DoE and inputting replicate analyticsHi,
I have performed a DoE as designed, but would like to know how to evaluate replicate analytical data which feeds into the response for each condition.
We usually use analytical data provided by our analytical department, but are investigating a rapid analysis tool for future applications. While this tool is helpful, it appears most accurate when performing replicate analysis, and then averaging to achieve the mean. Typically, we manually (and by judgment call) will remove outlier response data, but I was hoping this data could be input into the JMP DoE platform, and it would automatically determine outliers.
How do I input this replicate data, but avoid JMP believing these are true replicates, and not simply replicate analysis of the same condition? If I don't, I assume JMP will provide an "Overly confident" profile, unless I am misunderstanding something.
Design of ExperimentsWindowsRe: DoE and inputting replicate analyticsI'm a bit lost on your terminology. I believe the analytical data is repeats in relationship to the treatments in the experiment.
1 way to add repeats to the design is to add additional columns for each repeat. Once you have these columns populated, stack those columns. Then you can graph the within treatment variation, assess consistency of the within treatment variation and determine appropriate statistics to summarize those repeated measures (e.g., mean, log standard deviation, etc.)
Re: DoE and inputting replicate analyticsHi Statman,
I guess what I am trying to ask is, is there a way to define rows in JMP as being replicate analytical data, rather than replicate run data.
For example, if I perform 12 runs in a DoE, and analyze them 10 times each, I have 120 responses. If I just stack these 12 runs 10x, and apply each replicate response, I can model the data, however, JMP will view these as replicate runs, rather than replicate analytics.
Would JMP view this data incorrectly and shrink the confidence intervals inappropriately assuming process variance was low (Since we would only have analytical variance at this point)?
Re: DoE and inputting replicate analyticsHi @MetaLizard62080
Perhaps this demonstration can give you some indication: https://www.youtube.com/watch?v=zagpxGbfuiA&t=358s
If you have separate columns for each analytical replicate series, you can calculate the mean and the standard deviation and model them both.
Betreff: DoE und Eingabe von ReplikationsanalysenHallo @MetaLizard62080 : Eine andere Möglichkeit wäre, die Daten wie beschrieben zu stapeln und dann neben den anderen festen Faktoren in Ihrem DoE „Run“ als Zufallseffekt in Ihr Modell aufzunehmen. Die Ergebnisse sind dieselben wie bei der Analyse der Mittelwerte (wie von @gonzaef und @Steffen_Bugge vorgeschlagen), aber Sie erhalten zusätzliche Informationen über die Variabilität von Lauf zu Lauf und die Variabilität innerhalb eines Laufs.
Bearbeiten: Wie viele Designfaktoren gibt es in Ihrem DoE?
Betreff: DoE und Eingabe von ReplikationsanalysenHallo MetalLizard ...
Ich schätze Ihren ersten Instinkt, die Frage zu stellen – wiederholte Messungen desselben Versuchsdurchlaufs sind etwas anderes als eine „frische“ Wiederholung der Iteration, die alle Variabilitätsquellen umfasst: Ausgangsmaterialien, Einhaltung von Faktoreinstellungen usw. Ich stimme mit dem vorherigen Input der Community dazu überein.
Ihre ursprüngliche Frage bestand aus zwei Teilen: wiederholte Messung des Mittelwerts/Erkennung und Ausschluss von Ausreißern als Teil der Messung von Antworten in einem DOE.
JMP kann bei beiden Teilen helfen, allerdings jeweils einzeln.
Ich stimme auch den Vorschlägen der anderen Community-Mitglieder zu. Mein Instinkt würde mir auch sagen, die Daten in einer separaten Tabelle zu aggregieren und dann zusammenzufassen.
Während die Zeit-/Kostenersparnis mit dem „Schnellmesssystem (anfällig für Ausreißer, die manuell identifiziert und ausgeschlossen werden können)“ gegenüber der Verwendung von „analytischen Abteilungsmaßnahmen“ für Ihre Situation eine gute Wahl sein könnte, gibt es ein paar Einschränkungen.
Diese beiden Messsysteme liefern möglicherweise Nettoergebnisse, die einen Unterschied in Offset, Steigung oder Linearität aufweisen.
JMP verfügt auch über hervorragende Tools zur Bewertung von Messsystemen.
- Wenn das Ziel des Experiments darin besteht, die Faktoreinstellungen zu bestimmen, die eine Reaktion maximieren oder minimieren, spielt ein Unterschied im Messsystem wahrscheinlich keine Rolle.
*Aber*
- Wenn das Ziel darin besteht, die Faktoreinstellungen zu bestimmen, um ein bestimmtes Ziel zu erreichen (gemessen durch die analytische Abteilung)... oder
- wenn es eine Spezifikationsgrenze für die Antwort gibt (wiederum „gemessen durch die analytische Abteilung“), die im Rahmen der Festlegung des Faktor-Arbeitsbereichs vermieden werden muss … oder
- wenn das Ziel darin besteht, ein Modell zu erstellen (und zu veröffentlichen), um Ergebnisse bei zukünftigen Faktoreinstellungen vorherzusagen (für Eingabe X erwarten wir, welchen Wert von Y wir haben)
…dann wird eine Möglichkeit zur Übersetzung zwischen Messsystemen relevanter.
Bezüglich Ausreißererkennung/-ausschluss
JMP bietet eine Reihe von Tools, die diese Bemühungen unterstützen. Treffen sie genau dieselben Entscheidungen wie Ihre „manuellen/nach Gutdünken getroffenen Entscheidungen“ … „das kommt darauf an“. Die vorgeschlagenen Architekturen zum Zusammenfassen mehrerer Zeilen funktionieren, mit einem Schritt, in dem Ausreißerzeilen überprüft und selektiv ausgeschlossen wurden. Es könnte auch eine Ausreißerprüfung in Spaltenformeln eingefügt werden, die selektiv (bedingt „fehlende“) Zeilen ausschließt, die als ungewöhnlich gelten.
