Cómo crear mi modelo basado en datos sensorialesEstimada comunidad de JMP,
para mi tesis de maestría quiero optimizar el proceso para una bebida caliente. Tengo 5 factores (X1 –X5), de los cuales uno es un factor difícil de cambiar (X1) y 10 variables de respuesta (Y1-Y10). Las respuestas se miden con un panel sensorial capacitado (8 - 11 evaluadores).
Creé un diseño RSM personalizado con 243 corridas (básicamente el diseño tiene 27 corridas (número mínimo), pero cada evaluador (supongamos 9 evaluadores) puntúa las 27 corridas para obtener una puntuación más precisa (27 * 9 = 243)) . Cada evaluador puede evaluar 3 muestras por parcela completa (= día).
Consideré incluir la temperatura de la muestra en la taza como un factor incontrolado. Sin embargo, se mide después de la evaluación de la apariencia visual y, por lo tanto, puede variar, dependiendo de cuánto tiempo tarde una persona en evaluar la apariencia de la muestra. La temperatura en la taza podría correlacionarse con el proceso (por ejemplo, alta temperatura en la taza -> se usó agua más caliente durante el proceso -> podría afectar el sabor general). ¿Debería incluirlo?
Para la evaluación del diseño, estaba pensando en usar la función de deseabilidad para optimizar mis respuestas simultáneamente y obtener la configuración óptima de los factores.
Ahora mis preguntas:
- Ingresé los factores como continuos, ya que creo que las estimaciones serán más precisas entonces. Sin embargo, en última instancia, me gustaría alcanzar en el mejor de los casos un nivel de factor ya definido (por ejemplo, la temperatura en el proceso es un factor (87 - 95 ° C; los niveles definidos son 87, 89, 91, 93 y 95 ° C) y por optimización preferiría alcanzar uno de estos niveles). ¿Debería elegir factores discretos o simplemente redondear la configuración óptima a mis niveles de factor (si corresponde)?
- ¿Es correcto que genere un diseño con 243 corridas? Porque creo que quiero considerar las “réplicas” no como réplicas, sino como medidas repetidas, para obtener un resultado más preciso como dije. Pero quiero tener en cuenta la variabilidad de los evaluadores (por eso no quiero utilizar los valores medios).
- ¿Cómo puedo incluir a los evaluadores en mi diseño? Generé una columna adicional e incluí el término como un efecto aleatorio en mi modelo. Además, ¿cómo defino el rol de diseño y el tipo de datos?
- ¿Y los evaluadores siempre tienen que ser las mismas 9 personas o pueden variar de una parcela completa a otra? (Cada evaluador tiene una identificación individual).
- ¿Es la función de deseabilidad suficiente para construir mi modelo y optimizar todas las respuestas simultáneamente o debo usar otros métodos de modelado predictivo (Bootstrap Forest, K Nemost Neighbor,…) para recibir una buena estimación de mi modelo?
- Y utilizo una referencia de bebida para "calibrar" el panel (los evaluadores siempre beben y evalúan la referencia primero, y luego las muestras siguen; la bebida de referencia es de un proceso diferente). ¿Debo incluir la referencia en mi modelo? ¿Si es así, cómo?
¡Gracias por su ayuda y agradezco cualquier error que encuentre en mi diseño / modelo!
PD: El archivo adjunto contiene mi diseño anterior y para la evaluación falsa utilicé algunos datos sensoriales antiguos (todavía no he comenzado con mis medidas).
GAMARe: como crear mi modelo basado en datos sensoriales@kPvDoE Mi primer pensamiento es, dado que esto es parte de su tesis de maestría, ¿cuántos consejos deberíamos brindar? No miré su diseño / modelo.
Las evaluaciones múltiples para cada tratamiento no deben incluirse en la creación del diseño. Estas evaluaciones múltiples son de hecho repeticiones y no son independientes de los tratamientos y, por lo tanto, no son grados de libertad adicionales. Las "calificaciones" dentro del tratamiento deben evaluarse antes de resumir y luego analizar los efectos del tratamiento. El factor temperatura plantea un pequeño dilema. ¿Hay dos temperaturas? ¿Uno para preparar (o fabricar) la bebida y el otro para cuando se evalúe la bebida? Parece que está experimentando con el factor de diseño en 5 niveles (¿por qué, espera algún efecto polinomial de cuarto orden? ¿O estás tratando de "elegir un ganador"? La temperatura a la que se consume la bebida podría ser una covariable.
