거부자 비율을 예측하기 위한 맞춤형 DOE에 대한 피드백배경
저는 최근에 "전분", "설탕" 및 "소금"을 연속 요인으로 다양하게 하는 5가지 식품 샘플을 사용하여 파일럿 연구를 실행했습니다.5가지 식품 샘플 각각을 150명의 패널리스트가 맛보고 샘플을 수락하거나 거부했습니다.패널리스트를 거부하는 비율은 세 가지 연속 요소의 함수로 모델링하고 싶은 것입니다.
내 파일럿 연구는 내 예상과 일치하는 몇 가지 흥미로운 통찰력을 얻었지만 5개의 다른 샘플만 있기 때문에 내 모델링은 "설탕" 및 "설탕*설탕" 용어만 사용하는 것으로 제한되었습니다.GLM --> 일반 --> 로짓 모델을 사용했습니다. 곡률이 있다는 것을 알고 있고 백분율이므로 출력을 0 - 1로 제한하고 싶습니다.저장된 GLM("파일럿 데이터 SSS-Prej_Sugar Logit 모델")이 있는 데이터 테이블을 첨부했습니다.접근 방식을 기반으로 합니다. Mark Bailey는 이전 게시물에서 비율 데이터를 권장했습니다.
다음 단계
다음 단계는 "전분", "설탕" 및 "소금" 수준이 다양한 식품 샘플을 더 많이 테스트하여 정확하고 정확한 제품을 만드는 것입니다. 다변수 패널리스트를 거부하는 비율을 추정하기 위한 모델(단지 "설탕" 및 "설탕*설탕" 용어 대신).주 효과와 교차 효과를 모두 캡처하고 싶습니다.이를 위해 DOE --> Custom Design 플랫폼을 사용하고 다음 매개변수를 설정했습니다.
응답: 거부 비율, 최소화할 목표, 하한값 = 0, 상한값 = 1
요인: "전분"(38 - 55), "설탕"(15 - 36), "소금"(23 - 50)을 연속 쉬운 요인으로 사용하고 RSM을 사용하여 교차 용어를 얻었습니다.1개의 절편, 3개의 주효과, 4개의 교차 항이 있는 일부 항을 제거했습니다.
복제: 5
중심점: 0
실행 횟수: 40 (우리는 그것에 대한 예산이 있습니다)
랜덤 블록: 8
디자인/테이블은 "Custom Design SSS-Prej Example"로 첨부됩니다.
내 질문
1. 실험을 실행하고 데이터를 얻은 후에는 다른 모델을 시도할 수 있는 옵션이 다시 나타납니다.요약하자면, 제 목표는 세 가지 요소가 거부자 비율에 어떻게 영향을 미칠지 예측하고 잠재적으로 거부자 비율에 대한 최소값과 최대값을 찾는 것입니다.나는 적어도 두 가지 용어("설탕"과 "소금")에 곡률이 있을 것으로 예상합니다.GLM --> 일반 --> 로짓으로 다시 이동하는 데 문제가 있습니까?
2. 내가 묻는 이유는 선별 실험(반응률을 보기 위해)을 위해 "Reactor 20 Custom" 데이터 세트를 사용하여 "JMP Start Statistics" 책의 연습을 따르고 있었지만 연습은 "Standard 출력(반응률)이 이론적으로 0에서 1로 제한되더라도 최소 제곱" + 효과 스크리닝 접근 방식. 이 페이지 은 이 운동을 숙제로 설명합니다.
3. 실제로 사용자 정의 디자인 수준을 정확히 따를 수는 없지만 테스트를 위해 "전분" "설탕" "소금" 수준이 다양한 샘플 라이브러리를 선택할 수 있습니다."설탕"과 "소금"도 적당히 공선적이라는 것이 밝혀졌습니다. .다음 표("SSS-Prej 모델의 후보 예")를 참조하십시오.위의 우려 사항을 감안할 때 DOE 및 접근 방식의 품질에 대해 우려해야 합니까?
도움을 주시면 감사하겠습니다.
