Blockierungsfaktor bei der DatenanalyseHallo,
Meine Frage ist, wie man einen Faktor bei der Datenanalyse blockiert.
Danke !
ICH
ZuverlässigkeitsanalyseBetreff: Blockierungsfaktor bei der DatenanalyseHallo Statman,
Vielen Dank für Ihr Feedback! Es ist jetzt klarer. Ich habe die Datentabelle aktualisiert (die vorherige war die falsche).
Wir haben für jedes Los einen vollfaktoriellen Versuchsplan mit zwei Faktoren (X1 und X2) und zwei Antworten (Y1 und Y2) in Betracht gezogen. 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-Bäume durchführen müssen.
Betreff: Blockierungsfaktor bei der DatenanalyseIch verstehe, dass Sie Chargen nicht wiederverwenden werden, aber Sie müssen die Variation der Chargen in Ihrem Modell berücksichtigen, wenn Sie ein Modell haben möchten, das auf zukünftigen Chargen funktioniert.
Wenn das eingehende Material gemessen werden kann, können Sie diese Messung als Zufallsvariable im Modell hinzufügen (nicht als Zufallsblock). Das Modell wird diesen Term dann für zukünftige Vorhersagen berücksichtigen.
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
Für ein typisches Modell gilt Y = X1 + X2 + X1*X2 + Fehler
wobei Fehler alle Freiheitsgrade sind, die den Termen nicht zugewiesen sind (einschließlich Ay-Block-Effekt)
Wenn Sie jedoch den Blockeffekt zuweisen können, ist Ihr Modell:
Y = X1 + X2 + X1*X2 + Block + Fehler
Da der Blockeffekt zugewiesen wird, wird der Fehler (mittlerer quadratischer Fehler) verringert, was die Wahrscheinlichkeit statistisch signifikanter Effekte aufgrund größerer F-Verhältnisse erhöht.
Ich habe mir kurz Ihren Tisch angeschaut. Wie ich sehe, haben Sie die Spalten, die Sie interessieren, farblich gekennzeichnet. Ich nehme an, die orangefarbenen sind Lots, X1 und X2 und ich sehe die 2 Ys. Die anderen Spalten werden nicht erläutert.
Es tut mir leid, aber ich sehe wirklich kein geplantes Experiment??? Sicherlich KEINE Fakultät auf X1 und X2.
Könnten Sie die Regression nutzen, um zu sehen, ob es irgendwelche Zusammenhänge gibt? Ein kurzer Blick auf die Daten lässt auch darauf schließen, dass Sie über einige ungewöhnliche Datenpunkte verfügen. Probieren Sie Boosted Tree für Y1 und Neural Boosted für Y2 aus.
Betreff: Blockierungsfaktor bei der DatenanalyseVielen Dank für Ihre Antwort!
Entschuldigung, es wurde nicht gut erklärt, ich werde versuchen, die Aussage klarzustellen:
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 werden wird. Deshalb ist es uns egal, dass Lot A die durchschnittliche Antwort um 1,5 und Lot B um -0,6 erhöht, da ich diese Lots in Zukunft nicht mehr verwenden werde.
Zu den anderen Fragen:
1. Ja, die Abweichungen von Charge zu Charge sind erheblich. Es wird interessant sein, wenn möglich, das Ausmaß dieser Variation zu berücksichtigen, aber alle Experimente wurden bereits durchgeführt und es wurden nur zwei Chargen verwendet.
2. Wir wissen, dass es von Charge zu Charge Unterschiede gibt, die sich auf den Ertrag auswirken. Wir sind nicht daran interessiert, die eingehenden Lot-zu-Lot-Variationen zu reduzieren. Wir müssen unabhängig von der Ausgangsproteinmenge das Maximum an Protein extrahieren.
3. Ja, wir messen die Proteinmenge im Ausgangsmaterial und sie hängt mit der Ausbeute zusammen. Ich weiß jedoch nicht, was Sie mit „dieses Maß als Kovariate behandeln“ meinen.
