Altoparlante
|
Trascrizione
|
| Paolo Peloia |
Ciao, mi chiamo Paulo Peloia. Sono il responsabile dell'analisi dei dati per l'America Latina presso Syngenta Crop Protection. La ricerca |
| |
che presenterò riguarda l'ottimizzazione della dimensione del sottocampione per i parassiti del suolo negli esperimenti sulla canna da zucchero. |
| |
Qui in Brasile, conduciamo alcuni esperimenti per testare i prodotti contro i parassiti del suolo sulla canna da zucchero con quattro repliche su quattro sottocampioni per appezzamento. |
| |
E in ogni sottocampione, dobbiamo scavare il terreno per rimuovere le radici della... della canna da zucchero e poi valutare i danni causati da questi parassiti del suolo. Ok, lo facciamo in 0,5 metri di riga. |
| |
Con questo disegno, purtroppo, questo è il nostro problema, possiamo rilevare una differenza significativa tra il trattamento nel 40% dei casi solo considerando un alfa del 5%. Va bene. |
| |
Prima di aumentare il numero di repliche nelle nostre prove, cosa che aumenterebbe notevolmente il costo dei nostri esperimenti, abbiamo deciso di valutare prima il numero di sottocampioni che raccogliamo. |
| |
È noto che maggiore è il numero di sottocampioni, minore è l'errore sperimentale. È anche noto che questa... questa diminuzione dell'errore sperimentale si riduce con il numero di sottocampioni. Quindi abbiamo una tendenza non lineare e |
| |
ad un certo punto, questa riduzione degli errori sperimentali diventa prossima allo zero. Ok, per questo motivo, abbiamo deciso di utilizzare il modello del plateau quadratico, la metodologia di cui parleremo tra qualche secondo. |
| |
Quindi, ho detto che l'obiettivo di questa ricerca era determinare il numero ottimale di sottocampioni per trama |
| |
per i parassiti del suolo sulla canna da zucchero, ciò che contribuisce in minima parte a un processo sperimentale più efficiente. Ok, ora parliamo della metodologia che abbiamo usato. |
| |
Bene, abbiamo iniziato questo studio con...con la conduzione di due esperimenti in bianco con 11 trattamenti, quattro blocchi e otto sottocampioni per trama. Di nuovo otto, non quattro |
| |
sottocampioni per trama. Ok, con questo... con il risultato di questi due esperimenti in bianco, lo applichiamo, questo... la metodologia bootstrap |
| |
per stimare l'errore standard medio o l'errore sperimentale per ciascuna dimensione del sottocampione da otto a uno. Successivamente adattiamo il modello di plateau quadratico. Ora diamo un'occhiata a questa metodologia, il modello di plateau quadratico. |
| |
Ok, quindi qui a sinistra, abbiamo le equazioni relative a questo modello, ma mi concentrerò sulla destra qui, sul grafico, ok. |
| |
Fondamentalmente, questo modello inizia con un modello quadratico, ok, fino a una rottura... fino a un punto di rottura dove diventa un plateau o una linea orizzontale, ok. |
| |
Nel caso di questo studio, nell'asse X, abbiamo il sottocampione....il numero di sottocampioni per trama, e nell'asse y, abbiamo la media radice |
| |
errore quadrato, o la deviazione standard della nostra prova, e poi questo punto di pareggio, ok. Questo punto di rottura è chiamato punto ottimale. Nel nostro caso, questo è il |
| |
numero ottimale di sottocampioni per trama, okay. Solo..solo un commento aggiuntivo, se vuoi implementarlo in JMP, |
| |
questa formula qui in alto diventa questa formula nella parte inferiore della diapositiva in JMP, okay. |
| |
E poi puoi andare all'analisi del menu, quindi alla modellazione specializzata e infine alla piattaforma non lineare, ok. Quindi, se vuoi farlo in JMP, questo è il... questo è il modo che devi seguire. Torniamo alla prima diapositiva. |
| |
Quindi qui siamo ancora nella... nella metodologia, conoscendo il numero ottimale di sottocampioni |
| |
per trama che noi...che abbiamo identificato utilizzando il modello di plateau quadratico, abbiamo condotto nella stagione successiva |
| |
tre studi reali che utilizzano questo numero di sottocampioni, quindi abbiamo applicato nuovamente il metodo bootstrap per confrontare la capacità che questi studi hanno di rilevare differenze significative tra i trattamenti rispetto a se fossero stati condotti con quattro sottocampioni, il nostro standard precedente, ok. |
