スピーカー
|
成績証明書
|
| パウロ・ペロイア |
こんにちは、私の名前はパウロ・ペロイアです。 私はシンジェンタ作物保護社でラテンアメリカのデータ分析責任者を務めています。 リサーチ |
| |
私が紹介するのは、サトウキビ実験における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する製品をテストするための実験を、プロットごとに 4 つのサブサンプルで 4 回反復して実施しています。 |
| |
そして、各サブサンプルでは、土壌を掘ってサトウキビの根を除去し、これらの土壌害虫によって引き起こされる被害を評価する必要があります。 さて、それを 0.5 行メートルで行います。 |
| |
この設計では、残念ながら、これが私たちの問題であり、5% のアルファを考慮するだけで、ケースの 40% で治療間の有意な違いを検出できます。 わかった。 |
| |
試験の反復数を増やすと実験コストが大幅に増加する前に、まず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、実験誤差が小さくなることが知られています。 また、この...実験誤差の減少は、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、非線形傾向があり、 |
| |
ある時点で、この実験誤差の減少はゼロに近づきます。 このため、私たちは二次プラトー モデルを使用することにしました。この方法については、数秒後に説明します。 |
| |
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については、少なくともより効率的な実験プロセスに貢献します。 さて、それ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、この研究は...11 処理、プロットごとに 4 つのブロックと 8 つのサブサンプルを使用した 2 つのブランク実験の実施から始まりました。 これも 4 つではなく 8 つです |
| |
プロットごとのサブサンプル。 さて、これで...これら 2 つの空の実験の結果を使って、これを...ブートストラップ方法論を適用します。 |
| |
8 から 1 までの各サブサンプル サイズの平均標準誤差または実験誤差を推定します。 その後、二次プラトー モデルを当てはめます。 次に、この方法論である二次プラトー モデルを見てみましょう。 |
| |
さて、左側にはこのモデルに関連する方程式がありますが、ここでは右側、チャート上の に焦点を当てます。 |
| |
基本的に、このモデルは二次モデルから始まり、ブレイクまで...プラトーまたは水平線になるブレイクポイントまでです。 |
| |
この研究の場合、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表示され、Y 軸には根平均が表示されます。 |
| |
二乗誤差、または試行の標準偏差、そしてこの損益分岐点、わかりました。 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な数、わかりました。 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式は、JMP ではスライドの下部にあるこの式になります。 |
| |
次に、メニュー分析、次に特化したモデリング、そして最後に非線形プラットフォームに進むことができます。 したがって、JMP でそれを実行したい場合は、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。 |
| |
したがって、ここではまだ方法論の途中にあり、サブサンプルの最適な数を知っています。 |
| |
私たちが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て実際の試験を 3 回行い、次にブートストラップ法を再度適用して、これらの試験が治療間の有意差を検出する能力を、以前の標準である 4 つのサブサンプルを使用して実施した場合と比較して比較しました。 |
| |
それでは、結果を見てみましょう。 まず、最適な数を特定するためのブランク実験に関する結果を示します。 |
| |
プロットごとのサブサンプル。 |
| |
ここの左側には、空の実験ごとに 1 つのグラフがあります。 X 軸には、プロットごとのサブサンプルの数が 8 から 1 まであります。 y 軸には試行の標準偏差があり、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、ここの空の実験 1 では、非常に対称的な点の分布が見られます。ここの赤い点は平均を表しています。 |
| |
標準偏差。 2 番目の空実験では、非対称な分布が見られます。 実際には、これは右に偏った分布です。 |
| |
繰り返しますが、この理由から、常に正規分布があるとは限らないため、それを推定するために複数の空実験を使用することが重要だと思います。 |
| |
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、二次プラトー モデルを入力します。 先ほども言いましたが、二次モデルから始めて、 |
| |
...限界点では、水平線になります。 どちらの場合も、つまり、両方の実験の場合、R の 2 乗は非常に良好で、97% です。 モデルと |
| |
データは良好です。つまり、データは良好です...それらは近いものであり、サブサンプルの最適な数がここでわかります。 最初の空実験の場合は 5.6、2 番目の空実験の場合は 5.4 です。 |
| |
そうですね、プロットごとに 5.5 個のサブサンプルを持つことは不可能なので、プロットごとに 6 個のサブサンプルとなる最適な数を採用しました。これが、次のシーズンで実際の試験を実施するために使用した数です。 |
| |
それで |
| |
最初のスライドに戻ります。 繰り返しますが、方法論の最初の部分を説明しました。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数を増やすことの利点を評価することです。 そこに行きましょう。 |
| |
したがって、再び画面の左側で、y 軸に治療の p 値があり、ここで、この赤い線はアルファ (5%) を表します。 それで実験してみましょう... |
| |
この赤い線より下にある治療の p 値を使用すると、治療と値の間の有意な差を特定できますが、どちらも認識できません。 上部には 3 つの異なる検証実験があり、それぞれの中に... |
| |
左側の各実験は 4 つのサブサンプルを使用した実験で、右側は 6 つのサブサンプルを使用した実験です。 |
| |
5% を下回るデータ ポイントの量、つまりこの上限規格値が 4 つのサブサンプルの場合よりも多いことが明らかにわかります。 それははっきりとわかります。 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 種類の治療法間の有意差が検出されました。 |
| |
サブサンプル。そして、最適な数である 6 つのサブサンプルを使用すると、ほぼ 54 になります。 これは完璧ではありませんが、13 パーセント ポイントの大幅な増加が見られます。 それでは、最初のスライドに戻りましょう。 |
| |
したがって、この研究についての結論として、先ほども述べたように、 |
| |
プロットあたり 4 つから 6 つのサブサンプルに増加することで、処理間の有意な差を 13 パーセント ポイントで検出する能力が向上しました。 |
| |
R 二乗が良好で、最適点を特定するのが非常に簡単だったので、二次プラトー モデルはうまく機能したと言えます。 それは良いことです。 |
| |
そして、将来の研究のために、この改善が十分なのか、それとも反復回数も増やす必要があるのかを調査する必要があります。 そのためには、何かを追加するのが常に良いことです... |
| |
最適な実験計画を特定するために、このモデルに何らかの価値とコストがかかります。 そうですね、これが私が見せ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、そしてバイバイ。 |
