Commentaires sur le DOE personnalisé pour prédire la proportion de rejetsL'arrière-plan
J'ai récemment mené une étude pilote avec 5 échantillons d'aliments différents qui ont varié « amidon », « sucre » et « sel » comme facteurs continus.Chacun des 5 échantillons d'aliments a été goûté par 150 panélistes chacun, qui ont accepté ou rejeté l'échantillon.Le pourcentage de panélistes qui rejettent est ce que je voudrais modéliser en fonction de mes trois facteurs continus.
Mon étude pilote a donné des informations intéressantes qui correspondent à ce que j'attendais, mais comme je n'avais que 5 échantillons différents, ma modélisation s'est limitée à l'utilisation des termes "Sugar" et "Sugar*Sugar".J'ai utilisé un modèle GLM --> Normal --> Logit, car je sais qu'il y a une courbure et je veux que ma sortie soit limitée à 0 - 1 puisqu'il s'agit d'un pourcentage.J'ai joint ma table de données avec le GLM enregistré ("Pilot Data SSS-Prej_Sugar Logit Model").Elle repose sur une approche Mark Bailey avait recommandé dans un post précédent pour les données de proportion.
Prochaines étapes
Mes prochaines étapes consistent à tester davantage d'échantillons d'aliments qui ont des niveaux variés d'« amidon », de « sucre » et de « sel » afin que je puisse produire un résultat exact et précis. multivarié modèle (au lieu des seuls termes "Sugar" et "Sugar*Sugar") pour estimer le pourcentage de panélistes rejetant.Je voudrais capturer à la fois les effets principaux et les effets croisés.Pour cela, j'ai utilisé la plateforme DOE --> Custom Design et défini les paramètres suivants :
Réponses : Pourcentage de rejet, objectif de minimiser, limite inférieure = 0, limite supérieure = 1
Les facteurs: "Amidon" (38 - 55), "Sucre" (15 - 36), "Sel" (23 - 50) comme facteurs faciles continus, puis j'ai utilisé le RSM pour obtenir des termes croisés.J'ai supprimé certains termes de sorte que j'ai eu 1 interception, les 3 effets principaux et 4 termes croisés.
Répliques : 5
Points centraux : 0
Nombre de courses : 40 (on a le budget pour ça)
Blocs aléatoires : 8
La conception/le tableau est joint en tant que "Exemple de conception personnalisée SSS-Prej"
Mes questions
1. Une fois que j'ai exécuté mes expériences et obtenu mes données, j'ai à nouveau la possibilité d'essayer différents modèles.Pour récapituler, mon objectif est de pouvoir prédire comment mes trois facteurs influenceraient la proportion de rejeteurs, et potentiellement de trouver des minima et des maxima pour la proportion de rejeteurs.Je m'attends à ce qu'il y ait une courbure dans au moins deux des termes ("sucre" et "sel").Y a-t-il des problèmes avec GLM --> Normal --> Logit ?
2. La raison pour laquelle je pose la question est que je suivais un exercice du livre "JMP Start Statistics" en utilisant l'ensemble de données "Reactor 20 Custom" pour une expérience de dépistage (pour examiner le pourcentage de réaction), mais l'exercice utilisait le "Standard Moindres carrés" + Approche de dépistage des effets même si la sortie (pourcentage de réaction) est théoriquement contrainte de 0 à 1. Cette page décrit cet exercice comme un devoir à la maison.
3. En pratique, je ne peux pas suivre exactement les niveaux de conception personnalisés, mais j'ai une bibliothèque d'échantillons parmi lesquels je peux choisir qui ont différents niveaux de "amidon", "sucre" "sel" pour les tests.Il s'avère que "Sugar" et "Salt" sont également modérément colinéaires (je n'ai pas beaucoup de contrôle sur cela) .Voir le tableau suivant ("Exemples de candidats pour le modèle SSS-Prej").Dois-je m'inquiéter de la qualité de mon DOE et de mon approche compte tenu des préoccupations ci-dessus ?
Merci pour toute aide que vous pouvez fournir.
