Lautsprecher
|
Transkript
|
| Paulo Peloia |
Hallo, mein Name ist Paulo Peloia. Ich bin Data Analytics Lead für Lateinamerika bei Syngenta Crop Protection. Die Forschung |
| |
die ich präsentieren werde, handelt von der Optimierung der Unterstichprobengröße für Bodenschädlinge bei Zuckerrohrexperimenten. |
| |
Hier in Brasilien führen wir einige Experimente durch, um Produkte gegen Bodenschädlinge auf Zuckerrohr mit vier Wiederholungen auf vier Teilproben pro Parzelle zu testen. |
| |
Und in jeder Teilprobe müssen wir den Boden umgraben, um die Wurzeln des Zuckerrohrs zu entfernen, und dann den Schaden bewerten, der durch diese Bodenschädlinge verursacht wird. Okay, das machen wir in 0,5 Reihenmetern. |
| |
Bei diesem Design ist dies leider unser Problem, wir können in 40% der Fälle einen signifikanten Unterschied zwischen der Behandlung feststellen, wenn nur ein Alpha von 5% berücksichtigt wird. Okay. |
| |
Bevor wir die Anzahl der Replikate in unseren Versuchen erhöht haben, was die Kosten unserer Experimente dramatisch erhöhen würde, entschieden wir uns, zuerst die Anzahl der Teilproben, die wir sammeln, zu bewerten. |
| |
Es ist bekannt, dass der experimentelle Fehler umso geringer ist, je höher die Anzahl der Teilstichproben ist. Es ist auch bekannt, dass diese ... diese Abnahme des experimentellen Fehlers mit der Anzahl der Unterabtastungen abnimmt. Wir haben also einen nichtlinearen Trend und |
| |
an einem bestimmten Punkt wird diese Verringerung der experimentellen Fehler nahe Null. Okay, aus diesem Grund haben wir uns für das quadratische Plateaumodell entschieden, die Methodik, über die wir in einigen Sekunden sprechen werden. |
| |
Also sagte ich, dass das Ziel dieser Forschung darin besteht, die optimale Anzahl von Unterproben pro Plot zu bestimmen |
| |
für Bodenschädlinge auf Zuckerrohr, was im geringsten zu einem effizienteren Versuchsablauf beiträgt. Okay, lassen Sie uns nun über die Methodik sprechen, die wir verwendet haben. |
| |
Nun, wir begannen diese Studie mit ... mit der Durchführung von zwei Blindversuchen mit 11 Behandlungen, vier Blöcken und acht Teilproben pro Parzelle. Wieder acht, nicht vier |
| |
Teilstichproben pro Parzelle. Okay, mit diesem ... mit dem Ergebnis dieser beiden leeren Experimente wenden wir es an, dies ... die Bootstrap-Methodik |
| |
um den mittleren Standardfehler oder den experimentellen Fehler für jede Teilstichprobe von acht auf eins zu schätzen. Danach passen wir das quadratische Plateaumodell an. Werfen wir nun einen Blick auf diese Methodik, das quadratische Plateaumodell. |
| |
Okay, hier links haben wir die Gleichungen zu diesem Modell, aber ich konzentriere mich hier rechts auf das Diagramm, okay. |
| |
Im Grunde beginnt dieses Modell mit einem quadratischen Modell, okay, bis zu einem Bruch ... bis zu einem Bruchpunkt, an dem es zu einem Plateau oder einer horizontalen Linie wird, okay. |
| |
Im Fall dieser Studie haben wir auf der X-Achse die Teilstichprobe .... die Anzahl der Teilstichproben pro Diagramm und auf der y-Achse den Wurzelmittelwert |
| |
quadratischer Fehler oder die Standardabweichung unseres Versuchs, und dann dieser Break-Even-Punkt, okay. Diese Sollbruchstelle wird als optimaler Punkt bezeichnet. In unserem Fall ist dies der |
| |
optimale Anzahl von Unterproben pro Plot, okay. Nur...nur ein zusätzlicher Kommentar, wenn Sie das in JMP implementieren möchten, |
| |
diese Formel hier oben wird diese Formel im unteren Teil der Folie in JMP, okay. |
| |
Und dann können Sie zum Menü Analysieren, dann zur spezialisierten Modellierung und schließlich zur nichtlinearen Plattform gehen, okay. Wenn Sie dies in JMP tun möchten, ist dies der ... Dies ist der Weg, dem Sie folgen müssen. Kehren wir zur ersten Folie zurück. |
| |
Hier sind wir also immer noch in der Methodik und kennen die optimale Anzahl von Unterproben |
| |
pro Parzelle, die wir mit dem quadratischen Plateaumodell identifiziert haben, haben wir in der folgenden Saison durchgeführt |
| |
drei echte Versuche mit dieser Anzahl von Teilstichproben, und dann haben wir die Bootstrap-Methode erneut angewendet, um die Kapazität dieser Versuche zu vergleichen, signifikante Unterschiede zwischen den Behandlungen zu erkennen, verglichen mit vier Teilstichproben, unserem früheren Standard, okay. |
