Blockierungsfaktor bei der DatenanalyseHallo,
Meine Frage ist, wie man einen Faktor bei der Analyse von Daten blockiert.
Vielen Dank !
ich
DatentabelleDAMHIRSCHKUHRe: Blockierungsfaktor bei der DatenanalyseIhre Aussage macht keinen Sinn. Sie haben ein Experiment abgeschlossen? Sie haben das Experiment mit blockierten Läufen entworfen?
Ich vereinfache Ihre Situation wahrscheinlich zu stark, aber Sie haben uns angesichts einer komplexen Technik (Blockierung) nur sehr wenige Informationen gegeben. Sie können der Datentabelle eine neue Datenspalte hinzufügen und sie mit Werten füllen, um die Mitgliedschaft in einem bestimmten Block anzugeben. Wenn die Datentabelle beispielsweise 16 Durchläufe enthält und die Blöcke aus aufeinanderfolgenden 4 Durchläufen bestehen, kann die neue Spalte 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3, 4, 4, 4 und 4. Wählen Sie Analysieren > Modell anpassen. Weisen Sie die Antworten der Y-Rolle zu. Wählen Sie Faktorspalten aus und bilden Sie die entsprechenden Terme für die Faktoreffekte. Achten Sie darauf, die Spalte mit den Blöcken zur Liste Effekte hinzuzufügen. Der Blockeffekt wird standardmäßig wie die anderen Faktoren als fester Effekt behandelt. Wenn Sie den Block als Zufallseffekt behandeln möchten, wählen Sie den Block in der Effektliste aus, klicken Sie auf das rote Dreieck neben Attribute und wählen Sie Zufallseffekt.
Re: Blockierungsfaktor bei der DatenanalyseHallo,
danke für diese erklärung und entschuldigung, dass ich nicht so viele angaben gemacht habe.
Wir haben also einen vollfaktoriellen Versuchsplan mit 2 Faktoren (X1 und X2) und 2 Antworten durchgeführt. Das Hauptziel besteht darin, die Ausbeute Y1 zu maximieren, aber ein akzeptables Niveau an Verunreinigungen (Y2 niedriger als X) zu halten.
Wir haben eine Variation des Lot-Ausgangsmaterials, die wir bereits kennen, wir möchten diese Extravariabilität berücksichtigen, aber nicht für zukünftige Untersuchungen (es besteht keine Notwendigkeit, das Lot als X3 in das Modell aufzunehmen, selbst wenn es signifikant ist).
Nach dem, was ich in der JMP-Cmunity gelesen habe, ist hier der Unterschied zwischen zufälligen oder gefälschten Blöcken (bitte korrigieren Sie mich, wenn ich falsch liege):
- EIN Fest block wird standardmäßig in der Software wie die anderen Faktoren behandelt. Es wird im Modell gezeigt. Das heißt, wir berücksichtigen bei der Analyse 3 statt 2 Faktoren, schließen aber Interaktionen und quadratische Effekte für das Lot aus.
- EIN zufällig Blöcke, es wird insbesondere verwendet, wenn es unser Ziel ist, die durch die Blöcke verursachte Variation zu berücksichtigen und keine Rückschlüsse auf Effekte zu ziehen (was hier der Fall ist).Das heißt, wenn ich mehrere Lose Rohmaterial in mein Design einbeziehe, ist es mir egal, dass Los A die durchschnittliche Antwort um 1,5 und Los B um -0,6 erhöht, da ich diese Lose in Zukunft nicht verwenden werde. Ich möchte nur, dass die Chargen, die ich im Design verwendet habe, repräsentativ für die typische Variation von Rohstoffchargen sind, die mir in Zukunft begegnen werden
Wir haben uns für das zufällige Blockieren entschieden, wie Sie es beschrieben haben, aber es gibt zwei seltsame Dinge bei JMP :
- Es wurde keine ANOVA-Tabelle für zufälliges Blockieren angezeigt
- Auch wenn ich den Simulator mache, gibt es keine Fehlerrate für zufälliges Blockieren
Könnten Sie mir bitte helfen zu verstehen, warum diese Informationen fehlen?
Vielen Dank !
ich
Re: Blockierungsfaktor bei der DatenanalyseSorry, etwas spät zur Diskussion. Ich bin nicht sicher, ob ich verstehe, was Sie tun? Es wäre auch für uns hilfreich, wenn Sie die Datentabelle zur Verfügung stellen können, auch wenn Sie die Faktoren und Antwortvariablen aus Gründen der Vertraulichkeit codieren möchten. Auf diese Weise können wir versuchen, die Ergebnisse der Analyse zu reproduzieren/zu verstehen.
