DSD-Interpretation und nächste SchritteGuten Morgen, ich lerne gerade JMP und DSD/Optimierung. Ich habe mein erstes Experiment durchgeführt und hätte gerne Feedback zur Analyse und den nächsten Schritten. Ich verwende JMP Pro 17.
Ziel des Versuchs: Maximierung der Erfassung/Wiedergewinnung von Bakterien durch magnetische Partikel.
Der Aufbau: Ich habe die 7 Variablen ausgewählt, von denen ich dachte, dass sie das Ergebnis beeinflussen könnten, und sie mit 22 Durchläufen getestet (2 Blöcke – ich brauche 2 Tage, um so viele Proben durchzuführen). Das Modell hat ergeben, dass 3 Variablen signifikant sind, aber es scheint, dass 2/3 der Variablen von einer Erweiterung des Testbereichs profitieren könnten. Ich sage das auf der Grundlage der Diagramme des Vorhersageprofilers. Dies ist möglich und (bis zu einem gewissen Grad) machbar, sodass ich sie mit einem größeren Bereich erneut testen kann.
1. Muss ich das DSD mit allen 7 Variablen erneut ausführen oder sollte ich einfach ein zentrales zusammengesetztes Design mit den signifikanten Variablen erstellen, das die neuen Bereiche dieser beiden Variablen abdeckt? Ich tendiere zum CCD, da ich nicht glaube, dass die erhöhten Bereiche die Bedeutungslosigkeit der anderen Variablen beeinflussen werden und ich dann das CCD verwenden kann, um die optimalen Parameter vorherzusagen.
2. Ich gehe davon aus, dass das DSD-Modell die optimalen Parameter nicht vorhersagen konnte, da ich nicht die richtigen Bereiche hatte. Stimmt das? Oder fehlt mir diese Ausgabe irgendwo? Ich dachte, da <50 % meiner Variablen signifikant waren, könnte das Design dann zur Optimierung verwendet werden.
3. Übersehe ich etwas in der Ausgabe, das ich mir ansehen sollte? Ich bin neu und die Ausgabe enthält eine Menge Daten, die ich verarbeiten muss. Mein Ziel ist es, die Bakterienrückgewinnung zu maximieren, also habe ich mich auf die Variablen konzentriert, die von Bedeutung sind, und nicht auf den Rest der Ausgabe. Gibt es bestimmte „Dinge“, auf die ich mich neben den Alpha-Werten wirklich konzentrieren/denen ich besondere Aufmerksamkeit schenken sollte? Ich habe einige Nachrichten über den kostenlosen Online-Kurs für DOE gefunden, also werde ich daran teilnehmen, aber ich würde mich über spezifisches Feedback zu meiner Ausgabe freuen, damit ich das, was ich in diesem Kurs lernen werde, mit meinen eigenen Daten „vergleichen“ kann.
Ich habe versucht, die Fit-Ausgabe anzuhängen, erhalte jedoch immer die Fehlermeldung, dass die JMP-Datei nicht unterstützt wird. Ich habe sie als PDF angehängt.
Vielen Dank im Voraus für die Hilfe/das Feedback!
VersuchsplanungBetreff: DSD-Interpretation und nächste SchritteHallo @Feline614 ,
Willkommen in der Community!
Ich befürchte, dass die Informationen möglicherweise nicht ausreichen, um Sie bei Ihrem Thema gezielt anzuleiten, aber ich werde mein Bestes geben, um Ihnen zu helfen und Feedback zu geben. Könnten Sie zur weiteren Anleitung einen anonymisierten Datensatz ( Anonymize Data (jmp.com) ) freigeben, um eine bessere Auswertung und Hilfe zu ermöglichen?
