Modelle anpassen (Reaktionen im Vergleich zur Referenz, Mischung)Hallo zusammen,
Ich habe vor kurzem angefangen, JMP zu verwenden, um zu lernen, wie man Experimente plant. Bisher habe ich einige Versuche gemacht, aber ich habe Probleme mit all den verschiedenen Optionen und Datenanordnungen beim Erstellen von Modellen. Ich zeige Ihnen einige Daten, um Ihnen zu zeigen, wo ich nicht weiterkomme:
Versuch 1:
3 Faktoren (Mischungskomponente 1, Mischungskomponente 2, kontinuierlicher Faktor 1), 9 Experimente
3 Antworten (nur 2 im Datenblatt; Ziel: maximieren)
Meine ersten Fragen beziehen sich auf die Antworten:
Die Antworten werden als Differenz zu den Werten vor dem Experiment gemessen (auch ein Mittelwert aus mehreren Messungen) und ich weiß nicht, wie ich diese Informationen den Daten hinzufügen kann, um das Modell zu erstellen (im Blatt habe ich einfach den Mittelwert abgezogen, um einen Ausgangspunkt zu haben).
Ich bin mir auch nicht sicher, ob ich die Versuchsnummer zum Modell hinzufügen muss. Wird angenommen, dass die Daten aus verschiedenen Versuchen stammen, wenn ich das nicht tue?
Der andere Teil, über den ich mich wundere, ist, wie mit den Mischungskomponenten im Modell umzugehen ist. In diesem speziellen Beispiel habe ich nur 2 Komponenten. Ist es also notwendig, es als Mischungsmodell anzupassen? Mischungskomponente 1 scheint die Antwort nicht zu beeinflussen, aber es scheint nicht richtig, einen Mischungsfaktor aus einem Modell zu entfernen.
Ich hoffe, Sie können mir dabei helfen. Ich habe die Daten und einige Diagramme, die ich erstellt habe, hinzugefügt.
Ich habe bisher nur die interaktiven Tools verwendet.
Anna
Datenexploration und -visualisierungVersuchsplanungMassenanpassungBetreff: Modelle anpassen (Antworten im Vergleich zur Referenz, Mischung)Ich entschuldige mich, wenn ich Sie irgendwie verwirrt habe, und vielleicht habe ich Ihre Situation falsch interpretiert. In der Antwort, die Sie geben, gibt es eine Dichotomie. Sie sagen, dass sich die Summe zu 100 addieren muss, und daher müssen Sie, wenn Sie x% von Komponente 1 haben, 100-x% für Komponente 2 haben. Dies IST ein Mischungsproblem, aber dann sagen Sie, dass es keine Einschränkungen gibt. (aber keine Einschränkungen für die Ober- und Untergrenze)" ...es gibt. Sie können x % von Komponente 1 nicht unabhängig ändern, ohne die % von Komponente 2 zu beeinflussen. Das ist eine Einschränkung.
Betreff: Modelle anpassen (Antworten im Vergleich zur Referenz, Mischung)Danke für die Erläuterungen.
Da ist vielleicht ein Fehler in meiner Logik, weil ich diese Mischungsdefinition immer noch nicht verstehe. Ich habe 2 Komponenten, die ich in einer Reihe von Experimenten in unterschiedlichen Verhältnissen hinzugefügt habe, ich könnte das als die relative Menge einer dieser Komponenten beschreiben (das war meine erste Überlegung). Dann habe ich einige Beispiele gesehen, die Mischungen in ihren Modellen angewendet haben, also dachte ich, das gilt auch für mein Experiment, denn wenn ich x% einer Komponente habe, muss ich 100-x% der anderen Komponente haben (aber keine Einschränkungen für die Ober- und Untergrenze). Das wäre also eine Mischung aus meinem Verständnis. Ich bin jetzt ziemlich verwirrt, nicht sicher, ob ich es gut erklärt habe.
Betreff: Modelle anpassen (Antworten im Vergleich zur Referenz, Mischung)Meine weiterführenden Gedanken:
1. Leider wurde der 3. Faktor, den Sie hinzugefügt haben, nicht orthogonal zur Matrix hinzugefügt, und daher haben Sie in Ihrem ersten Beitrag verwechselte Haupteffekte erhalten.
Ich bin mir nicht sicher, ob ich Ihre Logik verstehe, warum es als Mischung betrachtet werden muss ... Auch hier sind Mischungen ein Sonderfall des Experimentierens, bei dem es Einschränkungen bei der Pegeleinstellung gibt. Sie schlagen vor, dass es keine Einschränkungen gibt, sodass Sie kein Mischungsproblem haben. Vielleicht ein faktorielles Problem.