4. Vielen Dank! Ja, es macht Sinn, etwas hinzuzufügen Block-für-Faktor-Interaktionen.
„Das Maß an Verständnis dafür, welches Geräusch mit dem Block verwechselt wird.“ Wenn ich das in unserem Beispiel richtig verstanden habe, ist die Variation von Charge zu Charge auf unterschiedliche Proteinkonzentrationen zurückzuführen, die sich auf die Ausbeute (Y1) auswirken, und natürlich auf unterschiedliche Mengen an Verunreinigungen, die auch die restlichen Verunreinigungen (Y2) beeinflussen. Das heißt, wir müssen es als einen festen Zustand behandeln?
Erwähnenswert ist auch, dass R2 und R2 angepasst bei etwa 50 % lagen, was bedeutet, dass wir immer noch eine gewisse Variabilität haben, die wir im Modell nicht berücksichtigt haben.
Und zu Ihrer Aussage: „Wenn Sie nun nicht die nötige Sorgfalt walten lassen, um zu ermitteln, welche Rauschfaktoren mit dem Block verwechselt werden, müssen Sie den Block als Zufallseffekt behandeln.“ und ein Mittel zur Verringerung des mittleren quadratischen Fehlers (was zu einem aussagekräftigeren F-Test führen kann). " Ich habe nicht ganz verstanden, was Sie unter „ein Mittel zur Verringerung des mittleren quadratischen Fehlers“ verstehen.
Vielen Dank für all diese Erklärungen.
Im Anhang finden Sie die Datentabelle. Vielleicht können Sie mir dabei helfen, die optimalen Bedingungen zu finden, um Y1 zu maximieren und gleichzeitig Y2 unter 70 zu halten 
Am besten !
ICH
Betreff: Blockierungsfaktor bei der DatenanalyseEntschuldigung, ich komme etwas zu spät zur Diskussion. Ich bin nicht sicher, ob ich verstehe, was Sie tun? Es wäre für uns auch hilfreich, wenn Sie die Datentabelle bereitstellen könnten, auch wenn Sie die Faktoren und Antwortvariablen aus Vertraulichkeitsgründen kodieren möchten. Auf diese Weise können wir versuchen, die Ergebnisse der Analyse zu reproduzieren/verstehen.
Ich verstehe diese Aussage nicht:
Wir haben eine Variation im Lot-Ausgangsmaterial, die wir bereits kennen. Wir möchten diese Extravariabilität berücksichtigen, jedoch nicht für zukünftige Untersuchungen (es besteht keine Notwendigkeit, das Lot als X3 im Modell hinzuzufügen, selbst wenn es signifikant ist).
Meine Gedanken:
1. Mir scheint, Sie möchten/müssen die eingehenden Schwankungen zwischen den einzelnen Chargen berücksichtigen, von denen Sie wissen, dass sie erheblich sein können?
2. Wenn Sie wissen, dass es von Charge zu Charge Schwankungen gibt, wissen Sie, ob sich diese auf den Ertrag auswirken? Wenn dies der Fall ist, was unternehmen Sie, um die eingehenden Lot-zu-Lot-Variationen zu reduzieren?
3. Können Sie die eingehende Menge messen? Gibt es ein Maß für die eingehende Menge, das Ihrer Meinung nach mit dem Ertrag zusammenhängt? Wenn ja, warum behandeln Sie dieses Maß nicht als Kovariate?
4. Ich werde die Verwendung von Blockierungen aus einer anderen Sicht betrachten ... Wie Sie angedeutet haben, gibt es zwei Möglichkeiten, den Blockeffekt zu behandeln: als zufälligen Effekt oder als festen Effekt. Was für mich ausschlaggebend dafür ist, welches Geräusch Sie verwenden, ist das Ausmaß des Verständnisses darüber, 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. Da Sie möchten, dass Ihre Faktoreffekte bei sich änderndem Rauschen konsistent sind (das ist die Definition von robust), bedeutet dies im Wesentlichen das Fehlen von Block-für-Faktor-Wechselwirkungen.
