扬声器
|
成绩单
|
| 保罗佩洛亚 |
你好，我叫保罗佩洛亚。 我是 Syngenta Crop Protection 拉丁美洲的数据分析负责人。 这个调查 |
| |
我要介绍的是关于甘蔗实验中土壤害虫子样本大小的优化。 |
| |
在巴西，我们进行了很少的实验来测试针对甘蔗土壤害虫的产品，每个地块的四个子样本重复四次。 |
| |
在每个子样本中，我们必须挖土以去除甘蔗的根部，然后评估这些土壤害虫造成的损害。 好的，我们在 0.5 行米内完成。 |
| |
不幸的是，通过这种设计，这就是我们的问题，我们可以在仅考虑 5% 的 alpha 的情况下检测到 40% 的治疗之间的显着差异。 好的。 |
| |
在我们的试验中增加重复次数会显着增加我们的实验成本之前，我们决定首先评估我们收集的子样本数量。 |
| |
众所周知，子样本数越多，实验误差越小。 众所周知，这...实验误差的减少会随着子样本的数量而减少。 所以我们有一个非线性趋势 |
| |
在某一时刻，这种实验误差的减少变得接近于零。 好的，出于这个原因，我们决定使用二次平台模型，我们将在几秒钟内讨论该方法。 |
| |
所以，我说这项研究的目的是确定每个地块的最佳子样本数 |
| |
对于甘蔗上的土壤害虫，至少有助于提高实验过程的效率。 好的，现在让我们谈谈我们使用的方法。 |
| |
嗯，我们开始这项研究......进行了两个空白实验，每个实验有 11 个处理，四个区块和八个子样本。 还是八个，不是四个 |
| |
每个地块的子样本。 好的，有了这个……有了这两个空白实验的结果，我们应用它，这个……bootstrap 方法 |
| |
估计每个子样本大小从 8 到 1 的平均标准误差或实验误差。 之后，我们拟合二次高原模型。 现在让我们来看看这种方法，即二次平台模型。 |
| |
好的，在左边，我们有与这个模型相关的方程式，但我会关注右边，在图表上，好的。 |
| |
基本上，这个模型从一个二次模型开始，好吧，直到一个突破点……直到一个突破点，它变成了一个平台或一条水平线，好吧。 |
| |
在本研究的案例中，在 X 轴上，我们有子样本……每个地块的子样本数，在 y 轴上，我们有均方根 |
| |
平方误差，或者我们试验的标准差，然后这个盈亏平衡点，好吧。 这个断点被称为最佳点。 在我们的例子中，这是 |
| |
每个地块的最佳子样本数，好的。 只是..只是一个额外的评论，如果你想在 JMP 中实现它， |
| |
顶部的这个公式变成了 JMP 幻灯片底部的这个公式，好的。 |
| |
然后你可以进入菜单分析，然后是专业建模，最后是非线性平台，好吧。 所以如果你想在 JMP 中这样做，这就是......这是你必须遵循的方式。 让我们回到第一张幻灯片。 |
| |
所以在这里我们仍然在...在方法中，知道子样本的最佳数量 |
| |
每个我们......我们使用二次高原模型确定的地块，我们在下一季进行 |
| |
使用这个数量的子样本进行三个真实试验，然后我们再次应用引导程序方法来比较这些试验必须检测处理之间显着差异的能力，如果它们是用四个子样本进行的，我们以前的标准，好的。 |
| |
那么让我们来看看……结果。 首先在这里与空白实验相关的结果以确定最佳数量 |
| |
每个地块的子样本。 |
| |
所以在左边，我们有一个……每个空白实验一个图表。 在 X 轴上，每个地块的子样本数量从 8 到 1。 在 y 轴上，我们有试验的标准偏差，在这里我们可以看到每个子样本数有 1,000...1,000 个点。 |
| |
好的，在空白实验 1 中，我们可以看到点的分布非常对称，这里的红点代表均值， |
| |
标准偏差。 在第二个空白实验中，我们可以看到非对称分布。 实际上它是一个右偏分布，好吧。 |
| |
再次出于这个原因，我认为使用多个空白实验来估计这一点很重要，因为并非总是如此，我们有一个正态分布，好吧。 |
| |
所以基本上这里的红点被转移到...到屏幕右侧的图表。 然后我们提供二次高原模型。 正如我所说，我们从二次模型开始，然后 |
| |
在……在断点处，它变成了一条水平线，好吧。 在这两种情况下，我的意思是，在这两个实验的情况下，R 平方都非常好，97%，好的。 我们可以看到模型和 |
| |
数据很好，我的意思是它们......它们很接近，我们可以在这里看到最佳的子样本数量。 在第一个空白实验的情况下，5.6，在第二个空白实验的情况下，5.4，好的。 |
| |
好吧，因为每个地块不可能有 5.5 个子样本，所以我们采用了最佳数量，所以每个地块有 6 个子样本，这就是我们在下一季进行实际试验时使用的数量，好吧。 |
| |
所以 |
| |
回到第一张幻灯片。 同样，我们介绍了方法的第一部分，然后我们将验证结果，我的意思是评估增加每个地块的子样本数量的好处，好的。 让我们去那儿。 |
| |
所以，再次在屏幕的左侧部分，我们在 y 轴上有治疗的 p 值，在这里，这条红线代表我们的 alpha，5%。 所以实验... |
| |
治疗的 p 值低于这条红线可以识别治疗和值之间的显着差异，但两者都不能，好吧。 在顶部，我们有三个……三个不同的验证实验，在每个实验中…… |
| |
左边的每个实验，我们有四个子样本的实验，在右边，我们有六个子样本，好的。 |
| |
我们可以清楚地看到低于 5% 或此规格上限的数据点数量高于四个子样本，好吧。 我们可以清楚地看到这一点。 如果我们总结这些结果，我们有 |
| |
几乎 41% 的试验检测到四种治疗之间存在显着差异 |
| |
子样本。有了六个子样本，我们的最佳数量，它几乎变成了 54，好的。 这不是完美的，但是这里有一个很好的增量，好的，13个百分点的增量。 让我们回到第一张幻灯片。 |
| |
因此，正如我所说，要总结这项研究， |
| |
每个地块从四个子样本增加到六个子样本增加了我们检测处理之间 13 个百分点的显着差异的能力。 |
| |
我们可以说二次高原模型效果很好，因为它们的 R 方很好，而且很容易确定最佳点，好的。 这很好。 |
| |
对于未来的研究，我们必须调查这种改进是否足够，或者我们是否还需要增加重复次数。 要做到这一点，添加一些总是好的...... |
| |
一些价值，一些成本到这个模型来确定最佳实验设计，好的。 嗯，这就是我必须...我必须给你看的。 我希望你喜欢它。 如果您有任何疑问，请随时与我联系。 谢谢你，再见。 |