Ihre nächsten Schritte basieren auf den Ergebnissen eines Modells und der Erkennung statistisch signifikanter Effekte. Anscheinend haben Sie mit „Fit DSD“ (die empfohlene Analyse für DSD) nur einen Analysetyp ausprobiert. Haben Sie aber auch andere Modellanalysen ausprobiert (möglicherweise Generalized Regression mit verschiedenen Schätzmethoden, wenn Sie JMP Pro haben, wie „Pruned Forward Selection“ (mit AICc/BIC-Validierungsmethode), „Two-Stage Forward Selection“ oder eventuell „Best Subset“ (nur, wenn Sie eine begrenzte Anzahl von Faktoren haben, da viele Modelle mit Haupteffekten und vielen Kombinationen der Terme höherer Ordnung getestet werden) oder einfach Stepwise Regression als alternatives Modell)?
Bevor Sie fortfahren, könnte es interessant sein, zu prüfen, ob verschiedene mögliche Modelle bei der Erkennung statistischer Effekte übereinstimmen und ob/wo sie sich unterscheiden könnten. Dies könnte einen zuverlässigeren Überblick über die wichtigen Faktoren und Effekte in Ihrer Studie bieten.
Zu Ihren anderen Fragen:
- Sie können die Plattform „Augment Designs“ verwenden, um die Bereiche der Faktoren zu ändern und einen anderen Versuchsbereich zu erkunden. Diese Option ist möglicherweise interessanter als die erneute Ausführung oder Erstellung eines neuen DoE (wie ein CCD), da die aus Ihrem ersten DoE gewonnenen Informationen beibehalten werden, um die erforderliche Anzahl von Durchläufen des erweiterten Designs zu minimieren.
Ob alle Faktoren beibehalten oder nur die signifikanten ausgewählt werden müssen, hängt von ihrer Bedeutung/ihrem Beitrag zum Modell ab (sowohl statistisch als auch in Bezug auf die Effektgröße), aber auch davon, ob ihre Bereiche bei der Erweiterung geändert werden oder nicht. Wenn Sie den Bereich eines Faktors, der statistisch nicht signifikant war und eine geringe Effektgröße aufwies, nicht ändern, ist es möglicherweise möglich, ihn aus dem erweiterten DoE auszuschließen (und auf einen bestimmten Wert festzulegen), um etwas Versuchsbudget einzusparen. Wenn jedoch der Bereich eines Faktors geändert wird, würde ich ihn bei der Erweiterung beibehalten, um sicherzustellen, dass er nicht statistisch signifikant und wichtig für die von den Bereichen abhängigen Antworten wird.
- Ihr Modell scheint ziemlich präzise zu sein, abgesehen von zwei Punkten, die von der Regressionslinie abseits liegen. Gab es experimentelle Änderungen/Fehler? Sind die Bedingungen der Faktoren „instabil“ oder erzeugen sie eine hohe Unsicherheit in der Antwort? Es könnte sich lohnen, diese beiden Punkte zu untersuchen und sie, wenn möglich, zu wiederholen, um einen „Modellfehler“ von einem „experimentellen Fehler“ zu unterscheiden. Um Ihre Frage zu beantworten, müssen Sie auch wissen, was Ihre „Akzeptanzschwelle für Vorhersageunsicherheit“ und Ihr Antwortziel ist: Hier hat Ihr Modell einen RMSE von 0,0797, wie ist er im Vergleich zur experimentellen Variabilität? Ist dieser RMSE-Wert aus Sicht der Fachkompetenz und unter Berücksichtigung der Wiederholbarkeits-/Reproduzierbarkeitsunsicherheit akzeptabel? Was ist die maximale Antwort, die Sie zu erhalten hoffen? Die Antwort auf diese Fragen wird von der Qualität des Modells und den Akzeptanzschwellen der Fachexperten abhängen (sowohl für die vorhergesagte mittlere Antwort als auch für die vorhergesagte Varianzantwort).
- Möglicherweise müssen Sie einige Dinge bezüglich Ihrer Ergebnisse überprüfen: Der Lack of Fit-Test (jmp.com) ist statistisch signifikant, was durch verschiedene Dinge erklärt werden kann. Vielleicht könnte die geringe Varianz Ihrer Replikate (oder ihre Repräsentativität, z. B. wenn es sich nur um Mittelpunkte handelt, die möglicherweise nicht repräsentativ für die Variabilität in Ihrem gesamten Versuchsraum sind) der Grund sein (da Sie einen geringen reinen Fehler hätten), oder einige fehlende Effekte höherer Ordnung im Modell könnten der Grund sein.
