データ分析時の阻害要因こんにちは、
私の質問は、データ分析時に要因をブロックする方法です。
ありがとう ！
私
信頼性解析Re: データ分析時の阻害要因おい、スタットマン、
フィードバックをありがとうございました! より明確になりました。 データテーブルを更新しました（以前のものは間違っていました）。
ロットごとに 2 つの因子 (X1 と X2) と 2 つの応答 (Y1 と Y2) を含む完全要因計画を検討しました。 各ロットについて、追加の実験を 3 回繰り返して実行しました (実験は「参照」)。
私の統計知識は非常に限られており、なぜブースト ツリーやニューラル ブースト ツリーを実行する必要があるのかわかりません。
Re: データ分析時の阻害要因ロットを再利用しないことは理解していますが、将来のロットでも機能するモデルを作成したい場合は、モデル内のロットの変動を考慮する必要があります。
受信した材料を測定できる場合は、その測定値を (ランダム ブロックとしてではなく) 確率変数としてモデルに追加できます。 モデルには、将来予測のためにこの項が含まれます。
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
一般的なモデルの場合、Y = X1 + X2 + X1*X2 + 誤差
ここで、誤差は項に割り当てられていないすべての自由度です (y ブロック効果を含む)
ただし、ブロック効果を割り当てることができる場合、モデルは次のようになります。
Y = X1 + X2 + X1*X2 + ブロック + エラー
ブロック効果が割り当てられるため、誤差 (平均二乗誤差) が減少し、より大きな F 比による統計的に有意な効果が発生する可能性が高まります。
あなたのテーブルを簡単に見てみました。 関心のある列が色分けされていることがわかります。 オレンジ色のものがロット、X1、X2 で、2 つの Y が見えます。 他の列については説明されていません。
申し訳ありませんが、計画された実験が本当に見つかりません。 確かに X1 と X2 の階乗ではありません。
回帰を使用して関係があるかどうかを確認できますか? データをざっと見てみると、いくつかの異常なデータ ポイントがあることがわかります。 Y1 にはブースト ツリーを、Y2 にはニューラル ブーストを試してください。
Re: データ分析時の阻害要因ご回答ありがとうございます！
申し訳ありませんが、十分に説明されていませんでした。ステートメントを明確に説明します。
私たちの目的はタンパク質の収量を最大化することであり、すべての出発原料のタンパク質濃度が異なること、また使用済みのすべてのロットが将来使用されないことを知っています。 そのため、ロット A では平均応答が 1.5 増加し、ロット B では -0.6 増加しても気にしないのは、これらのロットを今後使用する予定がないためです。
その他の質問については、次のとおりです。
1. はい、ロット間の変動は大きいです。 可能であれば、この変動の量を説明することは興味深いでしょうが、すべての実験はすでに行われており、使用されたロットは 2 つだけです。
2. ロットごとにばらつきがあり、それが収量に影響を与えることはわかっています。 私たちは、入荷するロット間の変動を減らすことに興味はありません。 出発タンパク質量とは関係なく、タンパク質を最大限に抽出する必要があります。
3. はい、出発原料中のタンパク質の量を測定します。これは収量に関係します。 しかし、「その測定値を共変量として扱う」という意味がわかりません。
4. ありがとうございます!はい、追加するのは理にかなっていますブロックごとの相互作用。
「どのようなノイズがブロックと混同されているかを理解する量。」 よく理解できたと思いますが、この例では、ロット間の変動は、収量に影響を与えるタンパク質濃度の違い (Y1) と、当然ながら残留不純物にも影響を与える不純物の量の違い (Y2) によるものです。 つまり、固定 ? として扱う必要があります。
もう 1 つ言及すべきことは、R2 と調整された R2 が約 50% であったということです。これは、モデルで考慮されていないある程度の変動がまだ存在することを意味します。
そして、あなたの発言については、「どのノイズ要因がブロックと混同されているかを特定するための十分な注意を払っていない場合、ブロックをランダムな効果として扱うことになります。平均二乗誤差を下げる手段（より重要な F 検定を提供する可能性があります）。 」 「平均二乗誤差を下げる手段」の意味がよくわかりませんでした。
ご説明いただきありがとうございました。
データテーブルを添付しますので、Y2 を 70 未満に保ちながら Y1 を最大化する最適な条件を見つけるのに役立つかもしれません 
一番 ！
私
Re: データ分析時の阻害要因申し訳ありませんが、議論に少し遅れました。 何をしているのかよくわかりませんが？ 機密保持のために因子と応答変数をコード化したい場合でも、データテーブルを提供していただけると助かります。 このようにして、分析の出力として得られるものを再現/理解することができます。
この文が理解できません:
すでにわかっているロット出発物質の変動があります。この変動性を考慮したいと考えていますが、将来の調査ではありません (重要な場合でもロットをモデルに X3 として追加する必要はありません)。
私の考え：
1. 重要である可能性があることがわかっているロット間の変動の到来変動を考慮したい、または考慮する必要があるように思えますか?
