Lautsprecher
|
Transkript
|
| Paulo Peloia |
Hallo, mein Name ist Paulo Peloia. Ich bin der Leiter der Datenanalyse für Lateinamerika bei Syngenta Crop Protection. Die Forschung |
| |
In dem Vortrag, den ich vorstellen werde, geht es um die Optimierung der Teilprobengröße für Bodenschädlinge bei Zuckerrohrexperimenten. |
| |
Hier in Brasilien führen wir einige Experimente durch, um Produkte gegen Bodenschädlinge an Zuckerrohr zu testen, mit vier Wiederholungen an vier Teilproben pro Parzelle. |
| |
Und in jeder Teilprobe müssen wir den Boden umgraben, um die Wurzeln des Zuckerrohrs zu entfernen und dann den durch diese Bodenschädlinge verursachten Schaden bewerten. Okay, das machen wir in 0,5 Reihenmetern. |
| |
Leider ist dies bei diesem Design unser Problem. Wir können in 40 % der Fälle einen signifikanten Unterschied zwischen den Behandlungen feststellen, wenn wir nur einen Alpha von 5 % berücksichtigen. Okay. |
| |
Bevor wir die Anzahl der Wiederholungen in unseren Versuchen erhöhen, was die Kosten unserer Experimente drastisch erhöhen würde, haben wir beschlossen, zunächst die Anzahl der von uns gesammelten Teilproben zu bewerten. |
| |
Es ist bekannt, dass der experimentelle Fehler umso geringer ist, je höher die Anzahl der Teilproben ist. Es ist auch bekannt, dass dieser Rückgang des experimentellen Fehlers mit der Anzahl der Unterproben abnimmt. Wir haben also einen nichtlinearen Trend und |
| |
Ab einem bestimmten Punkt geht diese Reduzierung der experimentellen Fehler nahe Null. Okay, aus diesem Grund haben wir uns für die Verwendung des quadratischen Plateaumodells entschieden, der Methodik, über die wir gleich sprechen werden. |
| |
Daher sagte ich, dass das Ziel dieser Forschung darin bestehe, die optimale Anzahl von Teilproben pro Parzelle zu bestimmen |
| |
für Bodenschädlinge auf Zuckerrohr, was im geringsten zu einem effizienteren Versuchsprozess beiträgt. Okay, jetzt reden wir über die Methodik, die wir verwendet haben. |
| |
Nun, wir begannen diese Studie mit ... der Durchführung von zwei Blindexperimenten mit 11 Behandlungen, vier Blöcken und acht Teilproben pro Parzelle. Wieder acht, nicht vier |
| |
Teilproben pro Parzelle. Okay, damit ... 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 Teilstichprobengröße von acht auf eins zu schätzen. Danach passen wir das quadratische Plateaumodell an. Werfen wir nun einen Blick auf diese Methodik, das quadratische Plateau-Modell. |
| |
Okay, hier links haben wir die Gleichungen für dieses 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 |
| |
Quadratfehler oder die Standardabweichung unseres Versuchs und dann dieser Break-Even-Punkt, okay. Dieser Bruchpunkt wird als optimaler Punkt bezeichnet. In unserem Fall ist dies die |
| |
optimale Anzahl an Teilproben pro Parzelle, okay. Nur...nur ein zusätzlicher Kommentar, wenn Sie das in JMP implementieren möchten, |
| |
Diese Formel hier oben wird in JMP zu dieser Formel im unteren Teil der Folie, okay. |
| |
Und dann können Sie zum Menü „Analyse“ gehen, dann zur speziellen Modellierung und schließlich zur nichtlinearen Plattform, okay. Wenn Sie das also in JMP tun möchten, müssen Sie diesem...diesem Weg folgen. Kehren wir zur ersten Folie zurück. |
| |
Hier sind wir also immer noch in der Methodik und kennen die optimale Anzahl von Teilstichproben |
| |
pro Plot, den wir ... den wir mithilfe des quadratischen Plateaumodells identifiziert hatten, führten wir in der folgenden Saison durch |
| |
Drei echte Versuche mit dieser Anzahl von Teilproben, und dann haben wir die Bootstrap-Methode erneut angewendet, um die Fähigkeit dieser Versuche zu vergleichen, signifikante Unterschiede zwischen Behandlungen zu erkennen, verglichen mit der Durchführung mit vier Teilstichproben, unserem vorherigen Standard, okay. |
| |