Sie können auch die beiden zuvor erwähnten „seltsamen“ Punkte überprüfen und die Regressionsannahmen überprüfen („ Plot Residual by Normal Quantiles“, um die Annahme der Normalverteilung der Residuen zu überprüfen, „ Plot Residual by Predicted“, um zu überprüfen, ob die Residuen zufällig um 0 gestreut sind (Annahmen von Homoskedastizität und Linearität) , Plot Residual by Row, um zu überprüfen, ob die Reihenfolge der Experimente die Ergebnisse nicht beeinflusst (Annahme der Unabhängigkeit von den Beobachtungen)).
Außerdem würde ich versuchen, die Blockvariable als Zufallseffekt zu verwenden (anstelle eines festen Effekts in Ihrem Modell hier), da dies meines Wissens den Tag darstellt, an dem die Experimente durchgeführt wurden, also nur eine Teilmenge der Woche/Zeit, und Sie sind nicht besonders an dem festen Effekt des Tages auf die mittlere Antwort interessiert, sondern wahrscheinlich eher am Einfluss des zufälligen Tageseffekts auf die Variabilität der Antwort. Sie können versuchen, ein gemischtes Modell mithilfe der Plattform „Modell anpassen“ anzupassen und Ihren Blockeffekt als zufällig anzugeben: Berichte und Optionen für Modelle mit gemischten und zufälligen Effekten (jmp.com)
Die Verwendung des Tages als Zufallseffekt kann auch zu einer besseren Bewertung der Variabilität der Antwort beitragen und sich positiv auf den Lack-of-Fit-Test auswirken: Die Variation wird nicht auf Modellfehler zurückgeführt, sodass dieser Term abnehmen kann.
Einige Ressourcen, die Ihnen beim Verständnis von DSDs helfen:
Einführung in definitive Screening-Designs - JMP-Benutzer-Community
Definitives Screening-Design - JMP-Benutzer-Community
Die Fit Definitive Screening-Plattform (jmp.com)
Mithilfe definitiver Screening-Designs mehr Informationen aus weniger Versuchen gewinnen - JMP-Benutzer-Community
Und allgemeiner zu DoEs:
DoE-Ressourcen – JMP-Benutzer-Community
Hoffe, diese Antwort wird Ihnen helfen,
Betreff: DSD-Interpretation und nächste SchritteHallo @Victor_G, ich weiß es wirklich zu schätzen, dass Sie sich die Zeit genommen haben, mir eine ausführliche Antwort zu schreiben!
Ich habe einen anonymisierten Datensatz angehängt.
Ich habe die verschiedenen Modelle ausgeführt, die Sie erwähnt haben (im Anhang), aber „Zweistufige Vorwärtsauswahl“ war keine Option (sie war ausgegraut). Der schrittweise Ansatz fügte eine Variable bei 0,12 hinzu, die laut Vorhersageprofiler einen Einfluss auf das Ergebnis haben könnte, aber biologisch würde ich in diesem speziellen Experiment nicht erwarten, dass sie signifikant ist (ich werde dieses Experiment mit verschiedenen Bakterien wiederholen und erwarte, dass sie in diesen Tests signifikant ist). Die „Beschnittene Vorwärtsauswahl“ mit AICc und Best Subset AICc erhöhte eine Variable auf p=0,0564, aber es wäre biologisch sinnvoll, wenn sie einen signifikanten Effekt auf das System hätte. „Beschnittene Vorwärtsauswahl“ mit BIC und Best Subset mit BIC waren ähnlich wie schrittweise mit der Hinzufügung der einen bei 0,12. Ich habe auch die Variablen <0,05 gelöscht, aber sie änderten nichts an der Signifikanz der anderen Faktoren.
Insgesamt bin ich von den Variablen, die die Modelle ausgewählt haben, nicht überrascht, mit Ausnahme von X_7. Ich war mir sicher, dass diese einen signifikanten Effekt haben würde.
