如何基於感官數據創建我的模型尊敬的 JMP 社區：
對於我的碩士論文，我想優化熱飲的流程。 我有 5 個因子 (X1 –X5)，其中一個是難以改變的因子 (X1) 和 10 個響應變量 (Y1-Y10)。 反應由訓練有素的感官小組（8 – 11 名評估員）測量。
我創建了一個包含 243 次運行的自定義 RSM 設計（基本上該設計有 27 次運行（最少數量），但每個評估員（假設有 9 個評估員）對所有 27 次運行進行評分以獲得更準確的分數 (27*9=243)） . 每個評估員可以評估每個整區（=天）的 3 個樣品。
我認為將杯子中樣品的溫度作為一個不受控制的因素。 然而，它是在評估視覺外觀後測量的，因此可能會有所不同，這取決於一個人評估樣品外觀所花費的時間。 杯子中的溫度可能與過程相關（例如，杯子中的高溫 -> 過程中使用了較熱的水 -> 可能會影響整體風味）。 我應該包括它嗎？
對於設計評估，我正在考慮使用合意性函數同時優化我的響應並獲得最佳因子設置。
現在我的問題：
- 我輸入的因素是連續的，因為我相信估計會更精確。 然而，最終，我最多想達到一個已經定義的因素水平（例如，過程中的溫度是一個因素（87 - 95 °C；定義的水平為 87、89、91、93 和 95 °C），並且通過優化我寧願達到這些級別之一）。 我應該選擇離散因子，還是將最佳設置四捨五入到我的因子水平（如果合適）？
- 我生成具有 243 次試驗的設計是否正確？ 因為我想我不想將“重複”視為重複，而是將其視為重複測量，以獲得更精確的結果。 但我想考慮評估員的可變性（這就是我不想使用平均值的原因）。
- 我如何在我的設計中包含評估員？ 我生成了一個額外的列，並將該術語作為隨機效應包含在我的模型中。 另外，如何定義設計角色和數據類型？
- 並且評估人員是否總是必須是相同的 9 個人，或者他們可以從整個情節到整個情節變化？ （每個評估員都有一個單獨的 ID。）
- 合意性函數是否足以構建我的模型並同時優化所有響應，還是應該使用其他預測建模方法（Bootstrap Forest、K Nearest Neighbor，...）來對我的模型進行良好的估計？
- 我使用飲料參考來“校準”面板（評估員總是首先飲用並評估參考，然後是樣品；參考飲料來自不同的過程）。 我應該在我的模型中包含參考嗎？ 如果是這樣，如何？
感謝您的幫助，感謝您在我的設計/模型中發現的任何錯誤！
PS：附件包含我之前的設計，對於假評估，我使用了一些舊的感官數據（我還沒有開始測量）。
美國能源部回复：如何根據感官數據創建我的模型@kPvDoE我的第一個想法是，既然這是你碩士論文的一部分，我們應該提供多少建議？ 我沒有看你的設計/模型。
設計的創建中不應包括對每個處理的多次評估。 這些多重評估確實是重複的，並不獨立於治療，因此不是額外的自由度。 在總結和分析治療效果之前，應對治療內“評級”進行評估。 溫度因素有點進退兩難。 有兩個溫度？ 一個用於製備（或製造）飲料，另一個用於評估飲料？ 聽起來您正在 5 個級別上對設計因子進行試驗（為什麼，您期望一些 4 階多項式效應？ 或者你想“挑選一個贏家”？ 飲用飲料時的溫度可以是協變量。
對於治療內評估，我假設您使用的是感官順序量表？ 對於順序量表評估，您應該首先評估 9 位評估員的評估一致性，並確定任何潛在的異常值或偏差。 繪製他們的反應並尋找系統模式會很有用。 然後，如果合適，用平均值/中值和一些離散度量（範圍或標準偏差）總結這些評估。 就參考而言，我建議您對序數表的每個類別都有一個實際樣本。 評估應該是“哪個樣本與測試樣本匹配”與您更喜歡哪個（因為這涉及個人偏見）。 我附上了一份簡單的論文，我用來提供有關感官/序數尺度使用的建議。
回复：如何根據感官數據創建我的模型感謝您的快速回复@statman
我不是統計學家，在我的碩士論文之前從未聽說過 DOE，不幸的是我沒有可以指導我的導師。 這就是我在社區中尋求幫助的原因；)
正如您所描述的，確實有兩種溫度。 對於生產溫度，我不想找到四階多項式。 可以在機器中選擇 5 個級別，我嘗試“從中挑選最好的”。
對於消耗溫度：如果我將其定義為協變量，則必須提前知道溫度並將其添加到我的設計中。 但我無法確保治療的溫度。 或者這是偶然的？
實際上，我正在使用定量描述分析方法的變體進行感官評估，因此我認為我沒有序數數據。 評估者使用末端有兩個語言錨點的非結構化線標度來評估定義屬性的強度。 測量後，標尺的總長度將轉換為 0（最低強度）和 100（最高強度）之間的數值。 因此，數據之間的距離是已知的並且具有意義。 參考樣本有望用於校準評估員的強度測量值並獲得更一致的評估。
但我想我仍然可以使用論文中的一些建議。 或者您是否也有定量數據，或者那裡的一致性評估是否完全不同？
回复：如何根據感官數據創建我的模型根據您的回复，我建議您閱讀一些有關 DOE 的書籍，或者查看一些 JMP 提供的有關 DOE 的在線參考資料，例如：
https://www.jmp.com/en_us/events/getting-started-with-jmp/doe-intro-kit.html
1. 請原諒我的過度簡化，但 DOE 不是測試。 在實驗中，您正在尋找與每個響應變量相關的因果結構是什麼的線索。 進行測試以選出獲勝者。 這就是為什麼運行實驗時，您可能會從設置為 2 個粗體級別的多個因素開始以評估線性效應，篩選出不太有趣的因素，然後繼續迭代（移動空間並增加 ）剩餘的因素。 如果在 2 個水平上對多個因素進行試驗，您可以獲得線性主效應和交互效應的估計值，具體取決於設計的分辨率。 如果添加級別，則可以獲得非線性效應的估計值（3 個級別 - 二次，4 個級別 - 三次等）。 通常，您以泰勒級數方法構建模型，從線性緬因效應開始，然後是線性交互效應，然後是二次等（從一階到二階到三階……構建模型）。 但是，目的不是創建一個複雜的模型，目的是使模型盡可能簡單，同時仍然有一個可用於預測的模型。
2. 協變量是一種處理您無法具體控制/管理但可以測量的因素的方法。 我們將此隨機變量納入固定效應模型（來自美國能源部）。 考慮協變量可以提高實驗的精度，而不會影響推理空間。 當然，您現在正在分析混合模型。
3.我不熟悉定量描述分析方法，但聽起來很有趣。 我一直將人類感官感知作為響應變量。 根據我的粗略看，測量是間隔。如何獲得一致性並減少偏見是具有挑戰性的。 我看不出這種方法如何處理這些問題。 有許多關於可以一致用於人類感知的尺度中的單位數量的研究論文。