AnalytiqueTableau de donnéesBICHEmacOSObjet : Commentaires sur le DOE personnalisé pour prédire la proportion de rejetsEn fait concernant Les facteurs: "Amidon" (38 - 55), "Sucre" (15 - 36), "Sel" (23 - 50), je n'ai supprimé aucun terme donc c'est juste la surface de réponse complète.J'aurais édité mon message précédent mais je ne vois pas cette capacité.
Objet : Commentaires sur le DOE personnalisé pour prédire la proportion de rejetsVous connaissez le total des réponses. De plus, vous connaissez le nombre d'"acceptés" et de "rejetés". Vous pouvez donc utiliser la régression logistique binaire ou GLM avec une distribution binaire et la fonction de lien logit.
Ce n'est pas grave si vous ne pouvez pas suivre exactement le traitement. Par exemple, s'il appelle Sugar = 15 et qu'il est connu pour être 17, enregistrez les réponses et mettez à jour le paramètre de facteur pour cette exécution. De cette façon, la régression aura tous les niveaux corrects.
Objet : Commentaires sur le DOE personnalisé pour prédire la proportion de rejetsMerci encore Marc.Donc, un contexte supplémentaire que j'ai omis de mentionner dans cet exemple :
J'ai une question conditionnelle pour les rejeteurs uniquement, qui leur demande pourquoi ils ont rejeté l'échantillon.Les rejeteurs sont invités à choisir une raison.
Je suis particulièrement intéressé par la proportion de panélistes totaux qui ont rejeté sur la base de la saveur.Ainsi si sur 200 panélistes au total, 30 d'entre eux ont rejeté le produit et 10 de ceux ont indiqué l'arôme, j'obtiens une proportion de 10/200 = 2%.
Comme je change la saveur de mon produit en fonction de mes ingrédients, je m'attends à ce que la proportion de rejeteurs de saveur change, par exemple 5 %, 10 %, etc.
En fin de compte, je veux être en mesure de prendre une combinaison non testée d'amidon/sucre/sels (dans notre gamme de l'ensemble de formation) et de prédire une proportion de panélistes hypothétiques qui rejetteraient sur la base de la saveur.Cela pourrait nous faire économiser beaucoup de temps et d'argent en n'ayant pas à faire de tests de produits réels.
Ma question ici est de savoir s'il y a des différences avec cette stratégie au lieu de faire, disons, une régression logistique multinomiale sur les comptes bruts avec "n'a pas rejeté", "a rejeté ne pas sur la base de la saveur" et "rejeté sur la base du goût."Ou alternativement, lorsqu'on regarde uniquement le groupe des rejeteurs, s'ils « ont rejeté pas sur la base de la saveur » ou « rejeté sur la base du goût."
J'ai exécuté la régression logistique multinomiale avec mes comptes et j'ai vu qu'avec mon profileur de prédiction, la proportion de "rejets sur la base de la saveur" change continuellement en fonction de la teneur en amidon/sucre/sel, et elle correspond aux proportions réelles.Cependant, ce que j'aime dans le fait de transformer toutes mes données brutes en proportions de groupe et de faire GLM -> Normal -> Logit, c'est que j'obtiens des intervalles de confiance de prédiction (par exemple, 9%, 7-11% de rejet).
De plus, dans l'exemple de "JMP Start Statistics" que j'ai décrit ci-dessus, je suivais un exercice dans le livre "JMP Start Statistics" en utilisant l'ensemble de données "Reactor 20 Custom" pour une expérience de dépistage (pour examiner Pourcentage de réaction ), mais l'exercice a utilisé l'approche « Standard Least Squares » + Effects Screening même si la sortie (pourcentage de réaction) est théoriquement contrainte de 0 à 1. Cette page décrit cet exercice comme un devoir à la maison.Y aurait-il une raison pour laquelle l'exercice recommande les moindres carrés standard qui donnent la possibilité de Pourcentage de réactions valeurs en dehors de 0 - 100 %, par opposition à une approche de modélisation différente ?