Haben Sie eine gute Ressource, die diese Modelle auf Anfängerniveau erklärt? Ich habe einige Ressourcen zu JMP gefunden, aber ich habe den schrittweisen Ansatz erst im College gelernt. Ich weiß eigentlich nicht, wie ich die anderen von Ihnen erwähnten Modelle interpretieren soll, abgesehen vom allgemeinen Verständnis eines p-Werts.
1. Ich habe ein erweitertes Design erstellt. Ich habe 2 Variablen (X_4 und X_5) eliminiert, da sie in diesem System biologisch nicht signifikant sein sollten (in einem zukünftigen Test könnten sie es jedoch sein). Alle anderen Faktoren habe ich unverändert gelassen, mit Ausnahme der 2 Faktoren, die Signifikanz zeigten und von einem Test in einem höheren Bereich zu profitieren scheinen (X_6 und X_8). Ich habe die Standardanzahl der Durchläufe nicht geändert, sie aber blockiert. Sollte ich die Anzahl der Durchläufe ändern? In dem Video, das Sie gesendet haben ( Verwendung definitiver Screening-Designs, um mehr Informationen aus weniger Versuchen zu erhalten – JMP-Benutzergemeinschaft ), heißt es bei ca. 35:56, dass eine Schwäche von DSD darin besteht, dass „der Faktorbereich für das Screening möglicherweise nicht das Optimum umfasst, sodass das Folgedesign über verschiedene Bereiche reicht – es kann wirklich nicht erweitert werden.“ Aber wie Sie vorgeschlagen haben, kann ich es mit verschiedenen Werten erweitern … wird das ein Problem sein? Muss ich bei der Datenanalyse etwas anders machen?
2. Ich kann diese beiden Punkte erneut ausführen. Wenn ich die neuen Ergebnisse eingebe, soll ich diese Punkte dann einfach ersetzen oder irgendwie einen neuen Block erstellen, der die neuen Werte enthält? Wenn ich einen neuen Block erstellen muss, wie mache ich das? Ich kann nicht erklären, warum sie fehlerhaft zu sein scheinen; der eine Punkt links könnte aufgrund der geringen Bakterienkonzentration eine Variabilität aufweisen (Problem der Poisson-Verteilung). Der Punkt rechts ist für mich etwas verwirrender, aber ich arbeite mit Bakterien, sodass ein gelegentlicher Ausreißer nicht ungewöhnlich ist.
Zum RMSE – ich bin etwas verwirrt. Ich verfolge einen niedrigen RMSE, der gut sein sollte und zeigen würde, dass das Modell gut Ergebnisse vorhersagen kann. Ich kann keine Literatur über jemanden finden, der etwas Ähnliches macht wie ich, um zu wissen, womit ich es vergleichen könnte. Basierend auf dem, was ich über das System weiß, würde ich für dieses spezielle Experiment nicht viel „Rauschen“ erwarten. Diese speziellen Bakterien und dieses System liefern mir ziemlich konsistente Ergebnisse (ich habe mehr Variabilität mit anderen Bakterien, aber das ist ein Problem für nächste Woche).
3. Ich habe vor, die beiden „seltsamen“ Punkte erneut auszuführen. Ich habe die Regressionsannahmen dem Anhang „Fit Least Squares“ hinzugefügt. Das Diagramm „Residuen nach Vorhersage“ weist möglicherweise eine gewisse Clusterbildung auf?
Ich stimme zu, die Blockierung sollte ein Zufallseffekt sein. Ich habe in einem anderen Diskussionsbeitrag gelesen, dass man das tun kann, wenn man das Design anfänglich erstellt, aber ich kann das „Kästchen“ zum Ankreuzen nicht finden (ich nahm an, dass Zufall die Standardeinstellung ist, aber das ist wohl nicht der Fall). Ich habe es zu einem Zufallseffekt gemacht, es hat die Effekte der gleichmäßigen Reihenfolge beeinflusst. Das Kästchen „Mangelnde Passung“ ist jedoch ausgegraut … Ich bin mir nicht sicher, warum oder was das bedeutet. Einfach ausgedrückt, wenn es einen „Effekt der gleichmäßigen Reihenfolge“ gibt, was bedeutet es, wenn es X_2*X_2 ist? Ich verstehe, wenn es so etwas wie X_2*X_3 ist und dass es eine Interaktion zwischen den beiden Variablen gibt, aber ich verstehe nicht, wie eine Variable mit sich selbst interagiert.
