Feedback zu benutzerdefiniertem DOE zur Vorhersage des Anteils der AblehnungenDer Hintergrund
Ich habe kürzlich eine Pilotstudie mit 5 verschiedenen Lebensmittelproben durchgeführt, die „Stärke“, „Zucker“ und „Salz“ als kontinuierliche Faktoren variiert haben.Jede der 5 Lebensmittelproben wurde von jeweils 150 Teilnehmern verkostet, die die Probe entweder annahmen oder ablehnten.Den Prozentsatz der ablehnenden Panelisten möchte ich als Funktion meiner drei kontinuierlichen Faktoren modellieren.
Meine Pilotstudie lieferte einige interessante Erkenntnisse, die mit meinen Erwartungen übereinstimmen, aber da ich nur 5 verschiedene Proben hatte, war meine Modellierung auf die Verwendung der Begriffe „Zucker“ und „Zucker*Zucker“ beschränkt.Ich habe ein GLM --> Normal --> Logit-Modell verwendet, da ich weiß, dass es eine Krümmung gibt, und ich möchte, dass meine Ausgabe auf 0 - 1 begrenzt wird, da es sich um einen Prozentsatz handelt.Ich habe meine Datentabelle mit dem gespeicherten GLM ("Pilot Data SSS-Prej_Sugar Logit Model") angehängt.Es basiert auf einem Ansatz Mark Bailey hatte in einem früheren Beitrag Proportionsangaben empfohlen.
Nächste Schritte
Meine nächsten Schritte bestehen darin, weitere Lebensmittelproben zu testen, die unterschiedliche Gehalte an „Stärke“, „Zucker“ und „Salz“ aufweisen, damit ich ein genaues und präzises Ergebnis erstellen kann multivariat Modell (anstelle der Begriffe „Zucker“ und „Zucker*Zucker“) zum Schätzen des Prozentsatzes ablehnender Diskussionsteilnehmer.Ich möchte sowohl Haupteffekte als auch Kreuzeffekte erfassen.Zu diesem Zweck habe ich die Plattform DOE --> Custom Design verwendet und die folgenden Parameter eingestellt:
Antworten: Ablehnung in Prozent, zu minimierendes Ziel, Untergrenze = 0, Obergrenze = 1
Faktoren: "Stärke" (38 - 55), "Zucker" (15 - 36), "Salz" (23 - 50) als kontinuierliche einfache Faktoren, und dann habe ich den RSM verwendet, um gekreuzte Begriffe zu erhalten.Ich habe einige Terme entfernt, sodass ich 1 Schnittpunkt, die 3 Haupteffekte und 4 gekreuzte Terme hatte.
Replikate: 5
Mittelpunkte: 0
Anzahl Läufe: 40 (dafür haben wir das Budget)
Zufällige Blöcke: 8
Das Design/die Tabelle ist als "Custom Design SSS-Prej Example" beigefügt.
Meine Fragen
1. Nachdem ich meine Experimente durchgeführt und meine Daten erhalten habe, habe ich erneut die Möglichkeit, verschiedene Modelle auszuprobieren.Um es noch einmal zusammenzufassen, mein Ziel ist es, vorhersagen zu können, wie meine drei Faktoren den Anteil der Ablehner beeinflussen würden, und möglicherweise Minima und Maxima für den Anteil der Ablehner zu finden.Ich gehe davon aus, dass mindestens zwei der Begriffe ("Zucker" und "Salz") eine Krümmung aufweisen.Gibt es Probleme mit GLM --> Normal --> Logit?
2. Der Grund, warum ich frage, ist, dass ich eine Übung im Buch „JMP Start Statistics“ mit dem „Reactor 20 Custom“-Datensatz für ein Screening-Experiment durchgeführt habe (um den Prozentsatz der Reaktion zu sehen), aber die Übung verwendete den „Standard Least Squares" + Effects Screening-Ansatz, obwohl die Ausgabe (Reagierter Prozentsatz) theoretisch auf 0 bis 1 beschränkt ist. Diese Seite beschreibt diese Übung als Hausaufgabe.
3. In der Praxis kann ich den benutzerdefinierten Designebenen nicht genau folgen, aber ich habe eine Bibliothek mit Proben, aus denen ich zum Testen unterschiedliche Ebenen von „Stärke“, „Zucker“ und „Salz“ auswählen kann.Es stellt sich heraus, dass "Sugar" und "Salt" auch mäßig kollinear sind (ich habe nicht viel Kontrolle darüber). .Siehe die folgende Tabelle ("Beispielkandidaten für das SSS-Prej-Modell").Sollte ich mir angesichts der oben genannten Bedenken Sorgen um die Qualität meiner DOE und meines Ansatzes machen?
Vielen Dank für jede Hilfe, die Sie leisten können.
