스피커
|
성적 증명서
|
| 파울로 펠로이아 |
안녕하세요, 제 이름은 Paulo Peloia입니다. 저는 Syngenta Crop Protection의 라틴 아메리카 데이터 분석 책임자입니다. 연구 |
| |
제가 제시할 것은 사탕수수 실험에서 토양 해충에 대한 하위 표본 크기의 최적화에 관한 것입니다. |
| |
여기 브라질에서는 플롯당 4개의 하위 샘플에 대해 4회 반복하여 사탕수수의 토양 해충에 대해 제품을 테스트하기 위한 몇 가지 실험을 수행합니다. |
| |
그리고 각 하위 샘플에서 우리는 사탕수수의 뿌리를 제거하기 위해 토양을 파야 하고, 그런 다음 이러한 토양 해충으로 인한 피해를 평가해야 합니다. 좋아요, 우리는 0.5행 미터에서 그것을 합니다. |
| |
불행히도 이 디자인을 사용하면 이것이 우리의 문제입니다. 5%의 알파만 고려하면 40%의 경우에서 치료 간의 상당한 차이를 감지할 수 있습니다. 괜찮아. |
| |
실험의 반복 횟수를 늘리기 전에 실험 비용을 크게 증가시키기 전에 먼저 수집하는 하위 샘플의 수를 평가하기로 결정했습니다. |
| |
하위표본의 수가 많을수록 실험오차가 낮아진다고 알려져 있다. 이것은 또한 실험 오차의 감소가 하위 샘플의 수에 따라 감소하는 것으로 알려져 있습니다. 따라서 우리는 비선형 추세를 가지며 |
| |
특정 지점에서 실험 오류의 이러한 감소는 0에 가까워집니다. 자, 이러한 이유로 우리는 몇 초 후에 이야기할 방법론인 2차 고원 모델을 사용하기로 결정했습니다. |
| |
그래서 이 연구의 목적은 플롯당 최적의 하위 샘플 수를 결정하는 것이라고 말했습니다. |
| |
사탕수수에 서식하는 토양 해충의 경우 보다 효율적인 실험 과정에 최소한의 기여를 합니다. 자, 이제 우리가 사용한 방법론에 대해 이야기해 보겠습니다. |
| |
글쎄, 우리는 이 연구를... 11개의 처리, 플롯당 4개의 블록 및 8개의 하위 샘플을 사용하여 2개의 빈 실험을 수행하여 이 연구를 시작했습니다. 다시 4가 아닌 8 |
| |
플롯당 서브샘플. 좋아, 이것으로...이 두 개의 빈 실험의 결과로 우리는 이것을 적용합니다. 이것은...부트스트랩 방법론 |
| |
각 부분표본 크기에 대한 평균 표준 오차 또는 실험 오차를 8에서 1로 추정합니다. 그 후 우리는 2차 고원 모델을 맞춥니다. 이제 이 방법론인 2차 고원 모델을 살펴보겠습니다. |
| |
자, 여기 왼쪽에 이 모델과 관련된 방정식이 있습니다. 하지만 저는 여기 오른쪽 차트에 초점을 맞출 것입니다. 알겠습니다. |
| |
기본적으로, 이 모델은 2차 모델로 시작합니다. 알겠습니다. 깨질 때까지... 한계점에 이르러 고원이나 수평선이 되는 한계점까지 말이죠. 알겠습니다. |
| |
본 연구의 경우 X축에 subsample....플롯당 subsamples 수, y축에 root mean |
| |
제곱 오차, 또는 우리 시도의 표준 편차, 그리고 이 손익분기점, 알겠습니다. 이 중단점을 최적점이라고 합니다. 우리의 경우 이것은 |
| |
플롯당 최적의 하위 샘플 수입니다. JMP에서 구현하려는 경우 그냥..추가 설명입니다. |
| |
상단에 있는 이 공식은 JMP 슬라이드의 하단에 있는 이 공식이 됩니다. 알겠습니다. |
| |
그런 다음 메뉴 분석, 특수 모델링, 마지막으로 비선형 플랫폼으로 이동할 수 있습니다. 따라서 JMP에서 이를 수행하려면 이것이...이것이야말로 따라야 하는 방법입니다. 첫 번째 슬라이드로 돌아가 보겠습니다. |
| |
따라서 여기에서는 최적의 하위 샘플 수를 알고 있는 방법론에 여전히 있습니다. |
| |
2차 고원 모델을 사용하여 식별한 플롯당 다음 시즌에 수행했습니다. |
| |
이 수의 하위 샘플을 사용하여 3개의 실제 실험을 수행한 다음 부트스트랩 방법을 다시 적용하여 이러한 실험이 이전 표준인 4개의 하위 샘플로 수행된 경우와 비교하여 처리 간의 상당한 차이를 감지해야 하는 능력을 비교했습니다. |
| |
