Feedback su DOE personalizzato per prevedere la proporzione di rifiutiLo sfondo
Di recente ho condotto uno studio pilota con 5 diversi campioni di cibo che hanno variato "amido", "zucchero" e "sale" come fattori continui.Ciascuno dei 5 campioni di cibo è stato assaggiato da 150 relatori ciascuno, che hanno accettato o rifiutato il campione.La percentuale di relatori che hanno rifiutato è quella che vorrei modellare in funzione dei miei tre fattori continui.
Il mio studio pilota ha prodotto alcuni spunti interessanti che sono in linea con quello che mi aspettavo, ma poiché avevo solo 5 campioni diversi, la mia modellazione si è limitata all'uso del termine "Sugar" e "Sugar*Sugar".Ho usato un modello GLM --> Normal --> Logit, poiché so che c'è una curvatura e voglio che il mio output sia limitato a 0 - 1 poiché è una percentuale.Ho allegato la mia tabella dati con il GLM salvato ("Pilot Data SSS-Prej_Sugar Logit Model").Si basa su un approccio Mark Bailey aveva raccomandato in un post precedente i dati sulle proporzioni.
Prossimi passi
I miei prossimi passi sono testare più campioni di cibo che hanno vari livelli di "amido", "zucchero" e "sale" in modo da poter produrre un multivariato modello (invece dei soli termini "Sugar" e "Sugar*Sugar") per stimare la percentuale di relatori che hanno rifiutato.Vorrei catturare sia gli effetti principali che gli effetti incrociati.A tal fine, ho utilizzato la piattaforma DOE -> Custom Design e ho impostato i seguenti parametri:
Risposte: Percentuale di rifiuto, obiettivo da ridurre al minimo, limite inferiore = 0, limite superiore = 1
Fattori: "Amido" (38 - 55), "Sugar" (15 - 36), "Sale" (23 - 50) come fattori facili continui, e poi ho usato l'RSM per incrociare i termini.Ho rimosso alcuni termini in modo tale da avere 1 intercettazione, i 3 effetti principali e 4 termini incrociati.
Repliche: 5
Punti centrali: 0
Numero di corse: 40 (abbiamo il budget per quello)
Blocchi casuali: 8
Il disegno/tabella è allegato come "Esempio SSS-Prej di progettazione personalizzata"
Le mie domande
1. Dopo aver eseguito i miei esperimenti e ottenuto i miei dati, ho ancora una volta la possibilità di provare diversi modelli.Per ricapitolare, il mio obiettivo è essere in grado di prevedere come i miei tre fattori influenzerebbero la proporzione di respinti e potenzialmente trovare minimi e massimi per la proporzione di respinti.Mi aspetto che ci sia una curvatura in almeno due dei termini ("Zucchero" e "Sale").Ci sono problemi con l'utilizzo di nuovo di GLM --> Normal --> Logit?
2. Il motivo per cui lo chiedo è perché stavo seguendo un esercizio nel libro "JMP Start Statistics" utilizzando il set di dati "Reactor 20 Custom" per un esperimento di screening (per esaminare la percentuale di reazione), ma l'esercizio utilizzava lo "Standard Least Squares" + Effects Screening si avvicina anche se l'output (Percent Reacted) è teoricamente vincolato da 0 a 1. Questa pagina descrive questo esercizio come un compito a casa.
3. In pratica non posso seguire esattamente i livelli di progettazione personalizzati, ma ho una libreria di campioni tra cui posso scegliere che hanno livelli variabili di "amido" "zucchero" "sale" per i test.Si scopre che anche "Sugar" e "Salt" sono moderatamente collineari (non ho molto controllo su questo) .Vedere la tabella seguente ("Esempi di candidati per il modello SSS-Prej").Dovrei preoccuparmi della qualità del mio DOE e del mio approccio date le preoccupazioni di cui sopra?
Grazie per tutto l'aiuto che puoi fornire.
AnaliticaTabella datiDOEMac OSRe: Feedback su DOE personalizzato per prevedere la proporzione di rifiutiIn realtà per quanto riguarda Fattori: "Amido" (38 - 55), "Sugar" (15 - 36), "Salt" (23 - 50), non ho rimosso alcun termine, quindi è solo l'intera superficie di risposta.Avrei modificato il mio post precedente ma non vedo quella capacità.
Re: Feedback su DOE personalizzato per prevedere la proporzione di rifiutiConosci le risposte totali. Inoltre, conosci i conteggi "accettati" e "rifiutati". È quindi possibile utilizzare la regressione logistica binaria o GLM con una distribuzione binaria e la funzione di collegamento logit.
Va bene se non riesci a seguire esattamente il trattamento. Ad esempio, se richiede Sugar = 15 ed è noto che è 17, registra le risposte e aggiorna l'impostazione del fattore per quella corsa. In questo modo, la regressione avrà tutti i livelli corretti.
Re: Feedback su DOE personalizzato per prevedere la proporzione di rifiutiGrazie ancora Marco.Quindi un contesto aggiuntivo che ho trascurato di menzionare in questo esempio:
Ho una domanda condizionale solo per i respinti, che chiede loro perché hanno rifiutato il campione.Ai respinti viene richiesto di scegliere un motivo.
Sono particolarmente interessato alla proporzione di relatori totali che hanno rifiutato sulla base del gusto.Quindi se su 200 relatori in totale, 30 hanno rifiutato il prodotto e 10 hanno indicato il sapore, ottengo una proporzione di 10/200 = 2%.
Dato che cambio il sapore del prodotto in funzione dei miei ingredienti, mi aspetto che la proporzione di prodotti che rifiutano il sapore cambi, ad esempio 5%, 10%, ecc.
In definitiva, voglio essere in grado di prendere una combinazione non testata di amido/zucchero/sale (all'interno della nostra gamma del set di allenamento) e prevedere una proporzione di ipotetici relatori che rifiuterebbero sulla base del sapore.Questo potrebbe farci risparmiare un sacco di tempo e denaro nel non dover eseguire test reali del prodotto.
La mia domanda qui è se ci sono differenze con quella strategia invece di dire una regressione logistica multinomiale sui conteggi grezzi con "non ha rifiutato", "rifiutato non su la base del sapore" e "rifiutato su la base del sapore."O in alternativa, guardando solo al gruppo di respinti, se hanno "rifiutato". Non sopra la base del sapore" o "rifiutato su la base del sapore."
Ho eseguito la regressione logistica multinomiale con i miei conteggi e ho visto che con il mio profilatore di previsione, la proporzione di "rifiuti in base al sapore" cambia continuamente in funzione del contenuto di amido/zucchero/sale e corrisponde alle proporzioni effettive.Tuttavia, quello che mi piace di trasformare tutti i miei dati grezzi in proporzioni di gruppo e fare GLM --> Normal --> Logit è che ottengo intervalli di confidenza di previsione (ad es. 9%, 7-11% di rifiuto).
Inoltre, nell'esempio di "JMP Start Statistics" che ho descritto sopra, stavo seguendo un esercizio nel libro "JMP Start Statistics" utilizzando il set di dati "Reactor 20 Custom" per un esperimento di screening (da guardare Percentuale di reazione ), ma l'esercizio ha utilizzato l'approccio "Standard Least Squares" + Effects Screening anche se l'output (Percent Reacted) è teoricamente vincolato da 0 a 1. Questa pagina descrive questo esercizio come un compito a casa.Ci sarebbe una ragione per cui l'esercizio raccomanda i minimi quadrati standard che danno la possibilità di La percentuale ha reagito valori al di fuori di 0 - 100%, al contrario di un approccio di modellazione diverso?
