Lo 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.
In 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.
Conosci 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.
