Cara comunità JMP,
Voglio ottimizzare un processo. Ho 5 fattori (X1 –X5), di cui uno è un fattore difficile da modificare (X3) e 10 variabili di risposta (Y1-Y10). Le risposte vengono misurate con un pannello sensoriale addestrato (8-11 valutatori). Ciascun valutatore può valutare 3 campioni per intera parcella (=giorno). I valutatori valutano l'intensità degli attributi definiti (=risposte) utilizzando una scala a linee non strutturate (0 = intensità più bassa; 100 = intensità più alta).
Ho creato un design RSM a trama divisa personalizzato con 27 trattamenti. Ciascun valutatore valuta tutti i 27 trattamenti (quindi ogni trattamento viene valutato più di una volta per ottenere un risultato più preciso). Per adattare il modello, ho denominato i trattamenti Campione e l'ho utilizzato come Effetto casuale nel mio modello (quindi ci sono 27 campioni con 8 – 10 punti dati (valutazione di un campione da parte di un valutatore diverso); in totale 224 esecuzioni).
Ho montato il mio modello come segue:
Modello adatto (
Y(:Y1),
Effetti( :X1, :X2, :X3, :X4, :X5 ),
Effetti casuali (:Intera trama, :Campione, :Valutatore),
Nessun limite( 1 ),
Personalità ("Minimi quadrati standard"),
Metodo( "REML" ),
Enfasi ("Rapporto minimo")
);
Poiché è il mio primo progetto in assoluto, non sono sicuro che il mio design e il modello siano corretti. Ho impostato correttamente il mio modello? E una distribuzione normale è sufficiente per adattarsi al modello menzionato?
Ci sono errori o avete suggerimenti per migliorare?
Ho allegato il mio progetto e la valutazione del progetto (file pdf) e i miei dati (file jmp).
Grazie per l'aiuto!
Oh. Questo è un esempio piuttosto complicato. Non vedo nulla di sbagliato nel modo in cui hai modellato i dati.
Poiché le tue risposte sono vincolate da 0 e 100, quindi, a rigor di termini, non dovrebbero essere modellate con una distribuzione normale, come hai suggerito nella tua domanda. La distribuzione normale presuppone che i valori possano assumere qualsiasi valore da infinito negativo a infinito positivo. In pratica, possiamo modellare utilmente molte risposte che non seguono realmente una distribuzione normale - la distribuzione normale è spesso un'approssimazione abbastanza buona. Nel tuo caso, dato che le risposte sono per lo più distribuite bene all'interno di quei limiti, la distribuzione normale sarà comunque un modello utile. Tuttavia, se vedi previsioni dal tuo modello che sono inferiori a 0 o superiori a 100, puoi aggirare questo problema utilizzando una trasformazione LogitPct nella variabile di risposta in Adatta modello, che è comunemente usata per le risposte che sono su una scala %, ad es. . Ma non credo che questo farà molta differenza nel tuo caso.
