12375_de-DE

liliconcom

Screening-Experiment analysieren<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />

Hallo,

Ich habe einige Fragen zur Analyse meines Screening-Experiments. Ich verwende JMP 10.

Ich habe 5 Faktoren auf zwei Ebenen. Ich habe einen Screening-Versuchsplan erstellt, einen fraktionierten faktoriellen Versuchsplan mit Auflösung IV, und zwei Mittelpunkte hinzugefügt. Die Zwei-Faktor-Wechselwirkungen waren verwirrend, also habe ich das Design erweitert, um sie zu lösen. Mein Design ist nicht orthogonal, da es während des Experiments schwierig ist, einige Bedingungen zu kontrollieren (z. B. konnte die Temperatur nicht auf 20 °C gehalten werden, es stellte sich heraus, dass sie 22 °C betrug). Ich würde gerne herausfinden, welche Parameter einen Einfluss auf die Antwort zu haben scheinen, wie groß diese Effekte sind und, wenn ich kann, auch, ob es Anzeichen einer Krümmung im Modell gibt.

Wenn ich die Screening-Plattform verwende, werden einige Faktoren hervorgehoben: Haupteffekte, einige Zwei-Faktor-Wechselwirkungen, aber auch zwei quadratische Terme.

- Was ist die Voraussetzung für die Hervorhebung des Faktors?

Wenn ich mit diesen hervorgehobenen Faktoren auf „Modell erstellen“ klicke, sind die beiden quadratischen Terme nicht signifikant (Prob>t ist 0,08 und 0,17).

- Wie kommt es, dass sie von der Screening-Plattform hervorgehoben werden, in diesem Modell jedoch nicht von Bedeutung sind?
- Wie soll ich das Ergebnis interpretieren (ihre Schätzungen liegen bei -1,02 und 0,78)? Dass es eine Krümmung zu geben scheint (auch wenn diese nicht signifikant ist)? Aber sie sind verwirrend, daher kann ich nicht sagen, welche quadratischen Terme den Effekt haben.

- Sollte ich sie nicht in das Modell einbeziehen?

- Der RSquare Adj beträgt 0,88 für das erste Modell und 0,57, wenn ich die quadratischen Terme ausschließe.

- Muss ich axiale Terme hinzufügen, um aussagekräftige quadratische Terme zu erhalten?

Sollte ich stattdessen eine andere Methode, ein Anpassungsmodell oder eine schrittweise Regression verwenden?

Viele Fragen, ich hoffe, jemand kann mir helfen, einige davon zu klären. Dank im Voraus!

Betreff: Screening-Experiment analysieren

Add-In für DSD

Definitives Screening-Design-Add-In

Betreff: Screening-Experiment analysieren

Zwei Dinge sind zu Marks Kommentaren hinzuzufügen:

Nachdem Sie Ihr Modell angepasst haben, gehen Sie zum roten Hotspot neben der Titelleiste des angepassten Modells, gehen Sie zu Zeilendiagnose und wählen Sie „Residuum nach Vorhersage darstellen“.Schauen Sie sich das Diagramm an und suchen Sie nach Mustern, die auf eine Krümmung oder einen anderen Trend Ihrer Daten hinweisen.

Abhängig von der von Ihnen verwendeten JMP-Version sollten Sie außerdem die Verwendung des Definitive Screening Design für Ihr nächstes DOE in Betracht ziehen.Dadurch erhalten Sie die geringste Anzahl an Durchläufen, die erforderlich sind, um viele, wenn nicht alle aktiven (wichtigen) Faktoren, einschließlich Krümmungstermen, für Ihr Modell zu finden.Im Fall von 5 kontinuierlichen Faktoren würde Ihr Entwurf möglicherweise 11 Läufe umfassen.

