Statistische Interpretation eines Split-Plot-DOE-DesignsHallo,
Ich bin mit der statistischen Interpretation von Split-Plot-DoE nicht vertraut und weiß nicht, welche Auswirkungen es hat, wenn ich einen „Wald-p-Wert“ < 5 % habe.
Ich weiß, dass, wenn er höher als 5 % ist, die gesamte Parzelle und die Unterparzelle keinen Einfluss auf den Plan haben. Wenn der Wert also < 5 % ist, bedeutet das, dass die gesamte Parzelle und die Unterparzelle Auswirkungen auf den Plan haben, aber wie kann ich das analysieren? ?
Ich danke Ihnen für Ihre Hilfe.
VersuchsplanungBetreff: Statistische Interpretation eines Split-Plot-DOE-DesignsHallo @Zhou69 ,
Willkommen in der Community!
Haben Sie sich bereits den JMP-Hilfeabschnitt zum Thema Split-Plot-Design und ein Beispiel für eine Analyse angesehen? : https://www.jmp.com/support/help/en/17.2/index.shtml#page/jmp/splitplot-experiment.shtml#ww557792
Die unter „REML-Varianzkomponentenschätzungen“ durchgeführte Analyse zeigt mehrere interessante Informationen zu Ihrer Frage an:
Zunächst können Sie bewerten, wie viel Varianz im Vergleich zur Gesamtvariation dem Zufallsgesamtdiagrammeffekt zugeschrieben werden kann. Auf diese Weise können Sie vergleichen, ob der mit der gesamten Plotreplikation verbundene Fehlerterm kleiner oder größer als der Restfehlerterm ist. Mit anderen Worten, wie viel Variabilität wird durch den Zufallsgesamtdiagrammeffekt erfasst und wie groß ist diese Variabilität im Vergleich zur gesamten experimentellen Variabilität (auch bekannt als die „praktische“ Auswirkung des Zufallsgesamtdiagrammeffekts auf die experimentelle Variabilität). Dies kann Ihnen dabei helfen, die praktischen Auswirkungen der gesamten Parzellenvariabilität auf die Gesamtvariabilität der experimentellen Ergebnisse zu bewerten und zu vergleichen.
Zweitens können Sie den angezeigten Wald-p-Wert effektiv verwenden, um zu beurteilen, ob der zufällige Gesamtdiagrammeffekt statistisch signifikant ist, was bedeutet, dass die Antwortvarianz vom zufälligen Effekt abhängt. Dies kann Ihnen dabei helfen, die statistische Signifikanz des Zufallsgesamtdiagrammeffekts zu bewerten.
Sie können diese beiden Informationen kombinieren, um zu beurteilen, wie viel Variabilität durch den gesamten Diagrammeffekt erfasst wird, und um zu beurteilen, ob diese Varianzkomponente statistisch signifikant ist.
Ich hoffe, diese Antwort wird Ihnen helfen,
Betreff: Statistische Interpretation eines Split-Plot-DOE-DesignsEs ist viel einfacher, Interpretationshinweise zu geben, wenn Sie Ihre Datentabelle teilen (Sie können sie anonymisieren). Stellen Sie sich das so vor: Es ist, als hätten Sie zwei Experimente durchgeführt. Ann-Experiment, das die Gesamtdiagrammeffekte umfasst, deren statistische Signifikanz mit dem Gesamtdiagrammfehler (der durch die Replikation geschätzt wird) verglichen wird. Und die Split-Plot-Faktoren, deren statistische Signifikanz vom MSE geschätzt wird.
Der erste Schritt bei der Analyse ist die praktische Bedeutung. Hat sich die Antwortvariable so weit verändert, dass die Studie Erkenntnisse liefern konnte? Stellen Sie die Ergebnisse grafisch dar und bewerten Sie sie aus wissenschaftlicher oder technischer Sicht. Dann können Sie die Statistiken erstellen. Ich persönlich bin kein großer Fan von p-Werten als ultimativem Signifikanztest, es sei denn, Sie verstehen wirklich, woraus der Fehlerterm besteht (z. B. Faktoren und Wechselwirkungen von Faktoren, die in Ihrem Experiment nicht speziell manipuliert werden, aber variieren, auch bekannt als Rauschen). ) und wissen, wie repräsentativ die Fehlerterme für die tatsächlichen Zufallsfehler sind. Ich bevorzuge Daniel-Plots (Normal- und Halbnormal-Plots) für den gesamten Plot und den Unterplot separat (da jeder seine eigene Schätzung von Zufallsfehlern hat). Geringere Wahrscheinlichkeit einer Verzerrung der Fehler und guter relativer Vergleich der Auswirkungen.
