758517_de-DE

liliconcom

Ich habe die Macht!!: Leistungsberechnung in komplexen Modellierungssituationen (2020-US-30MP-544)

Caleb King, Forschungsstatistiker und Entwickler, JMP-Abteilung, SAS Institute Inc.

Jeder Analyst, der schon länger in diesem Bereich tätig ist, kennt die gefürchteten Fragen: „Reicht eine bestimmte Anzahl an Stichproben aus? Wie viele Daten benötige ich für mein Experiment?“ Unabhängig von den zugrundeliegenden Motiven muss jede datenbasierte Untersuchung letztendlich die Frage nach der Datenmenge beantworten, um zu vermeiden, dass entweder zu wenige Daten für den Nachweis eines wissenschaftlich signifikanten Effekts vorliegen oder zu viele Daten zu einer Verschwendung wertvoller Ressourcen führen. Dies kann besonders schwierig werden, wenn das zugrundeliegende Modell komplex ist (z. B. Längsschnittstudien mit schwer veränderlichen Faktoren, Zeit-bis-Ereignis-Analysen mit Zensierung, binäre Zielgrößen mit ungleichmäßigen Testniveaus usw.). In diesem Vortrag zeigen wir Ihnen, wie Sie die Leistungsfähigkeit der Ein-Klick-Simulation in JMP Pro nutzen können, um Poweranalysen in komplexen Modellierungssituationen durchzuführen. Wir veranschaulichen diese Technik anhand relevanter Anwendungen aus verschiedenen Fachgebieten.

Automatisch generiertes Transkript...