Vielen Dank für die Ressourcen, sie waren äußerst hilfreich, insbesondere die „Hilfeseiten“. Ich bin immer noch überwältigt von der Qualität der Statistiken, aber ich weiß Ihre Geduld zu schätzen, mit der Sie mich unterrichtet und mir geholfen haben, ein besserer Wissenschaftler zu werden. Dies wird mein erstes von vielen DSDs sein, ich bin froh, dass ich mit dem „einfachsten“ angefangen habe!
Betreff: DSD-Interpretation und nächste SchritteHallo @Feline614 ,
Vielen Dank für Ihre Antwort. Beim nächsten Mal ist es vielleicht einfacher, eine JMP-Datei anstelle mehrerer Excel- und PDF-Dateien bereitzustellen, da Sie mit einer JMP-Datei die Analyse über gespeicherte Skripte beibehalten und alle Spalteninformationen und -eigenschaften beibehalten können (insbesondere für DoE, da jeder Faktor bis zu 3 Spalteneigenschaften haben kann, die ich beim Importieren von Daten aus Excel manuell hinzufügen muss).
Die verschiedenen Modelle, die Sie erstellt haben, scheinen ziemlich konsistent zu sein und viele Ähnlichkeiten aufzuweisen. Das ist also ein gutes Zeichen.
Ich bin überrascht, in keinem Modell Interaktionen oder quadratische Effekte zu sehen, da DSDs diese recht effektiv erkennen (wenn es nicht zu viele davon gibt). Ich habe gerade die Plattform für verallgemeinerte Regression neu gestartet, indem ich Interaktionsterme und quadratische Effekte für X2 bis X8 aufgenommen habe (und X1 als Block mit festen Effekten beibehalten habe), und die Modelle scheinen von diesen zusätzlichen Termen zu profitieren, sowohl in Bezug auf die Erklärungskraft (R² steigt auf bis zu 0,95) als auch auf die Vorhersagekraft (RASE sinkt auf 0,05). Es scheint, dass es eine Interaktion zwischen X6 und X8 und einen quadratischen Effekt für X2 geben könnte. Ich vermute, dass der statistisch signifikante Lack-of-Fit-Test, der bei Ihrem ursprünglichen Modell zu sehen war, mit diesen fehlenden Termen höherer Ordnung zusammenhängen könnte.
Auch hinsichtlich der enthaltenen Begriffe stimmen die Modelle untereinander weitgehend überein:
Da Sie an der Prüfung und Optimierung dieser Anfangsphase mit DSD interessiert sind, ist die Verwendung eines Informationskriteriums wie AICc für die Validierungsmethode in der verallgemeinerten Regression sinnvoll, da Sie ein Modell haben möchten, das sowohl erklärend (nur die wichtigsten Variablen beibehalten) als auch prädiktiv (die Variablen beibehalten, die zur Verbesserung der Vorhersagen/Senkung von RASE/RMSE beitragen) ist.
Wenn Sie nach Ressourcen zur verallgemeinerten Regression suchen, hier meine ersten Gedanken:
Anpassen eines linearen Modells in der verallgemeinerten Regression
Verwenden der verallgemeinerten Regression in JMP® Pro zum Erstellen robuster linearer Modelle
Zu Ihren anderen Punkten:
- Eine Erweiterung kann durch Beibehaltung der in der vorherigen Analyse ermittelten aktiven Faktoren erfolgen. Auch wenn X5 möglicherweise nicht signifikant/wichtig ist, wird es dennoch in den Modellen beibehalten, daher würde ich es beibehalten. Ich bevorzuge es, einen unwichtigen Faktor in der Erweiterungsphase beizubehalten, als einen möglicherweise wichtigen Faktor für die nächste Phase zu schnell zu entfernen.
