Come posso aggiungere ulteriori prove alle prove progettate da Definitive Screening Design?Cari esperti JMP,
Sono Chau Dang e sono nuovo di JMP. Ho usato JMP per progettare i miei esperimenti. Ho selezionato un Definitive Screening Design (DSD) con 6 variabili per creare 17 esecuzioni per il mio set sperimentale. Durante la conduzione degli esperimenti, ho fatto 7 esecuzioni extra (non progettate da DSD) con le stesse variabili. Alla fine, voglio analizzare insieme i risultati di 17 esecuzioni (da DSD) e 7 esecuzioni extra (fattori falsi?). Tuttavia, quando aggiungo 7 esecuzioni extra alla tabella di 17 esecuzioni, il modello (Fit Definitive Screening) non capisce e non fornisce alcun risultato. Ho provato a usare "Analisi --> Adatta modello" per un totale di 24 esecuzioni; tuttavia, vengono determinati solo i parametri significativi ma il secondo ordine non è stato considerato.
Sarebbe bello se potessi suggerirmi delle soluzioni per risolvere questo problema. Non voglio sprecare 7 run extra.
Grazie mille per il vostro grande supporto!
Aspetto i vostri commenti.
Distinti saluti
Chau Dang
Progettazione degli esperimentiFinestreR: Come posso aggiungere prove extra alle prove progettate da Definitive Screening Design?Ciao @danghuyenchau89 ,
Benvenuti nella Community!
Le tue 7 esecuzioni sono repliche delle esecuzioni originali nel tuo design a 17 esecuzioni. Aggiungere repliche a un Definitive Screening Design distrugge la struttura di foldover specifica del DSD, quindi non puoi più usare la piattaforma "Fit DSD" (poiché richiede una struttura di foldover per l'analisi). Consulta l'argomento Definitive screening Design - Replicates e la risposta di @Mark_Bailey . Si consiglia di usare l'opzione " Extra Runs " nella piattaforma DSD se hai abbastanza budget sperimentale per aumentare la dimensione del campione e aiutare a selezionare i termini nel modello: Effective Model Selection for DSDs
Puoi comunque usare la piattaforma "Fit Model", specificando tutti gli effetti principali, le interazioni a 2 fattori e gli effetti quadratici dei tuoi fattori, e usare un metodo di selezione delle variabili, come la personalità Stepwise della piattaforma "Fit Model" (con JMP) o usare modelli di regressione generalizzata (con JMP Pro) nella stessa piattaforma. Potresti anche essere interessato a queste discussioni:
Come gestire le repliche e le serie fallite in un progetto di screening definitivo.
Domande definitive sulla progettazione dello screening (sull'uso e l'impatto delle repliche)
In allegato troverete la tabella dati con gli script per avviare la piattaforma Stepwise e un modello creato con "Fit Model".
Spero che questa risposta ti aiuti,
R: Come posso aggiungere prove extra alle prove progettate da Definitive Screening Design?Caro Victor,
grazie mille per la tua risposta! L'ho trovata molto utile.
Ho seguito le tue istruzioni e ho ottenuto i risultati che desideravo. Ciò che ho capito è che le interazioni significative dei parametri devono essere selezionate nel "Fit Model" in base a quelle mostrate nel "Fit Definitive Screening". Altrimenti, verranno prese in considerazione tutte le interazioni dei parametri, il che può portare a risultati diversi per i valori p e R-squared (Rsp) del modello.
Un'altra domanda che mi viene in mente riguarda i miei esperimenti, in cui ho convertito la biomassa in biochar. La resa solida e il potere calorifico del biochar sono ben previsti dal modello. Tuttavia, c'è una risposta indiretta (ad esempio, la composizione delle ceneri del biochar), che viene analizzata bruciando il biochar a 550°C per determinare la composizione delle ceneri. Questa risposta indiretta mostra un RMSE (Root Mean Square Error) molto elevato di 2930 nel modello.
Come dovrei interpretare questo RMSE elevato? Posso concludere che questo modello non è adatto a prevedere questa risposta indiretta?
Distinti saluti
R: Come posso aggiungere prove extra alle prove progettate da Definitive Screening Design?Mi dispiace @danghuyenchau89 , ma non ci sono abbastanza informazioni sul modello, sulla risposta e sul contesto di questa misurazione della risposta per aiutarti a interpretare/trarre conclusioni su questo valore specifico di RMSE.
Alcune domande per aiutarti:
- Qual è la deviazione standard di questa misurazione? Hai già dei test o un valore che indica la dispersione/incertezza tipica di queste misurazioni? Questo valore può aiutare a confrontare le prestazioni di previsione del tuo modello con l'incertezza di misurazione. A seconda di quanto strettamente correlati sono i valori, puoi avere una migliore comprensione di quanto affidabile e utile può essere il modello.
- Sono tutti possibili fattori collegati a questa risposta indiretta nello studio DoE? Forse altri fattori non presi in considerazione nel DoE possono essere utili per spiegare e prevedere questa risposta?
- Quanto sono controllate e stabili le condizioni operative? In particolare, quanto è controllata l'impostazione della temperatura per la combustione? Puoi misurare la temperatura durante l'esperimento per tenerne conto nell'analisi (magari come covariata)?
- Per la parte di modellazione, hai controllato la distribuzione della tua risposta e ne hai scelta una adeguata (ad esempio nella piattaforma di regressione generalizzata)? Hai controllato i residui? Una distribuzione non adeguata può avere un impatto serio sulla modellazione, rompendo le ipotesi della regressione lineare e gonfiando l'errore del modello. Nel tuo esempio precedente, la scelta di una distribuzione LogNormal per la modellazione GenReg o l'applicazione di una trasformazione Box-Cox può migliorare l'RMSE (stessi termini nei due modelli, con la trasformazione Box-Cox sulla destra, l'RMSE è ridotto da 1623 a 1308):
- Inoltre, poiché non ho informazioni sulla tua modellazione, potrebbero esserci diverse cose da controllare: quali sono i criteri e le metriche di selezione del modello (R², R² corretto, RMSE, valori p, criterio informativo, ...), quali sono i termini introdotti nel modello, ecc...
Sono certo che ci siano molte altre considerazioni da fare, ma queste poche e rapide domande possono aiutarti.
