関数実験計画法 - カテゴリ因子こんにちは、
カテゴリカル因子を含む Functional Data Explorer プラットフォームの Functional Design of Experiments を使用する必要がありますか?
2 つのカテゴリ因子と 1 つの連続因子 (3 レベル) を使用して完全な要因別 DoE を実行しました。 私の答えは曲線です (% 収率と 3 時点のポイント)。 この場合、Functional Data Explorer を使用する必要がありますか?
どうもありがとうございます！
データの探索と視覚化実験計画法Re: 関数実験計画 - カテゴリ因子それが賢明かどうか、それともどうすればよいかを尋ねているのですか？
原則として曲線を関数応答として分析できるはずですが、3 つの点はそれほど関数ではありません。 FDE と線形回帰を保証するのに十分な詳細が存在しない可能性があります。 分析およびクロス項に共変量として時間を含めて、共変量効果と因子水準の間の交互作用をモデル化できます。 つまり、機能は条件に依存します。
読んだことがありますか機能的応答を使用した実験の分析に関するドキュメント?
試してみる価値はあると思います！
Re: 関数実験計画 - カテゴリ因子こんにちは、ソフィアさん
曲線の形状が理解に不可欠な場合は、関数データ エクスプローラー ツールで 3 つの時点を使用できます。 として@Mark_Bailey前述したように、3 タイム ポイントでは分解能が低下しますが、3 タイム ポイントのみの表示に満足する場合は、FDE を使用して貴重な洞察を提供するモデルを生成できます。
示すために、カテゴリー (細胞株) 因子と数値 (マルトース %) 因子を使用して記録された 3 つの時点のみを含む単純化された増殖曲線の例を添付し、Functional Data Analyzer と Fit Curve/Curve DoE を使用してモデルを生成しました。ツールを使用します (データ テーブルの左側にある緑色のスクリプト ボタンをクリックするだけです)。 フィット曲線は、理論的理解に基づいて、予想/事前に決定された形状 (つまり、シグモイド、成長/減衰) で曲線をモデル化するのに役立ち、曲線を「滑らか」にすることができます。
FDE からの出力
Fit Curve を使用した Curve DoE からの出力 - 「ロジスティック 3P」シグモイド曲線に適合するように時系列がどのように平滑化されるかに注目してください
それが役立つかどうか教えてください。
ありがとう、
ベン
Re: 関数実験計画 - カテゴリ因子どうもありがとう@Mark_Baileyそして@ベンガム素早い対応をしていただきありがとうございます:)
これは、FDE をより深く理解し、データを探索するための新しいアプローチを見つけるのに本当に役立ちました。