Ausschließlich auf Grundlage der Modellergebnisse (die von Ihrem Fachexperten bestätigt werden müssen) würde ich die Faktoren X2, X5, X6 und X8 für die Erweiterungsphase beibehalten. Was die Anzahl der Durchläufe betrifft, ist es schwer zu sagen, da dies von den möglichen Änderungen der Faktorbereiche, dem angenommenen Modell und der gewünschten Sicherheit/Präzision für das Modell abhängt. Da Sie eine geringe Anzahl von Faktoren (4) beibehalten, können Sie Ihr Design erweitern, indem Sie ein Response Surface-Modell annehmen. Wenn Sie also auf „RSM“ klicken, werden alle 2-Faktor-Interaktionen sowie quadratische Effekte für die ausgewählten Faktoren hinzugefügt.
Das von Ihnen angesprochene Problem tritt stärker auf, wenn die Faktorbereiche zwischen der ersten Überprüfung und der Erweiterung getrennt/disjunkt sind. Da Sie die Faktorbereiche aber nur ein wenig mehr erweitern oder verschieben möchten, können Sie dennoch von den Informationen aus Ihren ersten Designläufen profitieren.
- Auch hier gibt es keine definitive Antwort auf Ihre Frage. Wenn Sie unterschiedliche Ergebnisse erhalten, können Sie die Experimente mehrmals wiederholen (um mehr Vertrauen in die gemessene Reaktion zu haben).
Je nachdem, ob Sie neue Experimente „von Grund auf“ durchgeführt und unabhängig gemessen haben, können Sie neue Zeilen mit den Werten hinzufügen: Diese neuen Punkte sind Replikate der vorherigen. Wenn Sie nur den Messteil bei denselben Experimenten wiederholen, können Sie den ursprünglichen Wert durch den Mittelwert der Messungen ersetzen: Diese neuen Punkte sind nur Wiederholungen der Experimente (also keine unabhängigen neuen Durchläufe, keine hinzugefügten Zeilen).
Sie können dann vergleichen, ob die Änderungen der Werte dieser beiden Punkte die Qualität der Modelle verbessern.
- Es scheint kein bestimmtes Muster in Ihren Residuen zu geben. Die Clusterbildung, die Sie sehen, könnte dadurch verursacht werden, dass Ihre Antwortmessungen entweder hoch oder niedrig sind und Sie nicht viele mittlere Werte haben (außer den beiden „seltsamen“ Punkten). Wenn Sie also Residuen im Vergleich zu vorhergesagten Werten betrachten, werden Sie zwei Punktcluster sehen, einen für niedrige vorhergesagte Antwortwerte und einen für die höchsten.
Das Gute an der Verwendung des Blocks als Zufallseffekt ist, dass Sie anhand eines gemischten Modells beurteilen können, ob die Blockierungsvariable einen statistisch signifikanten Effekt auf die Antwortvarianz hat. In Ihrem Fall scheint dies nicht der Fall zu sein, daher können Sie diese Blockierungsvariable aus Ihrem Modell entfernen. Das Ausführen von Modellen mit dieser Blockierungsvariable als festem Effekt zeigt auch, dass dieser Blockierungseffekt keinen statistisch signifikanten Einfluss auf die mittlere Antwort hat, sodass er aus zukünftigen Analysen entfernt werden kann.
Beim Term X2.X2 handelt es sich nicht um eine Interaktion, sondern um einen quadratischen Effekt von X2. Dies bedeutet, dass die Antwort durch eine quadratische Funktion/einen quadratischen Term mit X2 verknüpft ist: Y = X2² (+ andere Terme im Modell).
Ich habe die JMP-Datei mit allen für diese Antwort getesteten Modellen und Skripten angehängt.
Ich hoffe, dieser Beitrag hilft Ihnen weiter.
Betreff: DSD-Interpretation und nächste Schritte@Victor_G
Es tut mir leid, dass Sie alle Daten von Hand eingeben mussten. Und entschuldigen Sie die Verzögerung, aber ich wollte mit der nächsten Reihe von Ergebnissen antworten. Ich glaube, ich habe diesmal das richtige Format angehängt.