Wenn Sie nun nicht die nötige Sorgfalt walten lassen, um zu ermitteln, welche Rauschfaktoren mit dem Block verwechselt werden, bleibt Ihnen nur noch, den Block als Zufallseffekt und als Mittel zur Verringerung des mittleren quadratischen Fehlers zu behandeln (was zu einem signifikanteren F führen kann). -prüfen).
„Blockieren Sie, was Sie können, und randomisieren Sie, was Sie nicht können“ GEP Kasten
Blockieren Sie, was Sie identifizieren können, und randomisieren Sie, was Sie nicht identifizieren können.
Betreff: Blockierungsfaktor bei der DatenanalyseHallo,
Vielen Dank für diese Erklärung und entschuldigen Sie, dass ich nicht so viele Informationen gegeben habe.
Daher führten wir einen vollfaktoriellen Versuchsplan mit zwei Faktoren (X1 und X2) und zwei Antworten durch. Das Hauptziel besteht darin, die Ausbeute Y1 zu maximieren, aber einen akzeptablen Grad an Verunreinigungen beizubehalten (Y2 unter 70).
Wir haben erhebliche Unterschiede im Ausgangsmaterial von Charge zu Charge.
Nach dem, was ich in der JMP-Community gelesen habe, ist hier der Unterschied zwischen zufälligen und festen Blöcken (bitte korrigieren Sie mich, wenn ich falsch liege):
- A Fest Der Block wird in der Software standardmäßig wie die anderen Faktoren behandelt. Dies wird im Modell dargestellt. Das bedeutet, dass wir bei der Analyse drei statt zwei Faktoren berücksichtigen, aber Wechselwirkungen und quadratische Effekte für das Lot ausschließen.
- A willkürlich Blöcken wird es insbesondere dann verwendet, wenn unser Ziel darin besteht, die für die Blöcke verursachten Variationen zu berücksichtigen und keine Rückschlüsse auf Auswirkungen ziehen zu müssen (was hier der Fall ist).Das heißt, wenn ich mehrere Chargen Rohmaterial in mein Design einbeziehe, ist es mir egal, dass Charge A die durchschnittliche Reaktion um 1,5 und Charge B um -0,6 erhöht, da ich diese Chargen in Zukunft nicht mehr verwenden werde. Ich möchte nur, dass die Chargen, die ich im Entwurf verwendet habe, repräsentativ für die typische Variation der Rohmaterialchargen sind, denen ich in Zukunft begegnen werde
Wir haben uns für die von Ihnen beschriebene zufällige Blockierung entschieden, allerdings gibt es bei JMP zwei seltsame Dinge:
- Für die zufällige Blockierung wurde keine ANOVA-Tabelle angezeigt
- Auch wenn ich den Simulator verwende, gibt es keine Fehlerquote für zufälliges Blockieren
Könnten Sie mir bitte helfen zu verstehen, warum diese Informationen fehlen?
Danke !
ICH
Betreff: Blockierungsfaktor bei der DatenanalyseIhre Aussage ergibt keinen Sinn. Sie haben ein Experiment abgeschlossen? Sie haben das Experiment mit blockierten Läufen geplant?
Ich vereinfache Ihre Situation wahrscheinlich zu sehr, aber Sie haben uns angesichts einer komplexen Technik (Blockierung) nur sehr wenige Informationen gegeben. Sie können der Datentabelle eine neue Datenspalte hinzufügen und diese mit Werten füllen, um die Mitgliedschaft in einem bestimmten Block anzuzeigen. Wenn die Datentabelle beispielsweise 16 Läufe enthält und die Blöcke aus 4 aufeinanderfolgenden Läufen bestehen, könnte die neue Spalte 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3, 4 enthalten. 4, 4 und 4. Wählen Sie Analysieren > Modell anpassen. Ordnen Sie die Antworten der Y-Rolle zu. Wählen Sie Faktorspalten aus und geben Sie geeignete Begriffe für die Faktoreffekte ein. Stellen Sie sicher, dass Sie die Spalte mit den Blöcken zur Liste „Effekte“ hinzufügen. 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“ aus.
