Analizzare l'esperimento di screening<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />CIAO,
Ho alcune domande su come analizzare il mio esperimento di screening, sto utilizzando JMP 10.
Ho 5 fattori a due livelli. Ho realizzato un disegno di screening, un disegno fattoriale frazionario con risoluzione IV, e ho aggiunto due punti centrali. Le interazioni a due fattori creavano confusione, quindi ho aumentato il progetto per risolverle. Il mio progetto non è ortogonale a causa delle difficoltà nel controllare alcune condizioni durante l'esperimento (ad esempio, la temperatura non poteva essere mantenuta a 20°C, si è rivelata essere 22°C). Vorrei scoprire quali parametri sembrano influenzare la risposta, quanto sono grandi questi effetti e, se posso, anche se c'è un segno di curvatura nel modello.
Se utilizzo la piattaforma di screening, verranno evidenziati alcuni fattori: effetti principali, alcune interazioni a due fattori ma anche due termini quadratici.
- Qual è il requisito affinché il fattore venga evidenziato?
Quando premo "Crea modello" con questi fattori evidenziati, i due termini quadratici non sono significativi (Prob>t è 0,08 e 0,17).
- Come mai sono evidenziati dalla Piattaforma di Screening, ma non significativi in questo modello?
- Come dovrei interpretare il risultato (le loro stime sono -1,02 e 0,78)? Che sembra esserci una curvatura (anche se non significativa)? Ma creano confusione, quindi non posso dire quali termini quadratici diano l'effetto.
- Non dovrei includerli nel modello?
- L'RSquare Adj è 0,88 per il primo modello e 0,57 quando escludo i termini quadratici.
- Devo aggiungere termini assiali per ottenere termini quadratici significativi?
Dovrei invece utilizzare un altro metodo, un modello di adattamento o una regressione graduale?
Molte domande, spero che qualcuno possa aiutarmi a risolverne alcune. Grazie in anticipo!
Re: Analizzare l'esperimento di screeningComponente aggiuntivo per DSD
Componente aggiuntivo per la progettazione dello screening definitivo
Re: Analizzare l'esperimento di screeningDue cose da aggiungere ai commenti di Mark:
Dopo aver adattato il modello, vai al punto rosso vicino alla barra del titolo del modello di adattamento e vai a Diagnostica riga e seleziona "Traccia residuo in base alla previsione".Osserva il grafico e cerca uno o più modelli che suggerirebbero una curvatura o qualche altra tendenza dei tuoi dati.
Inoltre, a seconda della versione di JMP in uso, dovresti prendere in considerazione l'utilizzo del progetto di screening definitivo per il tuo prossimo DOE.In questo modo avrai il minor numero di esecuzioni necessarie per trovare molti, se non tutti, i fattori attivi (importanti), inclusi i termini di curvatura, per il tuo modello.Nel tuo caso di 5 fattori continui, il tuo progetto sarebbe potenzialmente composto da 11 esecuzioni.
Migliore,
Conto
Re: Analizzare l'esperimento di screeningLa piattaforma Screening utilizza alpha = 0.1 per selezionare i contrasti. Questo criterio rappresenta il doppio del rischio di errore di tipo I (falsi positivi) rispetto al criterio spesso utilizzato di 0,05 per alfa. Questo aumento del rischio è accettabile perché si continuerà a includere tali fattori e con prove più empiriche si deciderà se confermarli come effetti reali o meno e perché diminuisce il rischio di errore di tipo II (falsi negativi). Questo compromesso è auspicabile perché non continuerai a esaminare fattori che si ritiene non abbiano alcun effetto. Questo compromesso è utile perché gli esperimenti di screening sono generalmente piccoli e di dimensioni fisse, quindi non è possibile aumentare la potenza con più esecuzioni. Per ora, includerei tutti e sei i fattori fino a quando ulteriori prove non dimostreranno che uno o più di essi non confermano.
Sono confuso riguardo ai termini quadratici nel tuo modello. Non dovrebbero essere presenti i trattamenti necessari nel progetto di screening per supportare la stima dei termini quadratici nel modello. Hai solo punti centrali.
In genere non consigliamo di rimuovere tutti i termini che non sono risultati significativi nell'adattamento iniziale del modello ai dati. È una buona idea rimuovere in modo conservativo il termine meno significativo che non rompa la gerarchia del modello e riadattare il modello. Iterare in questo modo è più sicuro perché il valore p di qualsiasi termine dipende dagli altri termini del modello e quindi tutti cambieranno man mano che si semplifica il modello lineare.
