Behandlung von Wiederholungen und fehlgeschlagenen Läufen in einem endgültigen Screening-DesignHallo Community, ich habe Probleme beim Modellieren einiger Daten, die ich von einem DSD erhalten habe. Dies war ein Bildschirm mit 10 Faktoren. Wir haben dies mit 3 Blöcken (Operatoren) durchgeführt und ich habe die maximale Anzahl zusätzlicher Läufe (8) hinzugefügt. Dies gab mir eine Tabelle mit 31 Läufen. Wir haben einige anfängliche Entfernungsexperimente durchgeführt, um vernünftige Grenzen für alle Faktoren festzulegen. Leider haben wir immer noch 4 Läufe, bei denen die Reaktion völlig fehlgeschlagen ist, daher habe ich keinen Wert, um als Antwort darauf einzugehen.
Meine erste Frage ist, wie diese fehlgeschlagenen Läufe behandelt werden sollten. Ich nehme an, dass sie im Idealfall ausgeschlossen werden sollten, und ich hätte immer noch 27 Läufe, die Daten lieferten. Aber wenn ich sie aus der Tabelle ausschließe und versuche, das Fit Definitive Screening-Skript auszuführen, passiert nichts. Es kommt keine Fehlermeldung, aber das Fenster öffnet sich einfach nicht. Meine Antwort ist "Zeit bis zur Fertigstellung", mit dem Ziel, diese Antwort zu minimieren, und ich könnte einfach eine große Zahl eingeben, die eine Zeit darstellt, die länger als die Experimentdauer ist, aber dies erscheint willkürlich. Das Skript wird trotzdem ausgeführt.
Meine zweite Frage ist, ob ich Wiederholungsläufe einbeziehen kann, um mehr Vertrauen in das Modell zu haben? Wir liefen 8 Wiederholungen jeder Laufbedingung. Wenn ich jedoch einen Lauf kopiere und einfüge und versuche, das Skript auszuführen, passiert wieder nichts. Im Moment nehme ich nur den Durchschnitt der 8 Läufe und verwende diesen, aber ich frage mich, ob es besser wäre, die einzelnen Werte irgendwie einzubeziehen, und wenn ja, gibt es eine Möglichkeit, dies mit dem Fit Definitive Screening-Skript zu tun?
Ich kann das Standardmodul Fit Model verwenden, um diese beiden Probleme zu lösen, aber es scheint, als würde ich den Vorteil des DSD verpassen. Danke für alle Antworten! Ich bin auf JMP 15.2. Wenn es hilfreich wäre, die Tabelle zu posten, mache ich das gerne.
DAMHIRSCHKUHBetreff: Behandlung von Wiederholungen und fehlgeschlagenen Läufen in einem endgültigen Screening-DesignErstens habe ich mir Ihre Daten nicht angesehen, daher kann ich die von Ihnen beschriebenen Fehlermodi nicht replizieren ... aber ich denke, Sie haben Pech. Um die Merkmale einer DSD auszuschöpfen, müssen Sie wirklich alle Antworten für jede Behandlungskombination haben. Es ist ein sehr sparsames und informationsreiches Design für die zweistufige Analyse, wie sie vom Fit Definitive Screening-Skript vorgeschrieben wird. Hier ist mein allgemeiner Vorschlag, wieder habe ich mir Ihre Daten nicht angesehen. Aber ich würde es zumindest versuchen ... Sie können vielleicht zu den gleichen Schlussfolgerungen zurückkehren, die Sie aus einem DSD-Analyse-Workflow ziehen würden.
Sie müssen die Fit Model-Plattform verwenden. Schließen Sie alle Replikate „wie besehen“ ein. Könnte genauso gut sein ... es könnte nützliche Informationen in der Variation zwischen diesen Punkten geben ... entweder statistisch oder praktisch. Da ein DSD-Analyse-Workflow von Effektsparsity ausgeht, um die Vorteile eines DSD-Ansatzes zu realisieren, würde ich damit beginnen, ein Modell nur für Haupteffekte anzupassen und zu sehen, welche Effekte aktiv sind. Hoffentlich schmerzen die fehlenden Behandlungskombinationen nicht zu sehr, um diese aktiven Haupteffekte zu finden. Sobald Sie diese aktiven Haupteffekte erhalten haben, passen Sie jetzt ein Modell mit diesen aktiven Haupteffekten UND allen möglichen Zwei-Faktor-Wechselwirkungen einschließlich dieser Haupteffektterme an. Passen Sie dieses Modell an ... und sehen Sie, was es Ihnen sagt.