Lautsprecher	Transkript
Caleb King	Hallo, mein Name ist Caleb King. Ich bin Forschungsstatistiker und Entwickler hier bei JMP in der Gruppe für Versuchsplanung.
	Heute zeige ich Ihnen, wie Sie mit JMP die statistische Power für komplexe Modellierungsszenarien berechnen können. Kurz zusammengefasst: Die statistische Power ist die Wahrscheinlichkeit, einen wissenschaftlich relevanten Unterschied in der Population nachzuweisen.
	Und es geht um die Wahrscheinlichkeit, dies angesichts der aktuellen Datenmenge, die Sie aus dieser Population erhoben haben, zu erkennen.
	Wenn die meisten Leute eine Poweranalyse durchführen, tun sie dies in der Regel, um die Stichprobengröße für ihre Studie zu bestimmen. Das ist natürlich ein direkter Zusammenhang.
	Es herrscht Gleichstand zwischen den beiden. Je mehr Proben man hat, desto größer ist die Wahrscheinlichkeit, diesen wissenschaftlich signifikanten Unterschied festzustellen.
	Natürlich spielen dabei noch andere Faktoren eine Rolle. Da ist zum Beispiel das verwendete Modell und die Art der Antwortverteilung.
	Und natürlich gibt es auch das Rauschen und die Unsicherheit innerhalb der Grundgesamtheit, aber im Großen und Ganzen wird die statistische Power als Messgröße zur Bestimmung der Stichprobengröße verwendet. Ich würde sagen, es gibt im Wesentlichen drei Phasen.
	Die Leistungsberechnung wird in JMP behandelt, insbesondere wenn Sie JMP Pro verwenden, das ich hier einsetzen werde.
	Im ersten Schritt handelt es sich um einfachere Modellierungssituationen, die wir hier im DOE-Menü unter „Design Diagnostics“ aufrufen. Dort finden wir die Rechner für Stichprobengröße und Teststärke.
	Und diese decken ein breites Spektrum sehr einfacher Szenarien ab. Wenn Sie also beispielsweise Mittelwerte von ein oder zwei Stichproben testen, etwa im Rahmen einer ANOVA mit mehreren Mittelwerten,
	Proportionen, Standardabweichungen. Das ist im Allgemeinen das, woran man bei Power-Berechnungen denkt. Also geht man das natürlich durch und spezifiziert das Rauschen erneut,
	Fehlerraten, gibt es irgendwelche Parameter, welchen Unterschied möchte ich feststellen, und sagen wir, wenn ich eine bestimmte Teststärke berechnen möchte, wie kann ich die Stichprobengröße ermitteln?
	Oder, wenn ich das Ganze etwas genauer untersuchen möchte, kann ich beide Felder leer lassen. Ich erhalte dann eine Leistungskurve. Natürlich handelt es sich hierbei eher um einfachere Szenarien. Im nächsten Schritt würde ich untersuchen, was sich mit einem allgemeineren linearen Modell abdecken lässt.
	In diesem Fall können wir hier unter dem umfassenden Menüpunkt „Benutzerdefiniertes Design“ navigieren.
	Ich werde meine bevorzugte Anzahl an Effekten einfügen.
	Ich klicke auf Weiter.
	Und ich lasse alles hier.
	Wir werden also den Entwurf erstellen.
	An diesem Punkt kann ich eine Poweranalyse basierend auf den erwarteten Koeffizienten im Modell durchführen. In diesem Fall könnte sie beispielsweise lauten: Bei diesem speziellen Versuchsdesign mit weniger als 12 Durchläufen habe ich eine Power von etwa 80 %, diesen Koeffizienten nachzuweisen. Wenn ich beispielsweise einen etwas kleineren Koeffizienten nachweisen wollte …
	Ich könnte diesen Wert ändern und die Änderungen natürlich anwenden. Sehen Sie, ich habe nicht so viel Einfluss. Wenn das also wirklich das ist, wonach ich suche, sollte ich vielleicht einige Änderungen vornehmen. Möglicherweise muss ich die Laufgröße erhöhen.
	Das sind also die beiden häufigsten Szenarien, in denen wir eine Poweranalyse durchführen könnten. Aber natürlich ist das Leben nicht so einfach. Man kann auf komplexere Szenarien stoßen, auf gemischte Effektfaktoren oder auf eine Längsschnittstudie, für die man die Power berechnen muss.
	Es kann vorkommen, dass Ihre Antwortvariable keine normale Zufallsvariable mehr ist, sondern beispielsweise Zähldaten oder eine binäre Antwortvariable darstellt. Möglicherweise haben Sie sogar eine Art beschränkte 0/1-Antwort, also eine prozentuale Antwort.
	Was also tun, wenn die einfachen Leistungsrechner und selbst das DOE-Menü nicht funktionieren und eine Leistungsanalyse damit zu komplex sein könnte? JMP Pro bietet hier Abhilfe mit einem Tool namens „Ein-Klick-Simulation“.
	Die Idee hierbei ist also, dass wir Daten mithilfe einer Art Monte-Carlo-Simulationsansatz simulieren, um zu versuchen, die Leistung abzuschätzen, die Sie für Ihre spezifischen Einstellungen erzielen können.
	Und es ist ziemlich unkompliziert. Je nach Modellierungsplattform muss man eventuell im Vorfeld etwas Vorarbeit leisten.
	Aber wenn man es einmal verstanden hat, ist es ziemlich einfach.
	Und ich muss zugeben, dass ich selbst nicht wusste, dass JMP das kann, bevor ich hier angefangen habe zu arbeiten. Deshalb freue ich mich, meine Entdeckung mit Ihnen zu teilen.
	Okay, wir fangen also mit einer Art vereinfachter Erweiterung des Standard-Linearmodells an, in der wir einige gemischte Effekte einbeziehen. Okay.
	Wir fangen also damit an, dass ein Unternehmen seine Protonenproteinausbeute für Zellkulturen verbessern möchte. Nicht Protonen, sondern Proteine.
	Temperatur, Zeit, pH-Wert. Hinzu kommen einige Mischungsfaktoren.
	Wasser und zwei Wachstumsfaktoren. Wenn wir an diesem Punkt aufhören würden, könnten wir wahrscheinlich immer noch den in der benutzerdefinierten Designplattform verfügbaren Leistungsrechner verwenden.