Am besten,

Rechnung

Betreff: Screening-Experiment analysieren

Die Screening-Plattform verwendet Alpha = 0,1, um Kontraste auszuwählen. Dieses Kriterium stellt das doppelte Typ-I-Fehlerrisiko (falsch positiv) dar als das häufig verwendete Kriterium von 0,05 für Alpha. Dieser Anstieg des Risikos ist akzeptabel, da Sie solche Faktoren weiterhin einbeziehen und mit mehr empirischen Belegen entscheiden werden, ob sie sich als echte Auswirkungen bestätigen oder nicht, und weil dadurch das Fehlerrisiko vom Typ II (falsch-negative Ergebnisse) verringert wird. Dieser Kompromiss ist wünschenswert, da Sie nicht weiterhin Faktoren untersuchen, bei denen festgestellt wurde, dass sie keine Auswirkung haben. Dieser Kompromiss ist nützlich, da Screening-Experimente normalerweise klein und von fester Größe sind, sodass Sie die Leistung nicht mit mehr Durchläufen erhöhen können. Vorerst würde ich alle sechs Faktoren einbeziehen, bis weitere Beweise zeigen, dass einer oder mehrere davon nicht bestätigt werden.

Ich bin verwirrt über die quadratischen Terme in Ihrem Modell. Ihr Screening-Entwurf sollte nicht über die notwendigen Behandlungen verfügen, um die Schätzung der quadratischen Terme im Modell zu unterstützen. Sie haben nur Mittelpunkte.

Wir empfehlen im Allgemeinen nicht, alle Terme zu entfernen, die sich bei der anfänglichen Anpassung des Modells an die Daten als nicht signifikant erwiesen haben. Es ist eine gute Idee, den am wenigsten signifikanten Term, der die Modellhierarchie nicht durchbricht, konservativ zu entfernen und das Modell neu anzupassen. Diese Iteration ist sicherer, da der p-Wert für jeden Term von den anderen Termen im Modell abhängt und sich alle ändern, wenn Sie das lineare Modell vereinfachen.

Die Erweiterung Ihres Entwurfs im weiteren Verlauf ist eine hervorragende Möglichkeit, die empirische Evidenz schrittweise zu erhöhen, während Sie Ihr Modell erweitern und bestätigen.

Betreff: Screening-Experiment analysieren

Vielen Dank für Ihre nützlichen Antworten!

Ja, ich habe nur kontinuierliche Faktoren, und in meinem früheren Beitrag habe ich mich geirrt: Ich habe 4 Mittelpunkte hinzugefügt, nicht 2.

Wie entscheide ich, welche Faktoren in das Modell einbezogen werden sollen?

Wenn ich mit der Nutzung der Screening-Plattform beginne, werden 6 Faktoren hervorgehoben. Ich mache ein Modell mit ihnen, aber im Modell sind nur vier von ihnen von Bedeutung. Soll ich ein neues Modell nur mit den wesentlichen Modellen erstellen? Und dann analysieren Sie dieses Modell nach mangelnder Anpassung, angepasstem R-Quadrat usw.

Ich verstehe, dass die Darstellung der Halbnormalen nützlich ist. Die Schätzungen inaktiver Terme fallen auf die Linie mit Steigung δ, weil sie zufälliges Rauschen darstellen, das der Normalverteilung folgt.

Wäre folgende Vorgehensweise sinnvoll?Nutzung der Screening-Plattform:

Erstellen Sie ein Modell (Anpassung der kleinsten Quadrate) mit den Termen, die weit von der Linie im Halbnormaldiagramm entfernt sind, schließen Sie jedoch die quadratischen Terme aus.
Erstellen Sie ein neues Modell mit nur den signifikanten Termen (aber immer noch ein hierarchisches Modell, wenn Zwei-Faktor-Wechselwirkungen vorhanden sind).
-Sollte ich jeweils einen Faktor entfernen, den mit dem niedrigsten Signifikanzniveau, und ein neues Modell erstellen? Oder sollte ich alle unbedeutenden Begriffe gleichzeitig entfernen?
Und analysieren Sie dann das Modell gemäß der vorherigen Diskussion.