Schauen wir uns also die Ergebnisse an. Hier zunächst die Ergebnisse, die sich auf Blindversuche beziehen, um die optimale Anzahl zu ermitteln |
| |
Teilproben pro Parzelle. |
| |
Hier links haben wir also ein ... ein Diagramm für jedes leere Experiment. Auf der X-Achse haben wir die Anzahl der Teilstichproben pro Diagramm von acht bis eins. Auf der y-Achse haben wir eine Standardabweichung des Versuchs, und hier können wir sehen, dass wir 1.000 bis 1.000 Punkte für jede Anzahl von Teilstichproben haben. |
| |
Okay, und hier im Blanko-Experiment 1 können wir eine sehr symmetrische Verteilung der Punkte sehen, und der rote Punkt stellt hier den Mittelwert dar. |
| |
die Standardabweichung. Im zweiten Leerexperiment können wir eine unsymmetrische Verteilung erkennen. Eigentlich handelt es sich um eine rechtsschiefe Verteilung, okay. |
| |
Und auch aus diesem Grund halte ich es für wichtig, mehr als ein leeres Experiment zu verwenden, um das abzuschätzen, denn nicht immer haben wir eine Normalverteilung, okay. |
| |
Im Grunde werden die roten Punkte hier auf die ... auf die Diagramme auf der rechten Seite des Bildschirms hier übertragen. Dann füttern wir das quadratische Plateaumodell. Wie gesagt, wir beginnen mit dem quadratischen Modell und dann |
| |
an der ... an der Bruchstelle wird es zu einer horizontalen Linie, okay. Ich meine, in beiden Fällen ist das R-Quadrat bei beiden Experimenten wirklich gut, 97 %, okay. Wir können sehen, dass das Modell und die |
| |
Die Daten sind gut, ich meine, sie liegen nahe beieinander und wir können hier die optimale Anzahl von Teilstichproben sehen. Beim ersten Leerexperiment 5,6 und beim zweiten 5,4, okay. |
| |
Nun, da es nicht möglich ist, 5,5 Teilproben pro Parzelle zu haben, haben wir die optimale Zahl angenommen, also sechs Teilproben pro Parzelle, und das ist die Zahl, die wir für die Durchführung der eigentlichen Versuche in der folgenden Saison verwendet 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, um den Nutzen einer Erhöhung der Anzahl der Teilstichproben pro Parzelle zu bewerten, okay. Lass uns da hin gehen. |
| |
Also, wieder auf der linken Seite des Bildschirms, haben wir auf der y-Achse den p-Wert für Behandlungen, und hier repräsentiert diese rote Linie unser Alpha, 5 %. Also Experimente mit... |
| |
Mit einem ap-Wert für Behandlungen unterhalb dieser roten Linie kann ein signifikanter Unterschied zwischen Behandlungen und Werten festgestellt werden, den beides nicht kann, okay. Im oberen Teil haben wir die drei ... die drei verschiedenen Validierungsexperimente und in jedem ... |
| |
Bei jedem Experiment links haben wir das Experiment mit vier Teilproben, und rechts haben wir das Experiment mit sechs Teilproben, okay. |
| |
Wir können deutlich erkennen, dass die Menge der Datenpunkte unterhalb der 5 % bzw. dieser oberen Spezifikationsgrenze höher ist als bei vier Teilstichproben, okay. Das können wir deutlich sehen. Und wenn wir diese Ergebnisse zusammenfassen, dann haben wir es |
| |
Fast 41 % der Studien stellten einen signifikanten Unterschied zwischen den Behandlungen mit vier fest |
| |
Teilproben. Und mit sechs Teilstichproben, unserer optimalen Zahl, sind es fast 54, okay. Das ist nicht perfekt, aber es gibt hier einen guten Zuwachs, okay, einen Zuwachs von 13 Prozentpunkten. Kehren wir also zur ersten Folie zurück. |
| |
Um diese Studie abzuschließen, wie ich bereits sagte: |
| |
Die Erhöhung von vier auf sechs Teilproben pro Parzelle erhöhte unsere Fähigkeit, signifikante Unterschiede zwischen 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 um das zu erreichen, ist es immer gut, etwas hinzuzufügen... |
| |
Etwas Wert, einige Kosten für dieses Modell, um das optimale experimentelle Design zu ermitteln, okay. Nun, das musste ich...was ich dir zeigen musste. Ich hoffe du magst es. Wenn Sie Fragen haben, können Sie mich gerne kontaktieren. Danke und tschüss. |
