데이터 분석시 차단 요인안녕하세요,
제 질문은 데이터를 분석 할 때 요인을 차단하는 방법입니다.
감사 !
나는
데이터 테이블암사슴Re : 데이터 분석시 차단 요인귀하의 진술이 의미가 없습니다. 실험을 완료 하셨나요? 실행이 차단 된 실험을 설계 했습니까?
나는 당신의 상황을 지나치게 단순화하고있을 것 같지만, 당신은 복잡한 기술 (차단)에 직면하여 우리에게 거의 정보를주지 않았습니다. 데이터 테이블에 새 데이터 열을 추가하고 값을 채워 주어진 블록의 구성원임을 나타낼 수 있습니다. 예를 들어 데이터 테이블에 16 개의 런이 포함되어 있고 블록이 연속 4 번의 런인 경우 새 열에는 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3, 4, 4, 4 및 4. 분석> 모형 적합을 선택합니다. Y 역할에 응답을 지정하십시오. 요인 열을 선택하고 요인 효과에 대한 적절한 항을 만드십시오. 블록이있는 열을 효과 목록에 추가해야합니다. 차단 효과는 기본적으로 다른 요인과 마찬가지로 고정 효과로 처리됩니다. 블록을 임의 효과로 처리하려면 효과 목록에서 블록을 선택하고 속성 옆에있는 빨간색 삼각형을 클릭 한 다음 임의 효과를 선택합니다.
Re : 데이터 분석시 차단 요인안녕하세요,
이 설명에 감사 드리며 많은 정보를 제공하지 못해 죄송합니다.
따라서 2 개의 요인 (X1 및 X2)과 2 개의 반응을 사용하여 완전 요인 설계를 실행했습니다. 주요 목표는 Y1 수율을 최대화하지만 허용 가능한 수준의 불순물을 유지하는 것입니다 (Y2가 X보다 낮음).
우리는 이미 알고있는 Lot 시작 재료에 변형이 있습니다.이 추가 변수를 고려하고 싶지만 향후 조사를 위해 고려하지 않습니다 (중요하더라도 모델에서 X3로 로트를 추가 할 필요가 없습니다).
내가 JMP cmmunity에서 읽은 내용에 따르면 무작위 또는 foxed 블록의 차이점은 다음과 같습니다 (내가 틀리면 수정하십시오).
- ㅏ 결정된 블록은 소프트웨어에서 기본적으로 다른 요소처럼 취급됩니다. 즉, 분석을 할 때 2가 아닌 3 개의 요인을 고려하지만 Lot에 대한 상호 작용과 2 차 효과를 제외합니다.
- ㅏ 무작위 블록, 특히 우리의 목표가 블록에 대해 발생하는 변동을 설명하고 효과에 대한 추론을 할 필요가없는 경우에 사용됩니다 (여기에서 우리의 경우).즉, 설계에 여러 로트의 원자재를 포함하는 경우 향후 로트를 사용하지 않을 것이므로 로트 A가 평균 응답을 1.5, 로트 B가 -0.6으로 증가해도 상관하지 않습니다. 나는 디자인에 사용한 로트 만이 미래에 접하게 될 원자재 로트의 전형적인 변형을 대표하기를 원합니다.
설명한대로 무작위 차단을 사용하기로 결정했지만 JMP에는 두 가지 이상한 점이 있습니다.
-무작위 차단에 대한 ANOVA 테이블이 표시되지 않았습니다.
-또한 시뮬레이터를 할 때 랜덤 블로킹에 대한 불량률이 없습니다.
이러한 정보가 누락 된 이유를 이해하도록 도와 주시겠습니까?
감사 !
나는
Re : 데이터 분석시 차단 요인죄송합니다. 토론에 조금 늦었습니다. 당신이 뭘하는지 잘 모르겠어요? 기밀성을 위해 요인 및 반응 변수를 코딩하려는 경우에도 데이터 테이블을 제공 할 수 있다면 도움이 될 것입니다. 이렇게하면 분석 결과물로 얻는 것을 재현 / 이해할 수 있습니다.
