Wie lassen sich historische Mischungsdaten analysieren und die Attraktivität nächster Formulierungen maximieren?Hallo zusammen,
Ich bin relativ neu in der Analyse von Mischungsformulierungen über mehrere Antwortvariablen hinweg und könnte etwas Anleitung gebrauchen. Derzeit arbeite ich an einem neuen Datensatz, der historische Daten aus verschiedenen Formulierungen in unserem Unternehmen enthält. Mein Ziel ist es, JMP zu nutzen, um zu analysieren, wie sich unterschiedliche Gewichtsprozentsätze von Inhaltsstoffen auf diese Antwortvariablen auswirken.
Anbei ein Beispieldatensatz. Ich bitte um Rat, wie ich diese Daten am besten verarbeiten kann. In der Vergangenheit haben wir 24 verschiedene Inhaltsstoffe bewertet und sind bestrebt, die Attraktivität unserer Formulierungen zu maximieren.
Im Wesentlichen möchte ich Trends zwischen den Gewichtsanteilen bestimmter Inhaltsstoffe und den entsprechenden Antwortvariablen erkennen. Darüber hinaus bin ich an Empfehlungen für „ideale“ Rezepturen innerhalb bestimmter Grenzen interessiert. Es wäre äußerst hilfreich, wenn wir auch einen Versuchsplanungsansatz (Design of Experiments, DOE) vorschlagen könnten, um Tests anhand unseres vorhandenen Datensatzes durchzuführen.
Ich wäre für alle Erkenntnisse und Vorschläge sehr dankbar.
Vielen Dank im Voraus!
Datenexploration und -visualisierungVersuchsplanungWindowsBetreff: Wie analysiert man historische Mischungsdaten und maximiert die Attraktivität der nächsten Formulierungen?Der einfachste Weg, um sicherzustellen, dass die Komponenten eins ergeben, besteht darin, eine der Komponenten zu einer Formel zu machen, die (1 - der Rest) lautet. In Ihrer Situation wäre es wichtig, sie zu einer Komponente zu machen, die immer in der Mischung enthalten ist.
Um die fehlenden Werte durch Nullen zu ersetzen, würde ich alle Faktorspalten auswählen (auf diese Weise werden die fehlenden Werte für die Antworten nicht auf Null geändert – das möchten Sie nicht). Gehen Sie zu Bearbeiten > Suchen > Suchen. Füllen Sie das Feld bei „Suchen nach“ mit einem „.“ aus (ohne Anführungszeichen). Geben Sie im Feld „Ersetzen durch“ 0 ein. Aktivieren Sie dann unbedingt das Kontrollkästchen „Auf ausgewählte Spalten beschränken“ und klicken Sie auf „Alle ersetzen“.
Was fehlende Antworten betrifft, die nicht berücksichtigt werden, KÖNNTE es nur daran liegen, dass Sie eine reduzierte Stichprobengröße haben. Daher verfügen Sie möglicherweise nicht über eine ausreichende Anzahl von Versuchen für das Modell, das Sie anpassen möchten. Oder es kann sein, dass die Versuche, selbst wenn sie ausreichend sind, nicht an den richtigen Stellen liegen, um ein nützliches Modell zu erstellen.
Auf der JMP-Website finden Sie zahlreiche kostenlose Ressourcen zur Mischungsmodellierung. Wenn Sie sich Lehrbücher ansehen möchten, gilt das Buch „Experimente mit Mischungen“ von John Cornell immer noch als das beste.
Betreff: Wie analysiert man historische Mischungsdaten und maximiert die Attraktivität der nächsten Formulierungen?Hallo Dan,
Ich schätze Ihre ausführliche Antwort. Ich stimme zu, dass man bei der Verwendung historischer Daten vorsichtig sein muss. Dies wären nicht unbedingt Läufe, die ich selbst durchgeführt habe, aber ich müsste darauf vertrauen, dass die Daten unter ähnlichen Bedingungen durchgeführt wurden. Um sicherzustellen, dass die Zutaten auf genau 1 aufgerundet werden, gibt es eine Möglichkeit, dass JMP die Summe automatisch als 1 interpretiert? Dies löst eine separate Frage, die ich zur Verwendung von Teilen anstelle von Gewichtsprozent habe, ohne zusätzliche Berechnungen durchführen zu müssen.
Im Beispieldatensatz gibt es keinen Unterschied zwischen fehlenden Werten und einem Wert von 0. Gibt es eine schnelle Möglichkeit, dies auszufüllen, ohne es manuell tun zu müssen? Ich sehe, was das Problem mit fehlenden Werten ist, und werde es entsprechend ausfüllen – nicht alle Antwortvariablen wurden für jeden Durchlauf gemessen. Würde das also außer der Nichteinbeziehung irgendwelche Probleme mit der Analyse verursachen?
Ich werde Ihre Vorschläge und Schritte durchgehen und sehen, wohin mich das führt. Gibt es neben der Recherche zu Scheffe-Mischmodellierung im Vergleich zur regulären Regression Dokumentationen oder ähnliche Beispiele für das, was ich tun möchte? Oder andere Ressourcen, die mir helfen, mein Verständnis zu vertiefen, wären willkommen.
Vielen Dank für Ihre Hilfe!
Betreff: Wie analysiert man historische Mischungsdaten und maximiert die Attraktivität der nächsten Formulierungen?Die Analyse historischer Mischdaten birgt einige Fallstricke. Häufig wird ein geplantes Experiment durchgeführt, anstatt zu versuchen, historische Daten zu verwenden. Historische Daten wurden unter unterschiedlichen Bedingungen (die wahrscheinlich nicht aufgezeichnet wurden – denken Sie beispielsweise an Geräteänderungen) mit unterschiedlichen Zielen gesammelt, was die Kombination dieser Daten unsinnig machen kann. Sogar die Zeitunterschiede bei der Datenerfassung können Probleme bei der Datenkombination verursachen. Wenn Sie jedoch weitermachen möchten, finden Sie hier einige zusätzliche Gedanken/Bedenken.