2. Wiederholte Messungen sind eine hervorragende Strategie, um innerhalb der Behandlungsvariabilität (kurzzeitiges Rauschen) zu handeln. Sie dürfen jedoch nicht so analysiert werden, als ob sie unabhängige Antworten wären (sie fügen keine DFs hinzu). Sie können die wiederholten Messungen für jede Behandlung sicherlich grafisch darstellen und ihre Konsistenz bewerten und dann die wiederholten Messungen zusammenfassen, um die zu berechnen angemessen aufzählende Statistiken (z. B. Mittelwert, Standardabweichung, Median). Sie sollten sich diese Daten immer ansehen, um zu sehen, ob es irgendwelche ungewöhnlichen Datenpunkte gibt, bevor Sie diese Daten zusammenfassen. Wenn Sie die wiederholten Messungen in separaten Spalten in JMP haben, stapeln Sie diese Spalten, verwenden Sie Graph Builder oder Variabilitätsdiagramme, um die Daten innerhalb der Behandlung grafisch darzustellen. Verwenden Sie dann Tabellen > Zusammenfassung, um die entsprechenden Statistiken für jede Behandlung zu berechnen.
3. Da Sie keine Eins-zu-eins-Vergleiche haben, kann es in Ordnung sein, einige zusammenfassende Statistiken davor und tatsächliche Werte danach zu verwenden. Fügen Sie in JMP eine Spalte für die Statistik davor hinzu (eine Spalte für jede Antwort) und erstellen Sie dann eine Formelspalte, die die Nachantwort von den Vorantwortspalten subtrahiert.
4. Sie hoffen, dass das Rauschen keine Wirkung hat, aber haben Sie es untersucht und quantifiziert? Wenn nicht, ist Ihr Inferenzraum begrenzt und Ihre Modelle sind auch in ihrer Vorhersagefähigkeit eingeschränkt.
Es hilft wirklich, die JMP-Datentabelle anstelle von Screenshots hinzuzufügen.
Betreff: Modelle anpassen (Antworten im Vergleich zur Referenz, Mischung)Danke für Ihre Antwort! Ich werde versuchen, es klarer zu machen.
1. Ich habe das benutzerdefinierte Design in jmp verwendet, aber als ich das tat, nahm ich nur 2 kontinuierliche Faktoren an: die relative Menge der Mischkomponente 2 und den kontinuierlichen Faktor. Erst später, als ich einen dritten Faktor variieren wollte, wurde mir klar, dass dieser als Mischung bezeichnet werden muss, um realistische Kombinationen zu erhalten. Deshalb habe ich mich gefragt, ob es als Mischung behandelt werden muss.
Jedenfalls sind meine Designeingaben im Designbild beigefügt. Also 2 Faktoren, Wechselwirkung und quadratische Terme. Ich wähle 9 Experimente aus, weil bei diesem Ansatz alle Terme ohne Alias waren.
2. Die Antworten sind wiederholte Messungen, daher wurden die Antworten an 10 oder 6 Proben (Antwort 1) und 3 Proben (Antwort 2) gemessen, was eine Zufallsstichprobe aus jedem Experiment ist. Und meine Frage ist, wie kann ich diese Informationen übertragen, wenn ich ein Modell anpasse? Es ist ein bisschen hässlich, dass die Anzahl der Messungen nicht für jedes Experiment gleich ist, aber das könnte behoben werden (aber in Wirklichkeit habe ich es oft mit fehlenden Datenpunkten zu tun).
3. Ich habe Daten von vor den Experimenten, aber das sind nicht die gleichen Proben wie die, die nach den Experimenten gemessen wurden. Auch werden vorher und nachher nicht immer gleich viele Proben gemessen. Für die Datenvisualisierung würde ich die Differenzen der Mittelwerte und des Konfidenzintervalls berechnen, aber ich weiß nicht, wie ich diese Informationen in das Modell bekomme. In der Tabelle habe ich Delta berechnet, indem ich den Mittelwert der Referenz von den gemessenen Antworten subtrahiert habe, aber das ignoriert die Unsicherheit der Referenzdaten.