해석학데이터 테이블암사슴맥 OSRe: 거부자 비율을 예측하기 위한 맞춤형 DOE에 대한 피드백실제로 관련하여 요인: "전분"(38 - 55), "설탕"(15 - 36), "소금"(23 - 50), 용어를 제거하지 않았으므로 전체 응답 표면일 뿐입니다.이전 게시물을 수정했지만 해당 기능이 표시되지 않습니다.
Re: 거부자 비율을 예측하기 위한 맞춤형 DOE에 대한 피드백전체 응답을 알고 있습니다. 또한 "수락" 및 "거부" 카운트를 알고 있습니다. 따라서 이진 분포 및 로짓 연결 함수와 함께 이진 로지스틱 회귀 또는 GLM을 사용할 수 있습니다.
치료를 정확히 따를 수 없어도 괜찮습니다. 예를 들어 Sugar = 15를 요구하고 17로 알려진 경우 응답을 기록하고 해당 실행에 대한 요인 설정을 업데이트합니다. 이렇게 하면 회귀가 모든 올바른 수준을 갖게 됩니다.
Re: 거부자 비율을 예측하기 위한 맞춤형 DOE에 대한 피드백마크에게 다시 한 번 감사드립니다.따라서 이 예에서 언급하지 않은 몇 가지 추가 컨텍스트는 다음과 같습니다.
거부자에게만 조건부 질문이 있습니다. 거부자에게 샘플을 거부한 이유를 묻습니다.거부자에게 이유를 선택하라는 메시지가 표시됩니다.
나는 특히 맛을 이유로 거부한 전체 패널리스트의 비율에 관심이 있습니다.따라서 총 200명의 패널리스트 중 30명이 제품을 거부하고 10명이 표시된 풍미를 거부하면 10/200 = 2%의 비율을 얻습니다.
재료의 기능으로 제품 향을 변경함에 따라 향미 거부자의 비율이 변경될 것으로 예상합니다(예: 5%, 10% 등).
궁극적으로 나는 전분/설탕/소금의 테스트되지 않은 조합(훈련 세트의 범위 내)을 취하고 맛을 기준으로 거부할 가상 패널리스트의 비율을 예측할 수 있기를 원합니다.이렇게 하면 실제 제품 테스트를 수행하지 않아도 되므로 많은 시간과 비용을 절약할 수 있습니다.
여기서 내 질문은 그 전략과 차이점이 있는지 여부입니다. "거부하지 않음", "거부됨"으로 원시 카운트에 대한 다항 로지스틱 회귀를 말하는 것과는 대조적으로 ~ 아니다 ~에 맛의 근거", "거부 ~에 맛의 기본."또는 거부자 그룹만 볼 때 "거부되었는지 여부 켜져 있지 않다 맛의 기초" 또는 "거부 ~에 맛의 기본."
내 카운트로 다항 로지스틱 회귀를 실행했고 내 예측 프로파일러를 사용하여 "향을 기반으로 한 거부자" 비율이 전분/설탕/소금 함량의 함수로 지속적으로 변경되고 실제 비율과 일치함을 확인했습니다.그러나 모든 원시 데이터를 그룹 비율로 변환하고 GLM --> 일반 --> 로짓을 수행하는 것에 대해 내가 좋아하는 것은 예측의 신뢰 구간(예: 9%, 7-11% 거부)을 얻는다는 것입니다.
또한 위에서 설명한 "JMP 시작 통계"의 예에서 스크리닝 실험을 위해 "Reactor 20 Custom" 데이터 세트를 사용하여 "JMP 시작 통계" 책의 연습을 따라하고 있었습니다. 반응 비율 ), 그러나 출력(Percent Reactioned)이 이론적으로 0에서 1로 제한되더라도 연습은 "Standard Least Squares" + Effects Screening 접근 방식을 사용했습니다. 이 페이지 은 이 운동을 숙제로 설명합니다.실습에서 다음의 가능성을 제공하는 표준 최소 제곱을 권장하는 이유가 있습니까? 반응 비율 다른 모델링 접근 방식과 달리 0 - 100% 이외의 값은 무엇입니까?
