。 ただし、これらのツールに精通しているようです。
必要なレプリケーションと中心点の数を使用して[完全な階乗からテーブルを作成]を使用し、[DOE]> [設計診断]> [設計の評価]を選択して、検出力分析を取得できます。
Re：階乗DoEのサンプルサイズと検出力を使用して、複製された処理の数を決定する方法提案されたアプローチは、実験を設計する試行錯誤の方法です（設計を選択し、複製の数を選択し、検出力が何であるかを確認し、検出力とサンプルサイズのバランスに満足するまで繰り返します）。 これは本当に必要ですか？ 実験を評価するのではなく、実験を設計する方法として、私が要求していることを手動で（またはMinitabを使用して）行うことは絶対に可能です。
Re：階乗DoEのサンプルサイズと検出力を使用して、複製された処理の数を決定する方法以下のコメント・質問を事前にお詫び申し上げます。 ：
レプリケーションの目的は何ですか？ 私はいくつかの目的があると信じています：
1.研究の推論空間を増やすために、
2.研究を将来の状況（現実）をより代表するものにするために、
3. 1つの条件セットで調査された要因の影響が、それらの条件が変化したときに一貫しているかどうかを判断するには、
4.堅牢な設計：設計の早い段階でノイズごとの相互作用を特定し、これらのノイズ効果の影響を減らすために早い段階でアクションを実行します。
ですから、私にとっては、実験が将来の状況を代表するものであることを確認するために複製が行われるので、結果を将来に外挿できるという自信が高まります。
「残念ながら、将来の実験（将来の試験、明日の生産）は、この実験に影響を与えるものとは異なる環境条件（温度、材料、人）の影響を受けます…それは主題の知識によってのみです、おそらくさらなる実験によって助けられた（斜体を追加）より広い範囲の条件をカバーするために、間違ったリスクを伴いながら、将来の環境条件が現在の環境条件と十分に近く、結果を手元で使用できるかどうかを判断することができます。」
デミング博士
そうは言っても、なぜ統計式に頼ってガイダンスを提供するのでしょうか。実験が現実を代表するものかどうか？
Re：階乗DoEのサンプルサイズと検出力を使用して、複製された処理の数を決定する方法特定の設計の予想されるパワーのみを計算できます。 これはモデル行列の関数であり、モデル行列は計画行列の関数です。 設計がなければ、電力を計算することはできません。
「最良の」設計の選択は、「試行錯誤」を使用して反復的ですが、意図したとおりに複雑さを変化させる選択肢にまたがる小さな設計セットを開発することによっても実用的です（たとえば、実行数、用語モデル、必要な中心点の数など）。 次に、DOE>設計診断>設計の比較を使用してそれらすべてを同時に比較し、選択肢を絞り込むことができます。 それはかなり速いプロセスです。
検出力分析で使用される仮定が間違っているため、選択も「十分に良い」ですが、それらは仕事を成し遂げるのに十分です（妥当な設計を選択してください）。
必要な電力が与えられた場合、手動またはMINITABを使用して設計をどのように計算しますか？ 答えは、厳密な因子計画の特殊な性質に依存しているに違いないと思います。
Re：階乗DoEのサンプルサイズと検出力を使用して、複製された処理の数を決定する方法これは別の議論のための別の問題であり、元の質問に対処していません。