Dieser zweistufige Ansatz ahmt konzeptionell das nach, was die Analyseplattform Fit Definitive Screening tut ... sozusagen. Ich denke, dieser Ansatz könnte Sie näher bringen?
Mich würde interessieren, was andere z @markbailey oder @statmann könnte denken?
Betreff: Behandlung von Wiederholungen und fehlgeschlagenen Läufen in einem endgültigen Screening-DesignMeine Gedanken:
1. Antwortvariablen: Können Sie etwas anderes als „Zeit bis zur Fertigstellung“ messen? Zum Beispiel % der Fertigstellung oder Chemie nach 'x' Zeit .... mit anderen Worten, andere Möglichkeiten, die Phänomene zu messen.
2. Dies ist ein Anliegen für jede DOE-Strategie mit Blick auf Optimalität. Sie sind anfälliger für verlorene/fehlende/atypische Daten.
3. Wie können die fehlenden Daten ersetzt werden (einige Ideen dazu, aber je mehr fehlende Daten, desto weniger nützlich)?
- Verwenden Sie den Mittelwert des Datensatzes
- Verwenden Sie vorhergesagte Daten (hoffentlich wurden diese Vorhersagen a priori getroffen
- Regressieren Sie auf die Daten, die Sie haben, und verwenden Sie das Modell, um die fehlenden Daten vorherzusagen (unter Verwendung der Fit-Modell-Plattform)
- Führen Sie alle oben genannten Schritte durch und vergleichen Sie die Ergebnisse. Wenn sie einigermaßen übereinstimmen, haben Sie größeres Vertrauen in die resultierende Analyse. Wenn nicht, müssen Sie entscheiden, was Sie gelernt haben und was die nächste Iteration sein sollte.
4. Ich bin etwas verwirrt über die Aussage "Wir haben 8 Wiederholungen jeder Laufbedingung ausgeführt". Repliken oder Wiederholungen? Waren es unabhängige Behandlungen? Wenn es sich wirklich um Replikate handelt und alle 8 Replikate nicht reagiert haben (die 4 Mal), was haben Sie gelernt?
Betreff: Behandlung von Wiederholungen und fehlgeschlagenen Läufen in einem endgültigen Screening-DesignIch möchte überprüfen, ob Fit Definitive Screening dies tut nicht funktionieren, wenn Sie fehlende Werte oder gelöschte oder ausgeschlossene Läufe aus dem endgültigen Screening-Design haben. Die Fachanalyse richtet sich nach der Faltstruktur der Designmatrix beim Bilden der Modellmatrizen für die Analyse. (Beachten Sie, dass Sie Fit Definitive Screening mit verwenden können beliebig Faltdesign!)
Ich frage mich, ob es möglich wäre, die fehlenden Werte für die Läufe ohne Reaktion durch eine sehr große Zahl für Time to Completion zu ersetzen? Diese Neucodierung ist ein Zahlentrick. Sie möchten einfach, dass die Analyse dort fortgesetzt wird, wo einige Läufe im Wesentlichen eine unendliche Zeit in Anspruch genommen haben, dies jedoch mit einer endlichen Zahl darstellen. Wenn die Reaktionszeit beispielsweise zwischen 5 Minuten und 2 Stunden liegt, können Sie statt fehlender Werte einen Wert von 1000 bis 100000 verwenden. Funktioniert es? Ich versuche, so viel wie möglich von Ihrem Experiment zurückzugewinnen.
Sind die zusätzlichen Läufe wirklich repliziert? Das heißt, sie sind nicht einfach wiederholte Takte eines einzelnen Durchlaufs. Ich vermute, dass die Zeit bis zur Fertigstellung erfordert, dass es sich um echte Replikate handelt - nur um zu überprüfen. Wenn ja, dann würde ich auf jeden Fall die einzelnen Wiederholungen und nicht den Durchschnitt von ihnen einbeziehen. Ein Gegenargument ist jedoch, dass Sie den Mittelwert und die Standardabweichung schätzen und diese modellieren könnten, um Bedingungen zu finden, die Ihnen sowohl die minimale mittlere Zeit als auch die minimale Variation in der Zeit liefern.