Aumentare la progettazione man mano che procedi è un ottimo modo per aumentare in modo incrementale le prove empiriche man mano che estendi e confermi il tuo modello.
Ri: Analizzare l'esperimento di screeningGrazie per le vostre utili risposte!
Sì, ho solo fattori continui e mi sbagliavo nel mio post precedente: ho aggiunto 4 punti centrali e non 2.
Come decido quali fattori includere nel modello?
Se inizio utilizzando la piattaforma di screening e metto in evidenza 6 fattori. Ne faccio un modello, ma nel modello solo quattro sono significativi. Dovrei fare un nuovo modello solo con quelli significativi? E poi analizzare quel modello in base alla mancanza di adattamento, al quadrato R corretto, ecc.
Capisco che la trama seminormale sia utile. Le stime dei termini inattivi cadranno sulla linea che ha pendenza δ, perché rappresentano rumore casuale che segue la distribuzione normale.
Sarebbe opportuna la seguente procedura?Utilizzo della piattaforma di screening:
Crea un modello (adatto ai minimi quadrati) con i termini che sono lontani dalla linea nel grafico seminormale, ma escludendo i termini quadratici.
Crea un nuovo modello con solo i termini significativi (ma pur sempre un modello gerarchico se sono presenti interazioni a due fattori).
-Devo rimuovere un fattore alla volta, quello con il livello di significatività più basso, e creare un nuovo modello? Oppure dovrei rimuovere tutti i termini insignificanti contemporaneamente?
E poi analizzare il modello secondo la discussione precedente.
Ri: Analizzare l'esperimento di screeningNon mi preoccuperei del fatto che i tuoi livelli non fossero esattamente quelli richiesti dal trattamento. Assicurati di aggiornare il valore nella tabella dati prima dell'analisi! La correlazione introdotta (non ortogonalità) da queste deviazioni dovrebbe essere piccola e quindi non costituisce un problema: la regressione può gestire bene tali anomalie.
Ti consiglio di studiare il capitolo sulla piattaforma Screening nella guida. (Aiuto > Libri, > Guida alla progettazione degli esperimenti) Queste informazioni contribuiranno notevolmente a prepararti all'utilizzo di questa piattaforma e a rispondere alle tue domande.
Alcuni punti che potresti considerare:
- I contrasti con un valore p individuale < 0,1 vengono selezionati automaticamente. Puoi sovrascrivere la selezione facendo clic e tenendo premuto il tasto Control sui contrasti per aggiungere o rimuovere contrasti dall'insieme corrente di contrasti selezionati.
- I valori p nella piattaforma di screening dipendono dal modello attuale, ovvero da quali altri termini sono inclusi nel modello. Quando fai clic su Crea modello, vengono inclusi solo i termini selezionati, quindi i valori p cambieranno. Inoltre, i contrasti vengono utilizzati dalla piattaforma Screening mentre Adatta ai minimi quadrati utilizza le stime dei parametri. Quando le stime non sono ortogonali, ci sarà una differenza tra loro e contrasti, portando a un cambiamento nei valori p associati.
- Puoi utilizzare il test di mancanza di adattamento in Adatta ai minimi quadrati per aiutarti a decidere se è presente una curvatura. Rimuoverei prima i termini quadratici. Comprendi anche che questo test è debole poiché avrà solo 1 grado di libertà da 2 punti centrali. Se questo test è significativo, allora hai prove di curvatura e ciò supporterebbe uno o entrambi i termini quadratici.
- Non sono disponibili tutti i trattamenti necessari nella matrice di progettazione per supportare una matrice modello (regressione) con entrambi i termini quadratici. Se decidi che la curvatura è significativa, puoi aumentare il progetto con nuove esecuzioni. (DOE > Progettazione potenziamento. Studia il capitolo della guida sull'aumento di un progetto.) Senza l'aumento, dovresti fare affidamento su convinzioni basate sulla conoscenza esterna per selezionare uno dei termini quadratici. Non c'è supporto per tale selezione in questo set di dati.
- Il quadrato R aumenta sempre quando aggiungi un termine e diminuisce sempre quando rimuovi un termine, indipendentemente dal suo significato per il modello. Il quadrato R modificato generalmente si comporta allo stesso modo ma la sua penalità rende l'interpretazione più complicata. Stai utilizzando il quadrato R modificato per la selezione del modello?
- La piattaforma di screening presuppone che tutti i fattori siano continui. Presumo che lo siano perché hai aggiunto punti centrali.
Puoi anche provare la funzionalità della piattaforma Stepwise di Tutti i modelli possibili con solo cinque fattori.
