Josef G. Ramírez, PhD, Chefstatistiker, Quality Excellence Group, Amgen
Dieses Papier wurde zu einem der drei Finalisten für das beste Beitragspapier gewählt.
Nach der Analyse eines entworfenen Experiments mit mehreren Antworten kann man am Ende eine große Anzahl reduzierter Modelle haben, die eine Funktion mehrerer experimenteller Faktoren sind. Wie bestimmen wir, welche dieser Modelle gut für Vorhersagen sind? Wie beurteilen wir, welche experimentellen Faktoren bei allen Antworten am wichtigsten sind? Das Box-Wetz-Kriterium ist ein nützliches Maß für die Vorhersagegüte für statistische Modelle, das die durchschnittliche Änderung einer Antwort mit dem durchschnittlichen Schätzfehler vergleicht. Die Sobol-Zerlegung liefert Sensitivitätsindizes, die bei der Bewertung der Bedeutung der experimentellen Faktoren über mehrere Antworten hinweg sehr hilfreich sind. Anhand von Beispielen aus der Biotechnologieindustrie demonstrieren wir ein JMP-Skript, das das Box-Wetz-Kriterium für ein gegebenes Modell berechnet, und diskutieren dessen Interpretation. Wir werden auch zeigen, wie die vom „Prediction Profiler > Assess Variable Importance“ generierten Sensitivitätsindizes verwendet werden können, um die Bedeutung experimenteller Faktoren über mehrere Antworten hinweg zu priorisieren.
