Der 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.
Eigentlich 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.
Sie 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.