4. Für die 2 Mischungskomponenten gibt es keine Beschränkungen, eigentlich sind es 3 Komponenten, aber die 3. ist dann konstant (Mischungskomponente 3/ (Mischungskomponente 1 + Mischungskomponente 2) = const). Danke für die Referenzen, ich werde mir das durchlesen und versuchen zu verstehen, was in diesem Fall angewendet werden kann. Und ja, es gibt auch unkontrollierte Faktoren in diesem Experiment. Offensichtlich wird davon ausgegangen, dass sie das Ergebnis nicht beeinflussen, aber es gibt keine systematischen Daten dafür, also weiß ich es ehrlich gesagt nicht (schwer zu sagen, ob es sich lohnt, diese zu untersuchen, muss mehr darüber studieren).
5. Diese Frage bezog sich darauf, wie man die Antworten einem Experiment zuordnet und es nicht als mehrere wiederholte Experimente behandelt.
Danke schon mal für deine Zeit!
Anna
Betreff: Modelle anpassen (Antworten im Vergleich zur Referenz, Mischung)Ich habe einige Gedanken, bin mir aber nicht sicher, was Sie fragen:
1. Es scheint, dass Sie 9 Behandlungskombinationen haben, was eine fraktionale Fakultät des 3^3-Designs ist, aber ich bin mir nicht sicher, wie Sie die Behandlungen ausgewählt haben, die Sie durchgeführt haben? Wenn Sie ein Experiment entwerfen, beginnen Sie normalerweise mit einer Vorstellung von dem Modell, das Sie untersuchen möchten. Dies wird normalerweise aus den Hypothesen abgeleitet, die Sie darüber haben, welche Faktoren die Antwortvariablen beeinflussen. Ich weiß nicht, welches Modell Sie untersuchen, aber das Design, das Sie für 9 Behandlungen gewählt haben, hätte besser gewählt werden können. Sie haben Begriffe in Ihrem Test verwechselt oder teilweise mit Aliasnamen versehen.
2. Sie haben mehrere Maßnahmen für jede Behandlung. Ich weiß nicht, ob es sich um wiederholte Messungen oder Wiederholungen handelt, da Ihre Datentabelle keine Ausführungsreihenfolge enthält. Trotzdem hat eine Behandlung 6 Reaktionen, die anderen 10.
3. Wenn Sie möchten, dass sich das Delta von vor der Behandlung zu nachher ändert, fügen Sie einfach eine Spalte für hinzu, die die Maße davor enthält, und erstellen Sie dann eine Spalte, die eine Formel ist, die das Delta berechnet.
4. Sie verwenden den Begriff "Gemisch"-Komponente? Gibt es Einschränkungen? Es gibt mehrere Denkrichtungen in Bezug auf Mischungsdesigns (ich schlage vor, Sie lesen Cornell „Experiments with Mixtures“.) Gibt es beispielsweise andere Verarbeitungskomponenten, die nicht Teil der „Mischungscharge“ sind, wie Rührgeschwindigkeit oder Temperatur? Vielleicht möchten Sie auch diese Faktoren untersuchen. Manchmal können Sie mit Verhältnissen von Komponenten beginnen. Mischungsdesigns sind ein Sonderfall des Experimentierens. Denn Änderungen in den Gehalten eines Mischungsfaktors erfordern Änderungen in den Gehalten für die anderen Mischungskomponenten (normalerweise müssen die Komponenten einige zu 1 betragen). , daher werden einige der orthogonalen Eigenschaften des Experiments beeinträchtigt. Normalerweise stelle ich mir Mischungsdesigns als Optimierungsexperimente vor. In der Regel bedeutet dies, dass Sie das Modell erster Ordnung bereits definiert haben und Rauscheffekte vollständig verstehen. Sie analysieren Antwortoberflächen, um zu bestimmen, wo der beste Bereich zum Arbeiten ist. Aber es nützt nichts, wenn die Oberfläche der Fuß des Berges ist, den Sie zu erklimmen versuchen.
Vielleicht hier anfangen:
https://www.jmp.com/en_us/events/mastering/topics/mixture-designs.html
5. Nein, Sie sollten dem Modell keine Experimentnummer hinzufügen. Es wird empfohlen, die Ausführungsreihenfolge zu verfolgen, da wir bei der Bewertung der Residuen des Modells in der Ausführungsreihenfolge sortieren.
Abschließend würde ich vorschlagen, dass Sie mit einem grundlegenden Verständnis des Experimentierens beginnen. JMP bietet einige Online-Optionen, um sich über das Experimentieren zu informieren:
https://www.jmp.com/en_us/online-statistics-course/design-of-experiments.html
