Facteur de blocage lors de l'analyse des donnéesBonjour,
Ma question est de savoir comment bloquer un facteur lors de l'analyse de données.
Merci !
je
Tableau de donnéesBICHERe: Facteur de blocage lors de l'analyse des donnéesVotre déclaration n'a pas de sens. Vous avez terminé une expérience ? Vous avez conçu l'expérience avec des pistes bloquées ?
Je simplifie sans doute trop votre situation, mais vous nous avez donné très peu d'informations face à une technique complexe (blocage). Vous pouvez ajouter une nouvelle colonne de données à la table de données et la remplir de valeurs pour indiquer l'appartenance à un bloc donné. Par exemple, si la table de données contient 16 exécutions et que les blocs sont 4 exécutions consécutives, la nouvelle colonne peut contenir 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3, 4, 4, 4 et 4. Sélectionnez Analyser > Ajuster le modèle. Attribuez les réponses au rôle Y. Sélectionnez les colonnes de facteurs et définissez les termes appropriés pour les effets des facteurs. Assurez-vous d'ajouter la colonne avec les blocs à la liste Effets. L'effet de bloc est traité comme un effet fixe, comme les autres facteurs, par défaut. Si vous souhaitez traiter le bloc comme un effet aléatoire, sélectionnez le bloc dans la liste Effet, cliquez sur le triangle rouge en regard d'Attributs et sélectionnez Effet aléatoire.
Re: Facteur de blocage lors de l'analyse des donnéesBonjour,
merci pour cette explication et désolé de ne pas donner autant d'informations.
Nous avons donc exécuté un plan factoriel complet avec 2 facteurs (X1 et X2) et 2 réponses. L'objectif principal est de maximiser le rendement Y1 mais de garder un niveau d'impuretés acceptable (Y2 inférieur à X).
Nous avons une variation dans le matériau de départ du Lot que nous connaissons déjà, nous voulons considérer cette extravariabilité mais pas pour une enquête future (il n'est pas nécessaire d'ajouter le lot en tant que X3 dans le modèle même s'il est significatif).
D'après ce que j'ai lu dans la cmmunity JMP, voici la différence entre les blocs aléatoires ou rusés (merci de me corriger si je me trompe) :
- UNE fixé block est traité comme les autres facteurs, par défaut dans le logiciel. Cela est montré dans le modèle. Cela signifie que nous considérons 3 facteurs au lieu de 2 lors de l'analyse, mais nous excluons les interactions et les effets quadratiques pour le Lot.
- UNE Aléatoire blocs, il est utilisé en particulier si notre objectif est de rendre compte de la variation causée pour les blocs et n'a pas besoin de faire d'inférence sur les effets (ce qui est notre cas ici).Cela signifie que si j'inclus plusieurs lots de matières premières dans ma conception, je me fiche que le lot A augmente la réponse moyenne de 1,5 et le lot B de -0,6 car je ne vais pas utiliser ces lots à l'avenir. Je veux seulement que les lots que j'ai utilisés dans la conception soient représentatifs de la variation typique des lots de matières premières que je rencontrerai à l'avenir
Nous avons décidé d'opter pour le blocage aléatoire comme vous l'avez décrit, cependant, il y a deux choses étranges avec JMP :
- Aucune table ANOVA n'a été affichée pour le blocage aléatoire
- Aussi quand je fais le simulateur, il n'y a pas de taux de défaut pour le blocage aléatoire
Pourriez-vous s'il vous plaît m'aider à comprendre pourquoi ces informations sont manquantes ?
Merci !
je
Re: Facteur de blocage lors de l'analyse des donnéesDésolé, un peu tard pour la discussion. Je ne suis pas sûr de comprendre ce que vous faites ? Il nous serait également utile si vous pouviez fournir le tableau de données, même si vous souhaitez coder les facteurs et les variables de réponse à des fins de confidentialité. De cette façon, nous pouvons essayer de reproduire/comprendre ce que vous obtenez en tant que résultats de l'analyse.
Je ne comprends pas cette affirmation :
Nous avons une variation dans le matériau de départ du Lot que nous connaissons déjà, nous voulons considérer cette extravariabilité mais pas pour une enquête future (il n'est pas nécessaire d'ajouter le lot en tant que X3 dans le modèle même s'il est significatif).
Mes pensées:
1. Il me semble que vous voulez/devez tenir compte de la variation entrante de la variation de lot à lot dont vous savez qu'elle peut être importante ?
2. Si vous savez qu'il existe une variation d'un lot à l'autre, savez-vous si cela affecte le rendement ? Si c'est le cas, que faites-vous pour réduire la variation de lot à lot entrante ?
3. Pouvez-vous mesurer le lot entrant ? Y a-t-il une certaine mesure du lot entrant qui, selon vous, est liée au rendement ? Si oui, pourquoi ne pas traiter cette mesure comme une covariable ?
4. Je vais donner une vision différente de l'utilisation du blocage... Comme vous l'indiquez, il existe 2 manières de traiter l'effet de blocage, comme un effet aléatoire ou comme un effet fixe. Pour moi, ce qui détermine ce que vous utilisez, c'est la quantité de compréhension de quel bruit est confondu avec le bloc. Si vous avez une compréhension approfondie des variables de bruit qui sont confondues avec le bloc, une utilisation plus efficace du bloc est en tant qu'effet fixe. Lorsque vous analysez le modèle, vous souhaitez inclure les blocs ET toutes les interactions bloc par facteur. En fait, les effets les plus importants pourraient être les interactions bloc par facteur. Pourquoi, parce que vous voulez que vos effets de facteur soient cohérents par rapport au bruit changeant (c'est la définition de robuste), cela signifie essentiellement l'absence d'interactions bloc par facteur.
