Liebe JMP-Community,
Ich möchte einen Prozess optimieren. Ich habe 5 Faktoren (X1 –X5), wovon einer ein schwer zu ändernder Faktor ist (X3) und 10 Antwortvariablen (Y1-Y10). Die Reaktionen werden mit einem geschulten sensorischen Panel (8 – 11 Assessoren) gemessen. Jeder Assessor kann 3 Proben pro gesamter Parzelle (=Tag) auswerten. Die Bewerter bewerten die Intensitäten der definierten Attribute (=Antworten) anhand einer unstrukturierten Linienskala (0 = niedrigste Intensität; 100 = höchste Intensität).
Ich habe ein benutzerdefiniertes Split-Plot-RSM-Design mit 27 Behandlungen erstellt. Jeder Prüfer bewertet alle 27 Behandlungen (also wird jede Behandlung mehr als einmal bewertet, um ein genaueres Ergebnis zu erhalten). Zur Anpassung des Modells habe ich die Behandlungen als Sample bezeichnet und in meinem Modell als Random Effect verwendet (also 27 Samples mit 8 – 10 Datenpunkten (Auswertung einer Stichprobe durch verschiedene Assessoren); insgesamt 224 Durchläufe).
Ich habe mein Modell wie folgt angepasst:
Modell anpassen (
Y(:Y1),
Effekte ( :X1, :X2, :X3, :X4, :X5 ),
Zufällige Effekte ( :Gesamter Plot, :Sample, :Assessor ),
Keine Grenzen( 1 ),
Persönlichkeit("Standard der kleinsten Quadrate"),
Methode( "REML" ),
Hervorhebung( "Minimaler Bericht" )
);
Da es mein erster Entwurf überhaupt ist, bin ich mir unsicher, ob mein Entwurf und mein Modell richtig sind. Habe ich mein Modell richtig eingerichtet? Und ist eine Normalverteilung ausreichend, um in das erwähnte Modell zu passen?
Gibt es Fehler oder Verbesserungsvorschläge?
Mein Design und die Designbewertung (pdf-Datei) und meine Daten (jmp-Datei) habe ich beigefügt.
Danke für Ihre Hilfe!
Beeindruckend. Dies ist ein ziemlich kompliziertes Beispiel. Ich kann nichts falsches an der Modellierung der Daten erkennen.
Da Ihre Antworten an 0 und 100 gebunden sind, sollten sie streng genommen nicht mit einer Normalverteilung modelliert werden, wie Sie in Ihrer Frage vorgeschlagen haben. Die Normalverteilung geht davon aus, dass Werte jeden Wert von negativ unendlich bis positiv unendlich annehmen können. In der Praxis können wir viele Antworten sinnvoll modellieren, die nicht wirklich einer Normalverteilung folgen - die Normalverteilung ist oft eine hinreichend gute Näherung. Da die Antworten in Ihrem Fall meist gut innerhalb dieser Grenzen verteilt sind, ist die Normalverteilung immer noch ein nützliches Modell. Wenn Sie jedoch Vorhersagen von Ihrem Modell sehen, die unter 0 oder über 100 liegen, können Sie dies umgehen, indem Sie eine LogitPct-Transformation für Ihre Antwortvariable in Fit Model verwenden, die häufig für Antworten verwendet wird, die auf einer %-Skala liegen, z. B. % Yield . Aber ich glaube nicht, dass das in deinem Fall viel ausmacht.