2. ロット間の変動があることがわかっている場合、それが収量に影響を与えるかどうか知っていますか? そうなった場合、入荷するロット間の変動を減らすために何をしていますか?
3. 入荷ロットの測定は可能ですか？ 収量に関連すると思われる入荷ロットの尺度はありますか? もしそうなら、なぜその測定を共変量として扱ってはいけないのでしょうか?
4. ブロッキングの使用について別の視点を提供します...あなたが示したように、ブロック効果をランダム効果として扱うか、固定効果として扱うには 2 つの方法があります。 私にとって、どちらを使用するかを決めるのは、どのようなノイズがブロックと混同されているかをどれだけ理解しているかです。 どのようなノイズ変数がブロックと混同されているかを十分に理解している場合は、ブロックを固定効果としてより効果的に使用することができます。 モデルを分析するときは、ブロックとすべてのブロックごとの相互作用を含める必要があります。 実際、最も重要な効果はブロックごとの相互作用である可能性があります。 要因の効果がノイズの変化に対して一貫していることが必要なため (これがロバストの定義です)、これは本質的に、ブロックごとの相互作用が存在しないことを意味します。
ここで、ブロックと混同されているノイズ要因を特定する適切な注意を行っていない場合は、ブロックを変量効果として扱い、平均二乗誤差を下げる手段 (これにより、より重要な F が得られる可能性があります) を扱うことになります。 -テスト）。
「ブロックできるものはブロックし、できないものはランダム化する」 GEP 箱
識別できるものはブロックし、識別できないものはランダム化します。
Re: データ分析時の阻害要因こんにちは、
この説明に感謝します。あまり多くの情報を提供できなくて申し訳ありません。
そこで、2 つの因子 (X1 と X2) と 2 つの応答を含む完全要因計画を実行しました。 主な目的は、収率 Y1 を最大化しながら、不純物の許容レベル (Y2 が 70 未満) を維持することです。
ロットごとに出発原料に大きなばらつきがあります。
JMP cmmunity で読んだことによると、ランダム ブロックと固定ブロックの違いは次のとおりです (間違っている場合は修正してください)。
- あ修理済みソフトウェアのデフォルトでは、ブロックは他の要素と同様に扱われます。 それはモデルに示されています。つまり、分析を行う際には 2 つの因子ではなく 3 つの因子を考慮しますが、ロットの交互作用と二次効果は除外します。
- あランダムブロックの場合、これは特に、ブロックに生じる変動を考慮することが目的であり、効果について推論する必要がない場合に使用されます (ここではこれが当てはまります)。つまり、設計に複数の原材料のロットを含める場合、ロット A の平均応答が 1.5 増加し、ロット B が -0.6 増加しても、それらのロットは今後使用する予定がないため、気にしません。 設計に使用したロットが、将来遭遇する原材料ロットの典型的なバリエーションを代表するものであることだけを望みます
あなたが説明したように、ランダムブロッキングを使用することにしましたが、JMPには2つの奇妙な点があります。
- ランダム ブロックの ANOVA テーブルは表示されませんでした
- また、シミュレーターを実行すると、ランダムブロックの不良率はありません。
これらの情報が欠落している理由を理解するのを手伝っていただけますか?
ありがとう ！
私
Re: データ分析時の阻害要因あなたの発言は意味がありません。 実験は完了しましたか？ ブロックされた実行を使用して実験を設計しましたか?
あなたの状況を単純化しすぎている可能性がありますが、複雑なテクニック (ブロッキング) に直面して、あなたはほとんど情報を提供しませんでした。 新しいデータ列をデータ テーブルに追加し、その列に値を入力して、特定のブロックのメンバーシップを示すことができます。 たとえば、データ テーブルに 16 の実行が含まれており、ブロックが連続した 4 つの実行である場合、新しい列には 1、1、1、1、2、2、2、2、3、3、3、3、4、が含まれる可能性があります。 4、4、4。 [分析] > [モデルの適合] を選択します。 応答を Y ロールに割り当てます。 因子列を選択し、因子効果の適切な項を作成します。 ブロックが含まれる列を必ずエフェクト リストに追加してください。 デフォルトでは、ブロック効果は他の要素と同様に固定効果として扱われます。 ブロックをランダム効果として扱いたい場合は、[効果]リストでブロックを選択し、[属性]の横にある赤い三角をクリックして、[ランダム効果]を選択します。