Maintenant, si vous n'avez pas fait preuve de diligence raisonnable pour identifier quels facteurs de bruit sont confondus avec le bloc, il vous reste alors à traiter le bloc comme un effet aléatoire et un moyen de réduire l'erreur quadratique moyenne (ce qui peut fournir un F plus significatif -test).
"Bloquez ce que vous pouvez, randomisez ce que vous ne pouvez pas" GEP Boîte
Bloquez ce que vous pouvez identifier, randomisez ce que vous ne pouvez pas identifier.
Re: Facteur de blocage lors de l'analyse des donnéesMerci pour votre réponse!
Désolé, ce n'était pas bien expliqué, je vais essayer de clarifier pour l'énoncé :
Notre objectif est de maximiser le rendement en protéines, nous savons que chaque matière première aura une concentration en protéines différente et que chaque lot utilisé ne sera pas utilisé à l'avenir. C'est pourquoi nous ne nous soucions pas du fait que le lot A augmente la réponse moyenne de 1,5 et le lot B de -0,6 car je ne vais pas utiliser ces lots à l'avenir.
Pour les autres questions :
1. Oui, la variation d'un lot à l'autre est significative. Il sera intéressant de rendre compte de l'importance de cette variation, si possible, mais toutes les expériences ont déjà été faites et seuls 2 lots ont été utilisés.
2. Nous savons qu'il existe une variation d'un lot à l'autre et que cela a un effet sur le rendement. Nous ne sommes pas intéressés à réduire la variation de lot à lot entrante. Nous devons extraire le maximum de protéines indépendamment de la quantité de protéines de départ.
3. Oui, nous mesurons la quantité de protéines dans la matière première et elle est liée au rendement. Cependant, je ne sais pas ce que vous entendez par "traiter cette mesure comme une covariable"
4. Merci beaucoup ! oui c'est logique d'ajouter interactions bloc par facteur.
« la quantité de compréhension de ce que le bruit est confondu avec le bloc. » Si j'ai bien compris, pour notre exemple, la variation d'un lot à l'autre est due à différentes concentrations de protéines qui influencent le rendement (Y1) et bien sûr différentes quantités d'impuretés qui influencent également les impuretés résiduelles (Y2). Cela signifie que nous devons le traiter comme un fixe ?
Une autre chose à mentionner est que les R2 et R2 ajustés étaient d'environ 50%, ce qui signifie que nous avons toujours une certaine variabilité que nous n'avons pas prise en compte dans le modèle.
Et pour votre déclaration : « Maintenant, si vous n'avez pas fait preuve de diligence raisonnable pour identifier les facteurs de bruit qui sont confondus avec le bloc, il vous reste à traiter le bloc comme un effet aléatoire. et un moyen de réduire l'erreur quadratique moyenne (ce qui peut fournir un test F plus significatif). " Je n'ai pas bien compris ce que vous entendez par "un moyen de réduire l'erreur quadratique moyenne"
Merci pour toutes ces explications.
Vous trouverez ci-joint le tableau de données, alors peut-être pourrez-vous m'aider à trouver les conditions optimales pour maximiser Y1 tout en gardant Y2 inférieur à 70 
Meilleur !
je
Re: Facteur de blocage lors de l'analyse des donnéesJe comprends que vous ne réutiliserez pas les lots, mais vous devez tenir compte de la variation des lots dans votre modèle si vous voulez avoir un modèle qui fonctionne sur les futurs lots.
Si le matériau entrant peut être mesuré, vous pouvez ajouter cette mesure en tant que variable aléatoire dans le modèle (pas en tant que bloc aléatoire). Le modèle inclura alors ce terme pour les prévisions futures.
https://www.jmp.com/support/help/en/16.0/?os=mac&source=application&utm_source=helpmenu&utm_medium=application#page/jmp/experiments-with-covariates.shtml
Pour un modèle type Y = X1 + X2 + X1*X2 + Erreur
où l'erreur est l'ensemble des degrés de liberté non affectés aux termes (y compris l'effet de bloc y)
Si toutefois vous êtes en mesure d'attribuer l'effet de bloc, votre modèle est :
Y = X1 + X2 + X1*X2 + Bloc + Erreur
Étant donné que l'effet de bloc est attribué, l'erreur (erreur quadratique moyenne) sera réduite, augmentant la probabilité d'effets statistiquement significatifs en raison de rapports F plus importants.
J'ai brièvement regardé votre table. Je vois que vous avez codé par couleur les colonnes d'intérêt. Je suppose que les oranges sont des lots, X1 et X2 et je vois les 2 Y. Aucune des autres colonnes n'est expliquée.
Je suis désolé, mais je ne vois vraiment pas de design expérimental ??? Certainement PAS une factorielle sur X1 et X2.
Vous pouvez utiliser la régression pour voir s'il existe des relations ? Un examen rapide des données suggère également que vous avez des points de données inhabituels. Essayez Boosted Tree pour Y1 et Neural Boosted pour Y2.
Re: Facteur de blocage lors de l'analyse des donnéesSalut Statman,
Merci beaucoup pour votre retour ! C'est plus clair maintenant. J'ai mis à jour le datatable (le précédent était le mauvais).
Nous avons considéré un plan factoriel complet avec deux facteurs (X1 et X2) et deux réponses (Y1 et Y2) pour chaque lot. Pour chaque Lot, une expérience supplémentaire a été réalisée en triple (expériences "référence").
Mes connaissances en statistiques sont très limitées, je ne comprends pas pourquoi nous devons effectuer des arbres Boosted et Neural Boosted.