Ich verstehe diese Aussage nicht:
Wir haben eine Variation des Lot-Ausgangsmaterials, die wir bereits kennen, wir möchten diese Extravariabilität berücksichtigen, aber nicht für zukünftige Untersuchungen (es besteht keine Notwendigkeit, das Lot als X3 in das Modell aufzunehmen, selbst wenn es signifikant ist).
Meine Gedanken:
1. Scheint mir, dass Sie die eingehenden Schwankungen von Los zu Los berücksichtigen möchten/müssen, von denen Sie wissen, dass sie erheblich sein können?
2. Wenn Sie wissen, dass es Abweichungen von Los zu Los gibt, wissen Sie, ob sich dies auf den Ertrag auswirkt? Wenn ja, was unternehmen Sie, um die eingehenden Los-zu-Los-Variationen zu reduzieren?
3. Können Sie das eingehende Los messen? Gibt es ein Maß für das eingehende Los, das Ihrer Meinung nach mit dem Ertrag zu tun hat? Wenn ja, warum behandeln Sie dieses Maß nicht als Kovariate?
4. Ich werde eine andere Sichtweise auf die Verwendung von Blockieren geben ... Wie Sie angeben, gibt es zwei Möglichkeiten, den Blockeffekt zu behandeln, als zufälligen Effekt oder als festen Effekt. Was für mich bestimmt, welches Sie verwenden, ist das Verständnis dafür, welches Rauschen mit dem Block verwechselt wird. Wenn Sie genau wissen, welche Rauschvariablen mit dem Block verwechselt werden, ist die Verwendung des Blocks als fester Effekt effektiver. Wenn Sie das Modell analysieren, möchten Sie die Blöcke UND alle Block-für-Faktor-Interaktionen einbeziehen. Tatsächlich könnten die wichtigsten Effekte die Block-für-Faktor-Wechselwirkungen sein. Weil Sie möchten, dass Ihre Faktoreffekte über sich änderndes Rauschen konsistent sind (dies ist die Definition von robust), bedeutet dies im Wesentlichen das Fehlen von Block-für-Faktor-Wechselwirkungen.
Wenn Sie nun nicht sorgfältig genug ermittelt haben, welche Rauschfaktoren mit dem Block verwechselt werden, müssen Sie den Block als zufälligen Effekt und als Mittel zur Verringerung des mittleren quadratischen Fehlers behandeln (was zu einem signifikanteren Fwhich führen kann). -Prüfung).
"Blockieren Sie, was Sie können, randomisieren Sie, was Sie nicht können" GEP Box
Blockieren Sie, was Sie identifizieren können, und randomisieren Sie, was Sie nicht identifizieren können.
Re: Blockierungsfaktor bei der DatenanalyseVielen Dank für Ihre Antwort!
Entschuldigung, es wurde nicht gut erklärt, ich werde versuchen, die Aussage zu klären:
Unser Ziel ist es, die Proteinausbeute zu maximieren, wir wissen, dass jedes Ausgangsmaterial eine andere Proteinkonzentration haben wird und auch jede gebrauchte Charge in Zukunft nicht mehr verwendet wird. Aus diesem Grund ist es uns egal, dass Los A die durchschnittliche Antwort um 1,5 und Los B um -0,6 erhöht, da ich diese Lose in Zukunft nicht verwenden werde.
Zu den anderen Fragen:
1. Ja, die Variation von Los zu Los ist erheblich. Es wird interessant sein, den Umfang dieser Variation, wenn möglich, zu berücksichtigen, aber alle Experimente wurden bereits durchgeführt und es wurden nur 2 Chargen verwendet.
2. Wir wissen, dass es von Los zu Los Unterschiede gibt, die sich auf den Ertrag auswirken. Wir sind nicht daran interessiert, die eingehenden Los-zu-Los-Variationen zu reduzieren. Wir müssen das Maximum an Protein unabhängig von der Ausgangsproteinmenge extrahieren.
3. Ja, wir messen die Proteinmenge im Ausgangsmaterial und beziehen sich auf die Ausbeute. Ich weiß jedoch nicht, was Sie mit "dieses Maß als Kovariate behandeln" meinen.