Betreff: Screening-Experiment analysieren

Ich würde mir keine Sorgen darüber machen, dass Ihre Werte nicht genau den Anforderungen der Behandlung entsprachen. Stellen Sie sicher, dass Sie den Wert in der Datentabelle vor der Analyse aktualisieren! Die durch diese Abweichungen eingeführte Korrelation (Nichtorthogonalität) sollte gering sein und daher kein Problem darstellen – die Regression kann solche Anomalien gut bewältigen.

Ich empfehle Ihnen, das Kapitel über die Screening-Plattform im Leitfaden zu lesen. (Hilfe > Bücher, > Leitfaden zur Versuchsplanung) Diese Informationen werden wesentlich dazu beitragen, Sie auf die Nutzung dieser Plattform vorzubereiten und Ihre Fragen zu beantworten.

Einige Punkte, die Sie berücksichtigen könnten:

• Kontraste mit einem individuellen p-Wert < 0,1 werden automatisch ausgewählt. Sie können die Auswahl überschreiben, indem Sie auf „Kontraste“ klicken und bei gedrückter Strg-Taste Kontraste zum aktuellen Satz ausgewählter Kontraste hinzufügen oder daraus entfernen.
• Die p-Werte in der Screening-Plattform hängen vom aktuellen Modell ab, d. h. davon, welche anderen Begriffe im Modell enthalten sind. Wenn Sie auf „Modell erstellen“ klicken, werden nur die ausgewählten Begriffe einbezogen, sodass sich die p-Werte ändern. Auch Kontraste werden von der Screening-Plattform verwendet, aber „Fit Least Squares“ verwendet die Parameterschätzungen. Wenn die Schätzungen nicht orthogonal sind, gibt es einen Unterschied zwischen ihnen und den Kontrasten, was zu einer Änderung der zugehörigen p-Werte führt.
• Sie können den Test „Lack of Fit“ in „Least Squares anpassen“ verwenden, um zu entscheiden, ob eine Krümmung vorliegt. Ich würde zuerst die quadratischen Terme entfernen. Beachten Sie auch, dass dieser Test schwach ist, da er nur einen Freiheitsgrad von zwei Mittelpunkten hat. Wenn dieser Test signifikant ist, haben Sie Hinweise auf eine Krümmung, die einen oder beide der quadratischen Terme stützen würde.
• Ihre Entwurfsmatrix enthält nicht alle erforderlichen Behandlungen, um eine Modellmatrix (Regression) mit beiden quadratischen Termen zu unterstützen. Wenn Sie der Meinung sind, dass die Krümmung erheblich ist, können Sie das Design durch neue Läufe erweitern. (DOE > Augment Design. Lesen Sie das Kapitel im Leitfaden über die Erweiterung eines Entwurfs.) Ohne Erweiterung müssten Sie sich bei der Auswahl eines der quadratischen Begriffe auf Überzeugungen verlassen, die auf externem Wissen basieren. In diesem Datensatz gibt es keine Unterstützung für eine solche Auswahl.
• Das R-Quadrat erhöht sich immer, wenn Sie einen Term hinzufügen, und verringert sich immer, wenn Sie einen Term entfernen, unabhängig von seiner Bedeutung für das Modell. Das angepasste R-Quadrat verhält sich im Allgemeinen genauso, aber seine Strafe macht die Interpretation komplizierter. Verwenden Sie das angepasste R-Quadrat für die Modellauswahl?
• Die Screening-Plattform geht davon aus, dass alle Ihre Faktoren kontinuierlich sind. Ich gehe davon aus, dass dies daran liegt, dass Sie Mittelpunkte hinzugefügt haben.

Sie können auch die schrittweise Plattformfunktion „Alle möglichen Modelle“ mit nur fünf Faktoren ausprobieren.