| |
Quindi diamo un'occhiata ai... ai risultati. Innanzitutto qui i risultati relativi agli esperimenti in bianco per identificare il numero ottimale di |
| |
sottocampioni per trama. |
| |
Quindi qui a sinistra, abbiamo un... un grafico per ogni esperimento vuoto. Nell'asse X, abbiamo il numero di sottocampioni per trama da otto a uno. Sull'asse y abbiamo una deviazione standard della prova, e qui possiamo vedere che abbiamo 1.000...1.000 punti per ogni numero di sottocampione. |
| |
Ok, e qui nell'esperimento in bianco 1, possiamo vedere una distribuzione molto simmetrica dei punti, e il punto rosso qui rappresenta la media, |
| |
la deviazione standard. Nel secondo esperimento vuoto, possiamo vedere una distribuzione non simmetrica. In realtà è una distribuzione distorta a destra, okay. |
| |
E ancora per questo motivo, penso sia importante usare più di un esperimento in bianco per stimare che, perché non sempre, abbiamo una distribuzione normale, okay. |
| |
Quindi in pratica i punti rossi qui vengono trasferiti ai... ai grafici sul lato destro dello schermo qui. Quindi alimentiamo il modello di plateau quadratico. Come ho detto, iniziamo con il modello quadratico e poi |
| |
nel... nel punto di rottura, diventa una linea orizzontale, okay. In entrambi i casi, voglio dire, nel caso di entrambi gli esperimenti la R al quadrato è davvero buona, 97%, ok. Possiamo vedere che il modello e il |
| |
i dati sono buoni, voglio dire che sono... sono vicini e possiamo vedere qui il numero ottimale di sottocampioni. Nel caso del primo esperimento in bianco, 5.6, e nel caso del secondo, 5.4, va bene. |
| |
Ebbene, dato che non è possibile avere 5,5 sottocampioni per parcella, abbiamo adottato il numero ottimale quindi sei sottocampioni per parcella, e questo è il numero che abbiamo utilizzato per condurre le vere prove nella stagione successiva, ok. |
| |
COSÌ |
| |
torna alla prima diapositiva. Ancora una volta, abbiamo coperto la prima parte della metodologia e poi convalideremo i risultati, intendo valutare il vantaggio di aumentare il numero di sottocampioni per trama, ok. Andiamo la. |
| |
Quindi, sempre sulla parte sinistra dello schermo, abbiamo sull'asse y, il valore p per i trattamenti, e qui, questa linea rossa rappresenta il nostro alfa, 5%. Quindi esperimenti con... |
| |
con un valore p per trattamenti al di sotto di questa linea rossa può identificare una differenza significativa tra trattamenti e valori che entrambi non possono, ok. Nella parte superiore abbiamo i tre...i tre diversi esperimenti di validazione e all'interno di ciascuno... |
| |
ogni esperimento a sinistra, abbiamo l'esperimento con quattro sottocampioni, ea destra, abbiamo con sei sottocampioni, ok. |
| |
Possiamo vedere chiaramente che la quantità di punti dati al di sotto del 5%, o questo limite di specifica superiore, è superiore rispetto a quattro sottocampioni, ok. Possiamo vederlo chiaramente. E se riassumiamo questi risultati, abbiamo |
| |
quasi il 41% degli studi rileva una differenza significativa tra i trattamenti con quattro |
| |
sottocampioni. E con sei sottocampioni, il nostro numero ottimale, diventa quasi 54, okay. Questo non è perfetto, ma qui c'è un buon incremento, ok, un incremento di 13 punti percentuali. Quindi torniamo alla prima diapositiva. |
| |
Quindi, per concludere su questo studio, come ho detto, |
| |
l'incremento da quattro a sei sottocampioni per trama ha aumentato la nostra capacità di rilevare differenze significative tra i trattamenti in 13 punti percentuali. |
| |
Possiamo dire che il modello dell'altopiano quadratico ha funzionato bene perché l'R quadrato era buono ed era abbastanza facile identificare il punto ottimale, okay. È buono. |
| |
E per la ricerca futura, dobbiamo indagare se questo miglioramento è sufficiente o se dobbiamo aumentare anche il numero di repliche. E per farlo, è sempre bene aggiungere qualche... |
| |
un certo valore, alcuni costi per questo modello per identificare il design sperimentale ottimale, ok. Bene, questo è quello che dovevo... quello che dovevo mostrarti. Spero vi piaccia. Se hai domande, non esitare a contattarmi. Grazie e ciao ciao. |