Mein letzter Kommentar ist, dass Fit Definitive Screening ein wunderbares, spezialisiertes Tool ist. Es geht wirklich um die Modellauswahl, und das ist auch schon alles. Ihnen stehen viele weitere Tools zur Auswahl des besten linearen Modells zur Verfügung.
Betreff: Behandlung von Wiederholungen und fehlgeschlagenen Läufen in einem endgültigen Screening-DesignHallo @markbailey , @statmann , @P_Bartel ,
Vielen Dank für die Gedanken! Ich habe meine Datentabelle angehängt, damit Sie replizieren können, was ich sehe, falls das hilfreich ist. Im Moment sind die Zellen ohne Wert in der Spalte "Zeit" die fehlgeschlagenen Läufe. Ohne einen Wert wird das Fit Definitive Screen-Skript nicht ausgeführt. Wenn ich diese Zeilen/Läufe ausschließe, wird das Skript immer noch nicht ausgeführt. Wenn ich zufällige Werte zuweise, wird es ausgeführt. Ich weiß, dass es am besten ist, keine Läufe auszuschließen, da dies dem Modell schaden würde, aber da ich beim Erstellen der Tabelle 8 zusätzliche Läufe hinzugefügt habe, hatte ich gehofft, dass das Verlieren von 4 durch Fehler immer noch funktionieren könnte. Ich war nur überrascht, dass das Skript es nicht einmal versucht! Ich habe damit begonnen, den Ansatz zu versuchen @P_Bartel vorgeschlagen und ich habe dort auch Fragen, aber das sollte wahrscheinlich ein anderer Thread sein und ich möchte zuerst etwas mehr Zeit damit verbringen. Um einige der anderen Fragen zu beantworten, die aufgekommen sind:
- Ja, ich kann versuchen, eine andere Metrik als "Time to Completion" zu verwenden. Der einzige, an den ich denken könnte, ist "Time left in experiment", und versuchen Sie, diesen Wert zu maximieren (er wäre Null für die fehlgeschlagenen Läufe). Dies ist eine biochemische Reaktion, die ein Signal erzeugt, das mit der Zeit ansteigen soll, bis es ein Maximum erreicht. Bei den fehlgeschlagenen Läufen wurde nie ein Signal erzeugt, daher habe ich keinen anderen Wert, den ich verwenden könnte.
- Ich habe versucht, den fehlgeschlagenen Läufen Werte zuzuweisen, z. B. Zahlen, die größer als die Dauer des Experiments sind, oder nur sehr große Zahlen (ungefähr eine Zeit von unendlich, weil es nie funktioniert hat). Diese scheinen das Modell wirklich zu verzerren und alles zu machen andere Datenpunkte weniger wirkungsvoll.
- Zur Verdeutlichung, meine Wiederholungen sind wirklich Wiederholungen der Laufbedingungen, nicht nur mehrere Messungen desselben Laufs. Insgesamt haben wir also 31*8 = 248 Reaktionen durchgeführt. Diese Reaktionen weisen natürlich eine gewisse Variabilität auf, daher sind Wiederholungen wichtig. Die aktuellen Werte in der Tabelle sind der Mittelwert der 8 Läufe. Ich dachte, es wäre sinnvoll, die Daten aus jedem Lauf in das Modell aufzunehmen, aber wenn ich versuche, zusätzliche Läufe zur Tabelle hinzuzufügen, wird das Fit Definitive Screening-Skript nicht ausgeführt.
- Um "Was habe ich aus den Fehlern gelernt" anzusprechen: Wenn ich mir die fehlgeschlagenen Läufe ansehe, haben 3 von 4 eine Kombination aus Low Mg und High Log2X1. Es war zu erwarten, dass dies der Reaktion abträglich wäre, und ich hatte überlegt, eine Einschränkung einzurichten, damit diese Kombination nicht verwendet werden kann, aber die DSD erlaubte es nicht. Wenn ich ein benutzerdefiniertes DOE gemacht hätte, hätte ich diese Einschränkung gemacht. (obwohl es Fälle gibt, in denen Low Mg und High Log2X1 funktioniert haben, ist dies kein garantierter Fehler).
Im Moment werde ich versuchen, diese Daten zu modellieren, indem ich die fehlgeschlagenen Läufe ausschließe, einschließlich der einzelnen Replikationsdaten, und nicht das Fit Definitive Screening-Skript verwende.