이 진술을 이해하지 못합니다.
우리는 이미 알고있는 Lot 시작 재료에 변형이 있습니다.이 추가 변수를 고려하고 싶지만 향후 조사를 위해 고려하지 않습니다 (중요하더라도 모델에서 X3로 로트를 추가 할 필요가 없습니다).
내 생각:
1. 중요 할 수있는 로트 간 변동의 들어오는 변동을 설명하고 싶거나 필요로하는 것 같습니까?
2. 로트 간 변동이 있다는 것을 알고 있다면 그것이 수율에 영향을 미치는지 알고 있습니까? 그렇다면 들어오는 로트 간 변동을 줄이기 위해 무엇을하고 있습니까?
3. 들어오는 로트를 측정 할 수 있습니까? 수확량과 관련이 있다고 생각하는 들어오는 로트에 대한 측정이 있습니까? 그렇다면 해당 측정 값을 공변량으로 취급하지 않는 이유는 무엇입니까?
4. 블로킹 사용에 대한 다른 관점을 제공하겠습니다. 블록 효과를 무작위 효과 또는 고정 효과로 처리하는 방법은 두 가지가 있습니다. 나에게 어떤 것을 사용하는지 결정하는 것은 어떤 소음이 블록과 혼동되는지에 대한 이해의 양입니다. 어떤 노이즈 변수가 블록과 혼동되는지에 대한 철저한 이해가있는 경우 블록을보다 효과적으로 사용하는 것이 고정 효과입니다. 모델을 분석 할 때 블록과 모든 블록 별 상호 작용을 포함하려고합니다. 실제로 가장 중요한 효과는 블록 별 상호 작용 일 수 있습니다. 왜, 당신은 당신의 요인 효과가 변화하는 잡음에 대해 일관되기를 원하기 때문에 (이것은 강건 함의 정의입니다) 이것은 본질적으로 블록 별 상호 작용이 없음을 의미합니다.
이제 블록과 혼동되는 노이즈 요인을 식별하는 실사를 수행하지 않은 경우 블록을 무작위 효과로 취급하고 평균 제곱 오차를 낮추는 수단 (더 의미있는 F를 제공 할 수 있음)으로 남겨집니다. -테스트).
"할 수있는 것을 차단하고 할 수없는 것을 무작위로 지정"GEP 상자
식별 할 수있는 것을 차단하고 식별 할 수없는 것을 무작위 화하십시오.
Re : 데이터 분석시 차단 요인답변 주셔서 감사합니다!
죄송합니다. 설명이 잘 되지 않았습니다. 설명을 명확히 하기 위해 노력하겠습니다.
우리의 목표는 단백질 수율을 최대화하는 것이며, 모든 출발 물질의 단백질 농도가 다르며 사용된 모든 로트가 미래에 사용되지 않을 것임을 알고 있습니다. 이것이 Lot A가 평균 응답을 1.5만큼 증가시키고 Lot B를 -0.6만큼 증가시키는 것을 신경 쓰지 않는 이유입니다. 왜냐하면 저는 미래에 해당 부지를 사용하지 않을 것이기 때문입니다.
다른 질문:
1. 예, 로트 간 편차가 상당합니다. 가능하다면 이 변형의 양을 설명하는 것이 흥미로울 것이지만 모든 실험은 이미 수행되었으며 2개의 로트만 사용되었습니다.
2. 로트별로 편차가 있고 수율에 영향을 미친다는 것을 알고 있습니다. 우리는 들어오는 로트 간 변동을 줄이는 데 관심이 없습니다. 시작 단백질 양과 관계없이 최대 단백질을 추출해야 합니다.
3. 예, 출발 물질의 단백질 양을 측정하며 이는 수율과 관련이 있습니다. 그러나 "해당 측정값을 공변량으로 취급하는 것"이 무엇을 의미하는지 모르겠습니다.