| |
Werfen wir also einen Blick auf die... bei den Ergebnissen. Zuerst hier die Ergebnisse, die sich auf Leerexperimente beziehen, um die optimale Anzahl von . zu ermitteln |
| |
Teilstichproben pro Parzelle. |
| |
Hier auf der linken Seite haben wir also ein...ein Diagramm für jedes leere Experiment. Auf der X-Achse haben wir die Anzahl der Teilstichproben pro Plot von acht bis eins. Auf der y-Achse haben wir eine Standardabweichung des Versuchs, und hier können wir sehen, dass wir 1.000...1000 Punkte für jede Anzahl von Teilstichproben haben. |
| |
Okay, und hier im Blank-Experiment 1 sehen wir eine sehr symmetrische Verteilung der Punkte, und der rote Punkt hier repräsentiert den Mittelwert, |
| |
die Standardabweichung. Im zweiten leeren Experiment sehen wir eine unsymmetrische Verteilung. Eigentlich ist es eine rechtsschiefe Verteilung, okay. |
| |
Und aus diesem Grund denke ich, dass es wichtig ist, mehr als ein leeres Experiment zu verwenden, um abzuschätzen, dass wir nicht immer eine Normalverteilung haben, okay. |
| |
Im Grunde werden die roten Punkte hier also auf die... auf die Diagramme auf der rechten Seite des Bildschirms übertragen. Dann füttern wir das quadratische Plateaumodell. Wie gesagt, wir beginnen mit dem quadratischen Modell und dann |
| |
in der...in der Sollbruchstelle wird es zu einer horizontalen Linie, okay. In beiden Fällen meine ich, bei beiden Experimenten ist das R-Quadrat wirklich gut, 97%, okay. Wir sehen, dass das Modell und die |
| |
die Daten sind gut, ich meine, sie sind ... sie liegen nahe beieinander und wir können hier die optimale Anzahl von Unterproben sehen. Beim ersten Blindversuch 5,6 und beim zweiten Versuch 5,4, okay. |
| |
Nun, da es nicht möglich ist, 5,5 Teilstichproben pro Parzelle zu haben, haben wir die optimale Anzahl gewählt, also sechs Teilstichproben pro Parzelle, und das ist die Zahl, mit der wir die echten Versuche in der folgenden Saison durchgeführt haben, okay. |
| |
So |
| |
zurück zur ersten Folie. Auch hier haben wir den ersten Teil der Methodik behandelt und dann werden wir die Ergebnisse validieren, ich meine, den Nutzen einer Erhöhung der Anzahl von Teilstichproben pro Plot zu bewerten, okay. Lass uns da hin gehen. |
| |
Im linken Teil des Bildschirms haben wir also auf der y-Achse den p-Wert für die Behandlungen, und hier repräsentiert diese rote Linie unser Alpha, 5%. Also experimentiere mit... |
| |
mit einem p-Wert für Behandlungen unterhalb dieser roten Linie kann ein signifikanter Unterschied zwischen Behandlungen und Werten festgestellt werden, die beide nicht können, okay. Im oberen Teil haben wir die drei...die drei verschiedenen Validierungsexperimente und in jedem... |
| |
Jedes Experiment links haben wir das Experiment mit vier Unterproben und rechts haben wir sechs Unterproben, okay. |
| |
Wir können deutlich sehen, dass die Anzahl der Datenpunkte unterhalb der 5%, oder dieser oberen Spezifikationsgrenze, höher ist als bei vier Subsamples, okay. Das können wir deutlich sehen. Und wenn wir diese Ergebnisse zusammenfassen, haben wir |
| |
fast 41 % der Studien fanden einen signifikanten Unterschied zwischen Behandlungen mit vier |
| |
Unterstichproben. Und mit sechs Unterstichproben, unserer optimalen Zahl, werden es fast 54, okay. Das ist nicht perfekt, aber hier gibt es einen guten Zuwachs, okay, einen Zuwachs von 13 Prozentpunkten. Kehren wir also zur ersten Folie zurück. |
| |
Um zu dieser Studie zu schließen, wie gesagt, |
| |
die Zunahme von vier auf sechs Teilproben pro Parzelle erhöhte unsere Fähigkeit, signifikante Unterschiede zwischen den Behandlungen in 13 Prozentpunkten zu erkennen. |
| |
Wir können sagen, dass das quadratische Plateaumodell gut funktioniert hat, weil das R-Quadrat gut war und es ziemlich einfach war, den optimalen Punkt zu identifizieren, okay. Es ist gut. |
| |
Und für zukünftige Forschungen müssen wir untersuchen, ob diese Verbesserung ausreicht oder ob wir auch die Anzahl der Replikate erhöhen müssen. Und dazu ist es immer gut, etwas hinzuzufügen... |
| |
ein gewisser Wert, einige Kosten für dieses Modell, um das optimale experimentelle Design zu identifizieren, okay. Nun, das musste ich... was ich dir zeigen musste. Ich hoffe du magst es. Bei Fragen können Sie mich gerne kontaktieren. Danke und tschüss. |
