Estimada comunidad de JMP,
Quiero optimizar un proceso. Tengo 5 factores (X1 –X5), de los cuales uno es un factor difícil de cambiar (X3) y 10 variables de respuesta (Y1-Y10). Las respuestas se miden con un panel sensorial capacitado (8 - 11 evaluadores). Cada evaluador puede evaluar 3 muestras por parcela completa (= día). Los evaluadores evalúan las intensidades de los atributos definidos (= respuestas) utilizando una escala lineal no estructurada (0 = intensidad más baja; 100 = intensidad más alta).
Creé un diseño RSM de parcela dividida personalizado con 27 tratamientos. Cada evaluador está evaluando los 27 tratamientos (por lo que cada tratamiento se evalúa más de una vez para obtener un resultado más preciso). Para ajustar el modelo, nombré los tratamientos como Muestra y lo usé como Efecto aleatorio en mi modelo (por lo que hay 27 muestras con 8-10 puntos de datos (evaluación de una muestra por un evaluador diferente); en total 224 corridas).
Ajusté mi modelo de la siguiente manera:
Modelo de ajuste(
Y (: Y1),
Efectos (: X1,: X2,: X3,: X4,: X5),
Efectos aleatorios (: parcela completa,: muestra,: evaluador),
Sin límites (1),
Personalidad ("Mínimos cuadrados estándar"),
Método ("REML"),
Énfasis ("Informe mínimo")
);
Dado que es mi primer diseño, no estoy seguro de si mi diseño y modelo son correctos. ¿He configurado mi modelo correctamente? ¿Y se cumple una distribución normal lo suficiente para ajustarse al modelo mencionado?
¿Hay algún error o tiene sugerencias de mejora?
Adjunto mi diseño y evaluación de diseño (archivo pdf) y mis datos (archivo jmp).
¡Gracias por tu ayuda!
Guau. Este es un ejemplo bastante complicado. No veo nada de malo en cómo ha modelado los datos.
Debido a que sus respuestas están limitadas por 0 y 100, entonces, estrictamente hablando, no deben modelarse con una distribución normal, como sugirió en su pregunta. La distribución normal asume que los valores pueden tomar cualquier valor desde infinito negativo hasta infinito positivo. En la práctica, podemos modelar de manera útil muchas respuestas que realmente no siguen una distribución normal; la distribución normal es a menudo una aproximación suficientemente buena. En su caso, dado que las respuestas se distribuyen en su mayoría bien dentro de esos límites, la distribución normal seguirá siendo un modelo útil. Sin embargo, si ve predicciones de su modelo que están por debajo de 0 o por encima de 100, puede solucionar esto utilizando una transformación LogitPct en su variable de respuesta en Fit Model, que se usa comúnmente para respuestas que están en una escala de%, por ejemplo,% de rendimiento . Pero no creo que esto haga mucha diferencia en su caso.