Betreff: Behandlung von Wiederholungen und fehlgeschlagenen Läufen in einem endgültigen Screening-DesignKurze Frage: Wie viel von einer Änderung der Zeit ist von wissenschaftlicher Bedeutung (oder praktischer Bedeutung)?
Betreff: Behandlung von Wiederholungen und fehlgeschlagenen Läufen in einem endgültigen Screening-DesignAlles, was länger als 5 Minuten ist, wäre von Interesse. Für unseren „Mittelpunkt“-Assay für die 3 Blöcke/Operatoren wurde er in 16, 25 und 25 Minuten abgeschlossen (was an sich schon etwas besorgniserregend ist, dass ein Operator irgendwie so viel schneller war).
Viele dieser Bedingungen sind viel schlimmer, aber wir hatten gehofft, Faktoren zu identifizieren, die uns helfen könnten, dieses Timing zu verbessern.
Betreff: Behandlung von Wiederholungen und fehlgeschlagenen Läufen in einem endgültigen Screening-DesignIch habe ein paar Analysen (Fit-Modelle) nach Block durchgeführt und Block als festen Effekt eingeschlossen. Anbei Datenblatt. Die Analyse verwendet gesättigte Modelle und wurde nicht reduziert. Ja, Blockeffekte können ziemlich herausfordernd sein ... was zu vielen Fragen führt.
Betreff: Behandlung von Wiederholungen und fehlgeschlagenen Läufen in einem endgültigen Screening-DesignDanke @statmann ! Ich bin ziemlich neu in der DOE-Modellierung, also versuche ich, meinen eigenen Weg zu den von Ihnen erstellten Modellen zu finden, konzentriere mich aber darauf, den gesamten Datensatz mit Block als festem Effekt zu verwenden, und es scheint, als würde das Einbeziehen der replizierten Daten helfen. Die Unterschiede zwischen den einzelnen Blockmodellen sind sicherlich besorgniserregend. Danke an alle für die Hilfe.
Betreff: Behandlung von Wiederholungen und fehlgeschlagenen Läufen in einem endgültigen Screening-DesignHallo @statmann , das von Ihnen bereitgestellte Modell einschließlich aller Daten und des Blocks als Effekt ist nach dem, was wir über das System wissen, sinnvoll. Ich habe versucht, Ihr Modell neu zu erstellen, hatte aber Schwierigkeiten, insbesondere bin ich mir nicht sicher, wie Sie sich darauf festgelegt haben, die sekundären Wechselwirkungen und quadratischen Effekte für eine Teilmenge der Faktoren (pH, Mg, Log2X2, Log25X3) zu betrachten, die die liefern schöne Krümmung, die wir erwartet hatten.
Ich habe die Strategie ausprobiert @P_Bartel oben erwähnt - Screening der Haupteffekte, dann Kreuzen dieser mit allen möglichen Kombinationen von Faktoren. Ich habe auch versucht, die schrittweise lineare Regression auf verschiedene Arten zu verwenden. Aber nichts hat mich zu etwas so Vorhersagendem geführt wie das, was Sie bereitgestellt haben, und ich würde nur gerne wissen, wie Sie dahin gekommen sind. Jeder Einblick in Ihren Denkprozess wäre willkommen! Oder wenn es eine bestimmte Hilfeseite gibt, auf der ich nachlesen sollte, lassen Sie es mich bitte wissen.
Betreff: Behandlung von Wiederholungen und fehlgeschlagenen Läufen in einem endgültigen Screening-DesignMein Denkprozess bei der Analyse von DOE-Daten besteht darin, mit einem gesättigten Modell zu beginnen. Dies nennt man die subtraktiv Ansatz zur Modellerstellung (im Gegensatz zum additiven Ansatz, wie dies schrittweise der Fall ist). Ein gesättigtes Modell liegt vor, wenn alle Freiheitsgrade zugewiesen sind. In Ihrem Fall habe ich den Block als festen Effekt behandelt und Block-für-Faktor-Interaktionen einbezogen. Denken Sie bei der Analyse der Ergebnisse zunächst darüber nach, welchen praktischen Effekt jeder Faktor (Modellterm) hat, und achten Sie dann auf die statistische Signifikanz. Entfernen Sie die unbedeutenden Elemente, führen Sie dann das reduzierte Modell erneut aus und analysieren Sie die Residuen. Ich weiß nicht, welche praktische Bedeutung Ihr Datensatz hat, daher konnte ich das Modell nicht reduzieren.
