Liebe JMP-Community,
Ich möchte einen Prozess optimieren. Ich habe 5 Faktoren (X1–X5), davon einen schwer veränderbaren Faktor (X3) und 10 Antwortvariablen (Y1–Y10). Die Reaktionen werden mit einem geschulten sensorischen Gremium (8 – 11 Prüfer) gemessen. Jeder Gutachter kann 3 Proben pro ganze Parzelle (=Tag) auswerten. Die Beurteiler bewerten die Intensitäten der definierten Merkmale (=Antworten) anhand einer unstrukturierten Linienskala (0 = niedrigste Intensität; 100 = höchste Intensität).
Ich habe ein individuelles Split-Plot-RSM-Design mit 27 Behandlungen erstellt. Jeder Gutachter bewertet alle 27 Behandlungen (daher wird jede Behandlung mehr als einmal bewertet, um ein genaueres Ergebnis zu erhalten). Zur Anpassung des Modells habe ich die Behandlungen als Stichprobe bezeichnet und sie als Zufallseffekt in meinem Modell verwendet (es gibt also 27 Stichproben mit 8 – 10 Datenpunkten (Bewertung einer Stichprobe durch verschiedene Gutachter); insgesamt 224 Durchläufe).
Ich habe mein Modell wie folgt eingebaut:
Modell anpassen(
Y( :Y1 ),
Effekte( :X1, :X2, :X3, :X4, :X5 ),
Zufällige Effekte( :Ganzer Plot, :Sample, :Assessor),
NoBounds( 1 ),
Persönlichkeit( „Standard-Kleinste-Quadrate“),
Methode( „REML“),
Betonung („Minimaler Bericht“)
);
Da es mein erster Entwurf überhaupt ist, bin ich mir nicht sicher, ob mein Entwurf und mein Modell korrekt sind. Habe ich mein Modell richtig eingerichtet? Und ist eine Normalverteilung ausreichend erfüllt, um wie erwähnt in das Modell zu passen?
Gibt es Fehler oder haben Sie Verbesserungsvorschläge?
Ich habe mein Design und meine Designbewertung (PDF-Datei) sowie meine Daten (JMP-Datei) angehängt.
Vielen Dank 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.