4. 감사합니다! 예 추가하는 것이 좋습니다. 블록별 상호작용.
"어떤 잡음이 블록과 혼동되는지에 대한 이해의 정도." 예를 들어 로트 간 편차는 수율(Y1)에 영향을 미치는 다양한 단백질 농도와 잔류 불순물(Y2)에도 영향을 미치는 불순물의 양이 다르기 때문입니다. 그것은 우리가 그것을 고정된 것으로 취급해야 한다는 것을 의미합니까?
언급할 또 다른 사항은 조정된 R2 및 R2가 약 50%라는 것입니다. 이는 모델에서 고려하지 않은 일정량의 변동성이 여전히 있음을 의미합니다.
그리고 귀하의 진술에 대해 "이제 블록과 혼동되는 노이즈 요인을 식별하는 실사를 수행하지 않은 경우 블록을 무작위 효과로 처리해야 합니다. 및 평균 제곱 오차를 낮추는 수단(더 중요한 F-검정을 제공할 수 있음). " "평균 제곱 오차를 낮추는 수단"이 의미하는 바를 완전히 이해하지 못했습니다.
모든 설명에 감사드립니다.
첨부 된 데이터 테이블을 찾을 수 있으므로 Y2를 70보다 낮게 유지하면서 Y1을 최대화하는 최적의 조건을 찾는 데 도움이 될 수 있습니다. 
베스트 !
나는
Re: 데이터 분석 시 차단 요소나는 당신이 로트를 재사용하지 않을 것이라는 것을 이해하지만, 당신이 미래의 로트에서 작동하는 모델을 갖고 싶다면 당신의 모델에 있는 로트의 변화를 설명해야 합니다.
들어오는 재료를 측정할 수 있는 경우 해당 측정을 모델의 랜덤 변수로 추가할 수 있습니다(임의 블록이 아님). 그런 다음 모델은 미래 예측을 위해 이 용어를 포함합니다.
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
일반 모델의 경우 Y = X1 + X2 + X1*X2 + 오류
여기서 오차는 항에 할당되지 않은 모든 자유도(y 블록 효과 포함)
그러나 차단 효과를 할당할 수 있는 경우 모델은 다음과 같습니다.
Y = X1 + X2 + X1*X2 + 블록 + 오류
차단 효과가 할당되기 때문에 오류(평균 제곱 오차)가 감소되어 F-비율이 더 커짐에 따라 통계적으로 유의미한 효과가 발생할 가능성이 높아집니다.
나는 당신의 테이블을 간단히 살펴보았습니다. 관심 있는 열을 색상으로 구분한 것을 보았습니다. 나는 오렌지색이 Lot, X1 및 X2라고 생각하고 2개의 Y를 봅니다. 다른 열은 설명하지 않습니다.
죄송하지만 실제로 설계된 실험이 보이지 않습니까??? 확실히 X1과 X2에 대한 계승은 아닙니다.
회귀를 사용하여 관계가 있는지 확인할 수 있습니까? 데이터를 빠르게 살펴보면 비정상적인 데이터 포인트가 있음을 알 수 있습니다. Y1에는 Boosted Tree를, Y2에는 Neural Boosted를 사용해 보십시오.
Re: 데이터 분석 시 차단 요소이봐, 스탯맨
귀하의 피드백에 감사드립니다! 이제 더 명확해졌습니다. 데이터 테이블을 업데이트했습니다(이전은 잘못된 것입니다).
각 로트에 대해 2개의 요인(X1 및 X2)과 2개의 반응(Y1 및 Y2)이 있는 완전 요인 설계를 고려했습니다. 각 로트에 대해 하나의 추가 실험을 3중으로 수행했습니다(실험 "참조").
내 통계 지식은 매우 제한적입니다. 왜 Boosted 및 Neural Boosted 트리를 수행해야 하는지 모르겠습니다.
