スピーカー
|
トランスクリプト
|
| パウロペロイア |
こんにちは、パウロペロイアです。 私はシンジェンタ作物保護のラテンアメリカのデータ分析リーダーです。 リサーチ |
| |
私が紹介するのは、サトウキビ実験での土壌害虫のサブサンプルサイズの最適化についてです。 |
| |
ここブラジルでは、サトウキビの土壌害虫に対して製品をテストするためのいくつかの実験を実施し、プロットごとに4つのサブサンプルで4つの複製を作成します。 |
| |
そして、各サブサンプルでは、サトウキビの根を取り除くために土壌を掘り、次にこれらの土壌害虫によって引き起こされた被害を評価する必要があります。 さて、0.5列メートルでそれを行います。 |
| |
この設計では、残念ながら、これが私たちの問題です。5％のアルファのみを考慮した場合、40％のケースで治療間の有意差を検出できます。 わかった。 |
| |
試行で複製の数を増やす前に、実験のコストを劇的に増加させるものであるため、最初に、収集するサブサンプルの数を評価することにしました。 |
| |
サブサンプルの数が多いほど、実験誤差が少なくなることが知られています。 これは...実験誤差のこの減少は、サブサンプルの数とともに減少することも知られています。 したがって、非線形の傾向があり、 |
| |
ある時点で、この実験誤差の減少はゼロに近くなります。 さて、この理由で、2次プラトーモデルを使用することにしました。これは、数秒で説明する方法論です。 |
| |
したがって、この研究の目的は、プロットごとのサブサンプルの最適な数を決定することであると言いました |
| |
サトウキビの土壌害虫の場合、最も効率的な実験プロセスに最小限の貢献をします。 では、私たちが使用した方法論について話しましょう。 |
| |
さて、私たちはこの研究を開始しました... 11回の処理、4つのブロック、およびプロットごとに8つのサブサンプルを使用した2つのブランク実験を実施しました。 再び4つではなく8つ |
| |
プロットごとのサブサンプル。 さて、これで...これらの2つの空白の実験の結果で、私たちはそれを適用します、これ...ブートストラップ方法論 |
| |
各サブサンプルサイズの平均標準誤差または実験誤差を8から1まで推定します。 その後、2次プラトーモデルを適合させます。 次に、この方法論である2次プラトーモデルを見てみましょう。 |
| |
さて、ここの左側に、このモデルに関連する方程式がありますが、ここの右側、チャートの上の部分に焦点を当てます。 |
| |
基本的に、このモデルは2次モデルから始まり、ブレークまで...プラトーまたは水平線になるブレークポイントまでです。 |
| |
この調査の場合、X軸にはサブサンプルがあり、プロットごとのサブサンプルの数があり、y軸にはルート平均があります。 |
| |
二乗誤差、または私たちの試行の標準偏差、そしてこの損益分岐点、大丈夫です。 この限界点を最適点と呼びます。 私たちの場合、これは |
| |
プロットごとのサブサンプルの最適数ですね。 JMPで実装したい場合は、追加のコメントだけです。 |
| |
ここの上部にあるこの数式は、JMPのスライドの下部にあるこの数式になります。 |
| |
次に、メニュー分析、特殊なモデリング、そして最後に非線形プラットフォームに移動できます。 したがって、JMPでそれを実行したい場合、これは...これが従わなければならない方法です。 最初のスライドに戻りましょう。 |
| |
だからここで私たちはまだ...方法論にあり、サブサンプルの最適な数を知っています |
| |
二次プラトーモデルを使用して特定したプロットごとに、次のシーズンに実施しました |
| |
この数のサブサンプルを使用した3つの実際の試行、次にブートストラップ法を再度適用して、以前の標準である4つのサブサンプルで実行した場合と比較して、これらの試行が処理間の有意差を検出する必要がある容量を比較しました。 |
| |
それでは、結果を見てみましょう。 まずここで、最適な数を特定するためのブランク実験に関連する結果 |
| |
プロットごとのサブサンプル。 |
| |
したがって、ここの左側には、空白の実験ごとに1つのチャートがあります。 X軸には、プロットごとのサブサンプルの数が8から1になっています。 y軸には、試行の標準偏差があります。ここでは、サブサンプルの数ごとに1,000〜1,000ポイントがあることがわかります。 |
| |
さて、ここの空白の実験1では、点の非常に対称的な分布を見ることができます。ここの赤い点は平均を表します。 |
| |
標準偏差。 2番目の空白の実験では、非対称の分布を見ることができます。 実際、それは右に歪んだ分布です。 |
| |
また、この理由から、複数の空白の実験を使用して、常にではないので、正規分布であると推定することが重要だと思います。 |
| |
つまり、基本的にここの赤い点は...ここの画面の右側にあるチャートに転送されます。 次に、2次プラトーモデルをフィードします。 私が言ったように、私たちは二次モデルから始めて、それから |
| |
で...ブレークポイントで、それは水平線になります、大丈夫です。 どちらの場合も、つまり、両方の実験の場合、決定係数は97％と非常に良好です。 モデルと |
| |
データは良好です。つまり、データは近くにあり、ここで最適な数のサブサンプルを確認できます。 最初の空白の実験の場合は5.6、2番目の実験の場合は5.4で大丈夫です。 |
| |
ええと、プロットごとに5.5のサブサンプルを持つことはできないので、プロットごとに6つのサブサンプルという最適な数を採用しました。これは、次のシーズンに実際の試行を行うために使用した数です。 |
| |
そう |
| |
最初のスライドに戻ります。 繰り返しになりますが、方法論の最初の部分を取り上げ、次に結果を検証します。つまり、プロットごとのサブサンプルの数を増やすことの利点を評価することを意味します。 そこへ行きましょう。 |
| |
したがって、画面の左側に、y軸に治療のp値があります。ここで、この赤い線はアルファ、5％を表しています。 だから実験... |
| |
この赤い線より下の治療のap値を使用すると、治療と両方では不可能な値との有意差を識別できます。 上部には3つあります... 3つの異なる検証実験とそれぞれの中に... |
| |
左側の各実験には4つのサブサンプルがあり、右側には6つのサブサンプルがあります。 |
| |
5％、つまりこの仕様の上限を下回るデータポイントの量は、4つのサブサンプルの場合よりも多いことがはっきりとわかります。 はっきりとわかります。 そして、これらの結果を要約すると、次のようになります。 |
| |
試験のほぼ41％で、4つの治療間の有意差が検出されました |
| |
サブサンプル。そして、6つのサブサンプル（最適な数）を使用すると、ほぼ54になります。 これは完全ではありませんが、ここには適切な増分があります。13パーセントポイントの増分です。 それでは、最初のスライドに戻りましょう。 |
| |
それで、私が言ったように、この研究について結論を下すために、 |
| |
プロットごとに4つから6つのサブサンプルに増加すると、13パーセントポイントで処理間の有意差を検出する能力が向上しました。 |
| |
二次プラトーモデルは、決定係数が優れていて、最適な点を特定するのが非常に簡単だったため、うまく機能したと言えます。 いいです。 |
| |
そして、将来の研究のために、この改善が十分であるかどうか、または複製の数も増やす必要があるかどうかを調査する必要があります。 そしてそれをするために、いくつかを追加することは常に良いことです... |
| |
最適な実験計画を特定するために、このモデルにいくらかの価値とコストがかかります。 さて、これは私がしなければならなかったものです...私があなたに見せなければならなかったものです。 気に入ってくれるといいな。 ご不明な点がございましたら、お気軽にお問い合わせください。 ありがとう、さようなら。 |