Sie müssen sicherstellen, dass die Summe Ihrer Inhaltsstoffspalten GENAU 1 ergibt. Rundungsfehler sind nicht akzeptabel. In Ihrem Beispieldatensatz ergibt die Summe von Zeile 2 beispielsweise 1,000000001. Wenn Sie das Mischungsmodell anpassen, sollten Sie sich unbedingt den Varianzanalysebericht ansehen (Sie müssen ihn anfordern, da er standardmäßig nicht angezeigt wird). Unten in der Tabelle sollte die Meldung „Getestet gegen reduziertes Modell Y=Mittelwert“ angezeigt werden. Wenn diese Meldung angezeigt wird, passen Sie ein Mischungsmodell an. Wenn die Meldung jedoch „Getestet gegen reduziertes Modell Y=0“ lautet, passen Sie KEIN Mischungsmodell an. Sie passen ein Modell ohne Achsenabschnitt an, was nicht dasselbe ist. Diese letzte Meldung wird normalerweise dadurch verursacht, dass die Summe der Mischungsinhaltsstoffe nicht immer 1 ergibt.
Gibt es in Ihrem Beispieldatensatz einen Unterschied zwischen einem fehlenden Wert für eine Zutat und einem Wert von 0? Konzeptionell glaube ich, dass Sie alle Ihre fehlenden Werte durch Nullen ersetzen könnten. Dies kann hilfreich sein, da ein fehlender Wert für eine Eingabevariable dazu führen könnte, dass diese Beobachtung von der Analyse ausgeschlossen wird.
Dies gilt auch für Antworten. Wenn ein Antwortwert fehlt, verursacht das definitiv Probleme bei der Analyse. Sie müssen eine Antwort haben, um diese Zeile in die Analyse einzubeziehen. Daher müssen Sie sicherstellen, dass Sie jede Antwortvariable separat analysieren, um für jedes Modell so viele Daten wie möglich zu nutzen.
Wenn Ihre Beispieldaten realistisch sind, haben Sie VIELE Bestandteile. Dies führt natürlich zu einem SEHR großen Modell. Da Sie nach Optimierung suchen, benötigen Sie mindestens ein Modell mit den 2-Wege-Mischbegriffen (sie sehen aus wie Interaktionen) und möglicherweise den speziellen kubischen Begriffen (sie sehen aus wie 3-Wege-Interaktionen). Sie benötigen viele Beobachtungen, um diese Art von Modell anzupassen. Wenn Sie nur 2-Wege-Begriffe verwenden, erhalten Sie 24 Haupteffekte + 276 2-Wege-Begriffe. Das sind 300 Modellbegriffe, also mindestens 300 Beobachtungen. Außerdem wird ein so großes Modell sehr schwer zu interpretieren und zu visualisieren sein. Auch hier würde Ihnen ein geplantes Experiment ermöglichen, sich auf Schlüsselfragen zu konzentrieren, wodurch Sie mit weniger Bestandteilen arbeiten könnten, um Ihre spezifischen Fragen zu beantworten.
Bevor Sie ein Modell erstellen, sollten Sie die Pseudokomponentencodierung für die Mischungsbestandteile aktivieren, um etwaige Korrelationen zwischen den Modellbegriffen zu minimieren. Dadurch wird die Korrelation zwar nicht entfernt, aber minimiert, was die Analyse erleichtert.
Sie sollten auch die Spalteneigenschaft „Mixture“ aktivieren, was Sie in Ihrem Beispiel offenbar getan haben.
Wenn Sie dies noch nicht getan haben, recherchieren Sie, wie sich die Anpassung eines Scheffe-Mischmodells von einer regulären Regression unterscheidet. Die Interpretationen eines Mischmodells werden anders sein.
Die Optimierung mehrerer Antworten kann sicherlich erreicht werden, wenn Sie für jede Antwort ein Modell haben. Sie können die Wunschfunktion im Prediction Profiler verwenden, ich würde jedoch auch dringend empfehlen, den Mixture Profiler zu verwenden. Sie verhalten sich ähnlich wie in einer Situation ohne Mischung.
Schließlich können Sie Ihre Beispieltabelle als Eingabe für die Erstellung eines geplanten Experiments verwenden. Verwenden Sie Augment Design und geben Sie Ihre vorhandenen Zeilen als „abgeschlossene Experimente“ an. Geben Sie das Modell an, das Sie anpassen möchten, und die Anzahl der gewünschten Gesamtdurchläufe. JMP wählt die besten Durchläufe aus, um das von Ihnen gewählte Modell abzuschätzen. Bedenken Sie, dass die Gesamtzahl der Durchläufe die ursprüngliche Tabelle + die neuen Durchläufe ist und JMP keine Methodik für die vorgeschlagene Anzahl von Durchläufen anwendet. Verwenden Sie daher bitte Ihr Wissen, um eine angemessene Zahl auszuwählen, und bewerten Sie das resultierende Design, bevor Sie es ausführen.
Das sind nur ein paar Gedanken, die mir spontan einfallen. Was Sie tun möchten, ist möglich, aber bei historischen Daten ist große Vorsicht geboten und es muss viel Zeit in die Aufbereitung der Daten investiert werden, um sicherzustellen, dass die Analyseergebnisse zuverlässig sind.