그럼... 결과를 살펴보겠습니다. 먼저 최적의 수를 식별하기 위한 빈 실험과 관련된 결과는 다음과 같습니다. |
| |
플롯당 서브샘플. |
| |
여기 왼쪽에 각 빈 실험에 대해 하나의 차트가 있습니다. X축에는 플롯당 하위 샘플 수가 8개에서 1개까지 있습니다. y축에는 시행의 표준 편차가 있으며 여기에서 각 하위 샘플 수에 대해 1,000...1,000포인트가 있음을 알 수 있습니다. |
| |
좋습니다. 여기 빈 실험 1에서 점의 매우 대칭적인 분포를 볼 수 있습니다. 여기 빨간 점은 평균을 나타냅니다. |
| |
표준 편차. 두 번째 빈 실험에서는 비대칭 분포를 볼 수 있습니다. 사실 오른쪽으로 치우친 분포입니다. 알겠습니다. |
| |
그리고 다시 이런 이유로, 저는 항상 그런 것은 아니기 때문에 정규 분포를 가지고 있다는 것을 추정하기 위해 하나 이상의 빈 실험을 사용하는 것이 중요하다고 생각합니다. |
| |
그래서 기본적으로 여기의 빨간 점들은 여기 화면의 오른쪽에 있는 차트로...로 옮겨집니다. 그런 다음 2차 고원 모델을 제공합니다. 내가 말했듯이, 우리는 2차 모델로 시작한 다음 |
| |
...파절점에서, 그것은 수평선이 됩니다. 두 경우 모두, 두 실험의 경우 R 제곱은 정말 좋습니다. 97%입니다. 우리는 모델과 |
| |
데이터가 좋습니다. 제 말은 그것들이 ... 가깝고 최적의 하위 샘플 수를 볼 수 있습니다. 첫 번째 빈 실험의 경우 5.6이고 두 번째 실험의 경우 5.4입니다. |
| |
글쎄, 플롯당 5.5개의 서브샘플을 가질 수 없기 때문에 플롯당 6개의 서브샘플이 최적인 수를 채택했으며 이것이 다음 시즌에 실제 시험을 수행하는 데 사용한 숫자입니다. |
| |
그래서 |
| |
첫 번째 슬라이드로 돌아갑니다. 다시, 우리는 방법론의 첫 번째 부분을 다룬 다음 결과를 검증할 것입니다. 플롯당 하위 샘플 수를 늘릴 때의 이점을 평가하는 것입니다. 알겠습니다. 가자. |
| |
그래서 다시 화면 왼쪽 부분에 y축에 치료에 대한 p 값이 있습니다. 여기에서 이 빨간색 선은 알파 5%를 나타냅니다. 그래서 실험... |
| |
이 빨간색 선 아래의 처리에 대한 ap 값을 사용하면 처리와 둘 다 할 수 없는 값 간의 상당한 차이를 식별할 수 있습니다. 상단에는 세 가지... 세 가지 다른 검증 실험이 있으며 각각의... |
| |
왼쪽의 각 실험에는 4개의 하위 샘플이 있는 실험이 있고 오른쪽에는 6개의 하위 샘플이 있는 실험이 있습니다. |
| |
5% 또는 이 규격 상한보다 작은 데이터 점의 양이 4개의 하위 표본을 사용할 때보다 높다는 것을 분명히 알 수 있습니다. 우리는 그것을 분명히 볼 수 있습니다. 그리고 이러한 결과를 요약하면, |
| |
거의 41%의 시험에서 4가지 치료법 사이에 유의미한 차이를 발견했습니다. |
| |
하위 샘플. 그리고 6개의 하위 샘플을 사용하면 최적의 숫자가 거의 54가 됩니다. 이것은 완벽하지 않지만 여기에 좋은 증가가 있습니다. 좋습니다. 13퍼센트 포인트의 증가입니다. 그럼 첫 번째 슬라이드로 돌아가 보겠습니다. |
| |
그래서, 내가 말했듯이, 이 연구에 대해 결론을 내리기 위해, |
| |
플롯당 4개에서 6개의 하위 샘플로 증가하면 13퍼센트 포인트에서 처리 간의 상당한 차이를 감지하는 능력이 향상되었습니다. |
| |
2차 고원 모델은 R 제곱이 좋았고 최적의 점을 식별하기가 매우 쉽기 때문에 잘 작동했다고 말할 수 있습니다. 그것은 좋다. |
| |
그리고 향후 연구를 위해 이 개선 사항이 충분한지 아니면 복제 횟수도 늘려야 하는지 조사해야 합니다. 그리고 그렇게하려면 항상 몇 가지를 추가하는 것이 좋습니다 ... |
| |
최적의 실험 설계를 식별하기 위해 이 모델에 약간의 가치, 약간의 비용이 필요합니다. 글쎄, 이것이 내가 해야만 했던... 내가 당신에게 보여줘야 했던 것입니다. 나는 그것을 좋아하면 좋겠. 질문이 있으시면 언제든지 저에게 연락해 주십시오. 감사합니다. |