4. Vielen Dank! ja es macht Sinn es hinzuzufügen Block-für-Faktor-Interaktionen.
"das Ausmaß des Verständnisses, welches Geräusch mit dem Block verwechselt wird." Wenn ich es gut verstanden habe, ist für unser Beispiel die Variation von Charge zu Charge auf unterschiedliche Proteinkonzentrationen zurückzuführen, die die Ausbeute (Y1) beeinflussen und natürlich unterschiedliche Mengen an Verunreinigungen, die auch die Restverunreinigungen (Y2) beeinflussen. Das heißt, wir müssen es als feste ?
Erwähnenswert ist auch, dass die angepassten R2 und R2 bei etwa 50% lagen, was bedeutet, dass wir immer noch eine gewisse Variabilität haben, die wir im Modell nicht berücksichtigt haben.
Und für Ihre Aussage: "Wenn Sie jetzt nicht die gebührende Sorgfalt aufgewendet haben, um zu identifizieren, welche Rauschfaktoren mit dem Block verwechselt werden, müssen Sie den Block als zufälligen Effekt behandeln und ein Mittel zum Senken des mittleren quadratischen Fehlers (das einen signifikanteren F-Test bereitstellen kann). " Ich habe nicht ganz verstanden, was Sie mit "ein Mittel zum Senken des mittleren quadratischen Fehlers" meinen.
Danke für all diese Erklärungen.
Im Anhang finden Sie die Datentabelle, damit Sie mir vielleicht helfen können, die optimalen Bedingungen zu finden, um Y1 zu maximieren und Y2 unter 70 zu halten 
Beste !
ich
Re: Blockierungsfaktor bei der DatenanalyseMir ist bekannt, dass Sie Lose nicht wiederverwenden werden, aber Sie müssen die Variationen der Lose in Ihrem Modell berücksichtigen, wenn Sie ein Modell haben möchten, das bei zukünftigen Losen funktioniert.
Wenn das eingehende Material gemessen werden kann, können Sie diese Messung als Zufallsvariable im Modell hinzufügen (nicht als Zufallsblock). Das Modell wird dann diesen Term für zukünftige Vorhersagen enthalten.
https://www.jmp.com/support/help/de/16.0/?os=mac&source=application&utm_source=helpmenu&utm_medium=application#page/jmp/experiments-with-covariates.shtml
Für ein typisches Modell Y = X1 + X2 + X1*X2 + Fehler
wobei Fehler alle Freiheitsgrade sind, die den Termen nicht zugeordnet sind (einschließlich ay-Blockeffekt)
Wenn Sie jedoch den Blockeffekt zuweisen können, ist Ihr Modell:
Y = X1 + X2 + X1*X2 + Block + Fehler
Da der Blockeffekt zugewiesen ist, wird der Fehler (mittlerer quadratischer Fehler) reduziert, wodurch die Wahrscheinlichkeit statistisch signifikanter Effekte aufgrund größerer F-Verhältnisse erhöht wird.
Ich habe mir Ihre Tabelle kurz angeschaut. Ich sehe, dass Sie die Spalten von Interesse farblich markiert haben. Ich nehme an, die orangen sind Lots, X1 und X2 und ich sehe die 2 Y's. Keine der anderen Spalten wird erklärt.
Es tut mir leid, aber ich sehe wirklich kein geplantes Experiment??? Sicherlich KEINE Fakultät auf X1 und X2.
Sie könnten die Regression verwenden, um zu sehen, ob es irgendwelche Beziehungen gibt? Ein kurzer Blick auf die Daten deutet auch darauf hin, dass Sie einige ungewöhnliche Datenpunkte haben. Probieren Sie Boosted Tree für Y1 und Neural Boosted für Y2 aus.
Re: Blockierungsfaktor bei der DatenanalyseHallo Statmann,
Vielen Dank für Ihr Feedback! Es ist jetzt klarer. Ich habe die Datentabelle aktualisiert (die vorherige war die falsche).
Wir haben einen vollfaktoriellen Versuchsplan mit zwei Faktoren (X1 und X2) und zwei Antworten (Y1 und Y2) für jedes Los betrachtet. Für jede Charge wurde ein zusätzliches Experiment in dreifacher Ausfertigung durchgeführt (Experimente "Referenz").
Meine Statistikkenntnisse sind sehr begrenzt, ich verstehe nicht, warum wir Boosted und Neural Boosted Trees durchführen müssen.