Ich habe das erweiterte Modell ausgeführt. Ich habe nur 1 Term aufgrund meiner „Expertise“ entfernt und alle anderen signifikanten und nicht signifikanten Faktoren aus dem ursprünglichen DSD beibehalten. Die Läufe 1–22 sind das ursprüngliche DSD; die Läufe 23–34 sind das erweiterte Design; die Läufe 35 und 36 sind unabhängige Replikate von Zeile 5; die Läufe 37 und 38 sind unabhängige Replikate von Zeile 10 (Zeilen 5 und 10 waren „Ausreißer“ im ursprünglichen DSD).
Können Sie meine Logik überprüfen, damit ich bestätigen kann, dass ich die Daten richtig ausführe und analysiere?
- Ich habe ein gemischtes Modell mit Blockierung als Zufallseffekt ausgeführt, um die Signifikanz zu prüfen. Es war im Modell nicht signifikant, also kann ich die Variable weglassen. Meine Residuen sehen nicht mehr so „zufällig“ aus wie vorher, aber ich finde es nicht schlimm.
- Ich habe die verallgemeinerte Regression mit mehreren Modellen mit AIC ausgeführt. Ich glaube, alle Interaktionen wurden hinzugefügt. Ich weiß, dass Sie beim letzten Mal gesagt haben, Sie hätten Interaktionen hinzugefügt, also möchte ich bestätigen, dass ich das Modell dieses Mal richtig entworfen habe.
Wie haben Sie das eingebettete Diagramm erstellt? Ich habe diese Anweisungen gefunden, aber sie haben nicht zu dem schönen visuellen Vergleich geführt, den Sie bereitgestellt haben: https://www.jmp.com/support/help/en/16.1/?os=win&source=application#page/jmp/model-comparison.shtml#
- Ich habe den Vorhersageprofiler zu den Modellen hinzugefügt. Als ich versuchte, die optimalen Bedingungen zur Maximierung der Ausgabe zu finden, stellte ich fest, dass das Modell >1,0 vorhersagt; die Ausgabe ist jedoch ein Anteil und theoretisch ist 1 der höchstmögliche Wert. Dann habe ich versucht, den Bereich für die Ausgabe mit einem Minimum von 0, einem Mittelwert von 0,5 und einem Maximum von 1 zu ändern, aber das schien das Vorhersageprofil nicht zu ändern …
Biologisch gesehen machen die als signifikant markierten Variablen Sinn. Was für mich keinen Sinn macht, ist X_6, der ursprüngliche DSD-Bereich war 1-5; er wurde auf 1-20 erweitert. Biologisch gesehen sollte alles über 20 keinen Unterschied machen, was das Kleinstquadrate-Modell zeigt, aber nicht die anderen.
Woher wissen Sie, welches Modell Sie wählen sollen? Wie erklären Sie sich, dass der maximale Ausgabewert 1,0 beträgt? Wie ermitteln Sie die optimalen Parameter für die Variablen?
- Mir wurde gesagt, ich solle X_1 als Variable in das Modell aufnehmen, aber ich bin nicht wirklich davon überzeugt, dass es eine Variable sein sollte, weil ich diese Variable in der „echten Welt“ nicht steuern kann. Ich kann sie nur in einer Laborumgebung steuern. Die Ausgabe ist jedoch tatsächlich das Verhältnis von wiederhergestellt zu Anfang und X_1 ist die Anfangszahl, also der Nenner der Ausgabevariable. Ich dachte, X_1 sollte konstant gehalten und das Modell auf diese Konstante optimiert werden, aber es wurde argumentiert, dass wir wissen wollen, wie die Variablen interagieren, wenn sich X_1 ändert. Ich schätze, meine Verwirrung besteht darin, dass die Variable X_1 aufgenommen werden sollte, wenn sie der Nenner für die Ausgabe ist?
Danke schön!