AnalytikDatentabelleDAMHIRSCHKUHMac OSBetreff: Feedback zu benutzerdefiniertem DOE zur Vorhersage des Anteils von AblehnungenEigentlich bzgl Faktoren: "Stärke" (38 - 55), "Zucker" (15 - 36), "Salz" (23 - 50), ich habe keine Begriffe entfernt, also ist es nur die vollständige Antwortfläche.Ich hätte meinen vorherigen Beitrag bearbeitet, aber ich sehe diese Funktion nicht.
Betreff: Feedback zu benutzerdefiniertem DOE zur Vorhersage des Anteils von AblehnungenSie kennen die Gesamtantworten. Außerdem kennen Sie die Zählungen für „akzeptiert“ und „abgelehnt“. Sie können daher die binäre logistische Regression oder GLM mit einer binären Verteilung und der Logit-Link-Funktion verwenden.
Es ist in Ordnung, wenn Sie der Behandlung nicht genau folgen können. Wenn zum Beispiel Sugar = 15 verlangt wird und es ist bekannt, dass es 17 ist, zeichnen Sie die Antworten auf und aktualisieren Sie die Faktoreinstellung für diesen Lauf. Auf diese Weise hat die Regression alle korrekten Ebenen.
Betreff: Feedback zu benutzerdefiniertem DOE zur Vorhersage des Anteils von AblehnungenNochmals vielen Dank Markus.Also ein zusätzlicher Kontext, den ich in diesem Beispiel versäumt habe zu erwähnen:
Ich habe nur eine Bedingungsfrage für die Ablehner, die sie fragt, warum sie die Probe abgelehnt haben.Die Ablehner werden aufgefordert, einen Grund auszuwählen.
Ich interessiere mich besonders für den Anteil der gesamten Diskussionsteilnehmer, die aufgrund des Geschmacks abgelehnt haben.Wenn also von insgesamt 200 Teilnehmern 30 das Produkt ablehnen und 10 von ihnen den Geschmack angeben, erhalte ich einen Anteil von 10/200 = 2 %.
Da ich meinen Produktgeschmack in Abhängigkeit von meinen Zutaten ändere, erwarte ich, dass sich der Anteil der Aromaunterdrücker ändert, z. B. 5 %, 10 % usw.
Letztendlich möchte ich in der Lage sein, eine ungetestete Kombination aus Stärke/Zucker/Salzen (innerhalb unseres Bereichs des Trainingssatzes) zu nehmen und einen Anteil hypothetischer Testpersonen vorherzusagen, die aufgrund des Geschmacks ablehnen würden.Dies könnte uns viel Zeit und Geld sparen, da wir keine tatsächlichen Produkttests durchführen müssen.
Meine Frage hier ist, ob es Unterschiede zu dieser Strategie gibt im Gegensatz zu einer multinomialen logistischen Regression auf die rohen Zählungen mit "hat nicht abgelehnt", "abgelehnt". nicht an die Grundlage des Geschmacks" und "abgelehnt an die Grundlage des Geschmacks."Oder alternativ, wenn man nur die Gruppe der Ablehner betrachtet, ob sie "abgelehnt" haben nicht auf aufgrund des Geschmacks" oder "abgelehnt an die Grundlage des Geschmacks."
Ich habe die multinomiale logistische Regression mit meinen Zählungen durchgeführt und festgestellt, dass sich mit meinem Vorhersageprofiler der Anteil der "Ablehner auf der Grundlage des Geschmacks" als Funktion des Stärke-/Zucker-/Salzgehalts kontinuierlich ändert und mit den tatsächlichen Anteilen übereinstimmt.Was mir jedoch gefällt, wenn ich alle meine Rohdaten in Gruppenanteile umwandele und GLM --> Normal --> Logit mache, ist, dass ich Konfidenzintervalle der Vorhersage erhalte (z. B. 9%, 7-11% Ablehnung).
Außerdem habe ich in dem oben beschriebenen Beispiel „JMP Start Statistics“ eine Übung im Buch „JMP Start Statistics“ mit dem „Reactor 20 Custom“-Datensatz für ein Screening-Experiment durchgeführt (zum Anschauen Prozent reagiert ), aber die Übung verwendete den Ansatz „Standard Least Squares“ + Effects Screening, obwohl die Ausgabe (Reagierter Prozentsatz) theoretisch auf 0 bis 1 beschränkt ist. Diese Seite bezeichnet diese Übung als Hausaufgabe.Gäbe es einen Grund dafür, warum die Übung Standard-Kleinste-Quadrate-Methoden empfiehlt, die die Möglichkeit bieten Prozent reagiert Werte außerhalb von 0 - 100 %, im Gegensatz zu einem anderen Modellierungsansatz?