Para la evaluación dentro del tratamiento, supongo que está utilizando una escala ordinal sensorial. Para la evaluación de escala ordinal, primero debe evaluar la consistencia de las evaluaciones sobre los 9 evaluadores e identificar cualquier valor atípico o sesgo potencial. Sería útil trazar su respuesta y buscar patrones sistemáticos. Luego, si corresponde, resuma esas evaluaciones con una media / mediana y alguna medida de dispersión (rango o desviación estándar). En lo que respecta a la referencia, le sugiero que tenga una muestra real de cada categoría de la escala ordinal. La evaluación debe ser "qué muestra coincide con la muestra de prueba" versus cuál prefiere (ya que esto implica un sesgo personal). He adjuntado un documento simple que utilizo para brindar consejos sobre el uso de la escala sensorial / ordinal.
Re: como crear mi modelo basado en datos sensorialesGracias por su rápida respuesta @statman
No soy un estadístico y nunca escuché sobre DOE antes de mi tesis de maestría y desafortunadamente no tengo un supervisor que pueda guiarme. Por eso buscaba ayuda aquí en la comunidad;)
De hecho, hay dos temperaturas como usted describió. Para la temperatura de producción, no quiero encontrar polinomios de cuarto orden. Los 5 niveles se pueden elegir en la máquina y trato de "elegir el mejor de ellos".
Y para la temperatura de consumo: si la defino como covariable, entonces las temperaturas deben conocerse de antemano y se agregarán a mi diseño. Pero no puedo asegurar esta temperatura para el tratamiento. ¿O es incidental?
En realidad, estoy usando una variación del método de análisis descriptivo cuantitativo para mi evaluación sensorial, así que no creo que tenga datos ordinales. Los evaluadores evalúan las intensidades de los atributos definidos utilizando una escala de línea no estructurada con dos puntos de anclaje verbal en los extremos. La longitud total de la escala se convierte en valores numéricos entre 0 (intensidad más baja) y 100 (intensidad más alta) después de la medición. Por tanto, la distancia entre los datos es conocida y tiene un significado. Es de esperar que las muestras de referencia se utilicen para calibrar las medidas de intensidad de los evaluadores y obtener una evaluación más consistente.
Pero creo que todavía puedo usar algunos consejos del periódico. ¿O también tiene uno para datos cuantitativos o la evaluación de la consistencia es diferente en absoluto?
Re: como crear mi modelo basado en datos sensorialesSegún su respuesta, le sugiero que lea algunos libros sobre DOE, o tal vez lea algunos de los materiales de referencia en línea sobre DOE proporcionados por JMP, por ejemplo:
https://www.jmp.com/en_us/events/getting-started-with-jmp/doe-intro-kit.html
1. Disculpe mi excesiva simplificación, pero DOE no es una prueba. En la experimentación, busca pistas sobre cuál es la estructura causal relacionada con cada variable de respuesta. Se realiza una prueba para elegir un ganador. Es por eso que al ejecutar un experimento, probablemente comenzaría con múltiples factores establecidos en 2 niveles en negrita para evaluar el efecto lineal, eliminar los factores menos interesantes y luego continuar iterando (mover el espacio y aumentar) con los factores restantes. Si experimenta con múltiples factores en 2 niveles, puede obtener estimaciones de los efectos principales lineales y los efectos de interacción, según la resolución del diseño. Si agrega niveles, puede obtener estimaciones de efectos no lineales (3 niveles - cuadrático, 4 niveles - cúbico, etc.). Por lo general, construye sus modelos en un enfoque de serie de Taylor en el que comienza con efectos lineales de Maine, luego efectos de interacción lineal, luego cuadráticos, etc. (construyendo el modelo de primer - segundo a tercer ... orden). Pero, la intención no es crear un modelo complejo, la intención es mantener el modelo lo más simple posible y al mismo tiempo tener un modelo que funcione para la predicción.
2. Las covariables son una forma de manejar un factor que no se puede controlar / administrar específicamente, pero que se puede medir. Incorporamos esta variable aleatoria en el modelo de efectos fijos (del DOE). Tener en cuenta la covariable aumenta la precisión del experimento sin comprometer el espacio de inferencia. Por supuesto, ahora está analizando un modelo mixto.
3. No estoy familiarizado con el método de análisis descriptivo cuantitativo, pero suena interesante. Siempre me ha preocupado la percepción sensorial humana como variable de respuesta. Según mi mirada superficial, la medida es de intervalo.Cómo lograr coherencia y mitigar los prejuicios es un desafío. No veo cómo este método maneja ninguno de estos problemas. Hay muchos artículos de investigación sobre el número de unidades en una escala que se pueden utilizar de forma coherente para la percepción humana.