Betreff: DSD-Interpretation und nächste SchritteHallo @Feline614 ,
Bezüglich Ihrer Bemerkung zu X6 erhöhen Sie den Bereich auf 20, aber ich würde die Vorhersagen des Modells nicht außerhalb des getesteten Bereichs extrapolieren. Es sieht also so aus, als gäbe es einen zunehmenden linearen Trend der Antwort in Bezug auf X6, aber vielleicht hört dieser Trend auf, nachdem X6 den Wert 20 erreicht hat. Oder vielleicht auch nicht, und das wäre eine neue Tatsache/Erkenntnis für Sie. Aber Sie können nicht sicher sein, wenn Sie nicht außerhalb dieses Bereichs testen. Sie können Validierungs-/Testpunkte außerhalb des Bereichs erstellen und die gemessenen Werte mit den vorhergesagten Werten vergleichen, um zu sehen, ob es Abweichungen vom Modell gibt, die darauf hindeuten würden, dass der zunehmende lineare Trend außerhalb des getesteten Bereichs für X6 aufhören oder anders sein könnte.
Da im Kleinstquadrate-Modell tatsächlich ein quadratischer Effekt für X6 enthalten ist und durch Ihr Fachwissen unterstützt wird, können Sie auch die Einbeziehung dieser Terme (Haupteffekte und quadratische Effekte für X6) in die Modellkonstruktion erzwingen: Erweiterte Steuerelemente (jmp.com)
Bezüglich Ihrer allgemeinen Frage gibt es kein definitives Modell, aus dem Sie wählen können: Sie können mehrere ähnliche Modelle auswählen, wenn dies statistisch und experimentell sinnvoll ist (Fachkompetenz). Ich würde Folgendes tun:
- Starten Sie ein gemischtes Modell mit X7 als Zufallseffekt, um die statistische Signifikanz dieses Zufallsblocks zu bewerten.
- Starten Sie mehrere GenReg-Modelle und vergleichen Sie die in den Modellen enthaltenen Begriffe sowie die Leistung der Modelle, um einen besseren Überblick darüber zu erhalten, welche Begriffe wichtig/aktiv sind. Bewerten und wählen Sie informative Modelle basierend auf statistischer Auswertung und Fachwissen aus.
- Da Ihr zufälliger Blockeffekt im Gesamtmodell signifikant ist, erstellen Sie basierend auf den Erkenntnissen aus den beiden vorherigen Schritten ein verfeinertes gemischtes Modell mit den wichtigen Begriffen. Beurteilen Sie, ob der zufällige Blockeffekt immer noch signifikant ist, und erstellen Sie ein Modell (gemischt oder basierend auf verallgemeinerten Regressionsmodellen), das Ihren Erkenntnissen am besten entspricht. Die Validierung Ihres/Ihrer Modell(s) kann Ihnen dabei helfen, Vertrauen in das/die Modell(s) zu gewinnen. Sie können auch mehrere Modelle mithilfe der Plattform „Modellvergleich“ (jmp.com) mit den gespeicherten Vorhersageformelspalten Ihrer Modelle kombinieren.
Was X1 betrifft, hängt dies mit Ihrem Ziel und dem, was Sie mit den Ergebnissen machen möchten, zusammen: Untersuchen Sie das System nur in einer Laborumgebung oder möchten Sie, dass Ihre Ergebnisse in einer anderen Umgebung verwendet werden? Wenn Sie sich für die zweite Option entscheiden, können Sie in dieser neuen Umgebung einige Bestätigungs-/Validierungsläufe durchführen, um sicherzustellen, dass die Ergebnisse im Labormaßstab in eine andere Umgebung übertragen/verwendet werden können. Es ist möglicherweise kein Problem, wenn X1 aus analytischer Sicht zwischen Labor und anderer Umgebung unterschiedlich gehandhabt wird: In Ihrer Laborumgebung können Sie die Erwünschtheit maximieren, ohne dass im Profiler Einschränkungen hinzugefügt werden. In Ihrer anderen Umgebung können Sie, wenn Sie den festen Wert von X1 kennen, den X1-Wert sperren und die anderen Faktoren optimieren, um die Erwünschtheit zu maximieren: Faktorwerte festlegen oder sperren (jmp.com)
Ich hoffe, dieser Beitrag hilft Ihnen weiter.