	Die Abweichungen beginnen nun, wenn wir einige Zufallseffekte einführen. Wir haben drei Techniker, Bob, Di und Stan, die repräsentativ für die gesamte Stichprobe der Techniker sind.
	Und sie werden mindestens eine von drei Serumchargen verwenden, was wiederum repräsentativ für alle Serumchargen ist, die sie verwenden könnten, es sei denn, wir behandeln sie als Zufallseffekte.
	Wir haben auch einen zufälligen Blockierungseffekt. In diesem Fall wird der Test über zwei Tage durchgeführt. Ich zeige Ihnen, wie wir mit einer Ein-Klick-Simulation und JMP Pro die Rechenleistung für diesen Fall berechnen können. Klicken Sie, um das Design zu öffnen.
	Das ist also der Entwurf, den ich erstellt habe. Ich vergrößere mal das Fenster, damit man alles sehen kann. So sieht das Ergebnis typischerweise aus, nachdem man den Entwurf erstellt hat.
	Wieder,
	An dieser Stelle hätten Sie auf „Antwort simulieren“ klicken können, um einige Antworten zu simulieren. Aber auch wenn Sie das nicht getan haben, ist das in Ordnung.
	Ein einfacher Trick, um das nachzuahmen, ist das Erstellen einer neuen Spalte. Wir benennen sie jetzt noch nicht um, sondern erstellen einfach eine einfache Formel.
	Gehen Sie hier auf die linke Seite. Klicken Sie auf „Zufällig“.
	Alles auf Standardeinstellungen belassen, auf Anwenden klicken. Okay.
	Und wir haben hier einige zufällige Rauschdaten. Einige simulierte Antwortdaten. Okay.
	An dieser Stelle klicke ich mit der rechten Maustaste und wähle „Kopieren“.
	Und mit einem Rechtsklick und Einfügen erhalten Sie meine Antwortspalte.
	Jetzt brauche ich nur noch irgendeine Reaktion. Einfaches Zufallsrauschen reicht hier völlig aus. Wir analysieren noch keine Daten. Wir wollen lediglich…
	Wir verwenden die Plattform „Fit-Modell“, um ein Modell zu erstellen, mit dem wir anschließend die Simulationsformel entwickeln. Dazu gehen wir folgendermaßen vor: Wir verwenden ein Modell. Ich habe mir das jetzt schon etwas überlegt.
	Ich habe das Modell also bereits erstellt. Um Ihnen zu zeigen, wie ich das gemacht habe, gehe ich hier unter „Relaunch-Analyse“ und dann „Wiederherstellung“ hindurch.
	Hier sehen Sie also meine Antwortproteinausbeute, meine fixen Effekte und einige zufällige Effekte.
	Ich habe alles gemacht und alles ist dort ziemlich Standard.
	Sie sehen also, dass hier einiges passiert. Wir müssen uns aber nicht darum kümmern. Wir wollen lediglich ein Modell erstellen. Dazu gehen wir jetzt hier im Menü auf das rote Dreieck.
	Wird unter „Gespeicherte Spalten“ angezeigt. Jetzt müssen wir darauf achten, welche Spalte wir auswählen. Wenn ich die Vorhersageformel auswähle, was vielleicht naheliegend ist, ist das gut. Aber wie Sie sehen werden, führt uns das noch nicht zum Ziel.
	Wenn ich mir die Formel ansehe, erhalte ich die Formel zur Mittelwertvorhersage. Hier werden keine Zufallseffekte berücksichtigt. Daher ist diese Spalte nicht die richtige. Sie ist unvollständig und enthält nicht alle benötigten Informationen. Ich muss später darauf zurückkommen.
	Gehen Sie erneut auf „Spalten speichern“ und scrollen Sie hier nach unten zur bedingten Vorhersageformel. Beachten Sie anhand der Hover-Hilfe, dass diese die Schätzungen des Zufallseffekts enthält, und genau diese möchte ich haben.
	Es kann Fälle geben, in denen man die Power für die Zufallseffekte gar nicht berechnen möchte. Man möchte sie nur für das Mittelwertmodell berechnen, in welchem ​​Fall…
	Sie hätten problemlos zur benutzerdefinierten Designplattform zurückkehren und es so machen können. Nehmen wir an, wir wären auch an diesen Zufallseffekten interessiert.
	Jetzt haben wir ihre bedingte Vorhersageformel gespeichert.
	Also schauen wir uns die Formel noch einmal an.
	Hier sehen Sie einen Zufallseffekt. Jetzt müssen wir noch ein paar Anpassungen vornehmen, um die gewünschte Simulation zu erhalten. Ich werde also hier doppelklicken.
	Es versetzt mich in die JMP-Skriptsprachenformatierung.
	Zuerst nehme ich ein paar Änderungen an den Haupteffekten vor. Dazu wähle ich einfach ein paar Werte aus. Mal sehen. Nehmen wir 0,5 für die Temperatur.
	0,1 für die Zeit.
	Und beim pH-Wert. Nehmen wir 1,2, also etwas höher.
	Für Wasser. Ich gehe noch einen Schritt weiter. Diese Stoffe könnten also einen größeren Koeffizienten haben. Daher nehme ich 85 für Wasser.
	Ich mache 90.
	Für den Wachstumsfaktor zuerst. Und nehmen wir 50.
	Wachstumsfaktor auch. Okay.
	Okay, ich habe also meine Anpassungen am Hauptteil des Mittelwertmodells vorgenommen. Und nochmal: Das sind Parameter, die Sie für wissenschaftlich wichtig halten.
	Nun zu den Zufallseffekten. Man könnte versucht sein, sie durch so etwas zu ersetzen. Okay. Das sollte ein Zufallseffekt sein. Also füge ich hier einfach einen zufälligen Normalwert ein.
	Es sieht zwar irgendwie richtig aus, aber nicht ganz. Der Grund dafür ist, dass diese Formel zeilenweise ausgewertet wird. Was dann passiert, ist Folgendes: Wenn Sie zum ersten Mal auf eine Technikerin namens Jill stoßen, …
	Sie simulieren hier einen Zufallswert und erhalten einen Wert für die Formelauswertung, aber beim nächsten Mal, wenn Sie ins Gefängnis gehen, habe ich sechs geschrieben.
	Dadurch wird ein anderer Wert simuliert, was den Zweck eines Zufallseffekts zunichtemacht; Zufallseffekte sollten immer denselben Wert haben. Jill erscheint.
	Das wird sich wie ein zufälliger Fehler auswirken, und ich möchte an dieser Stelle betonen, dass es sich um einen Wert handelt, den wir in jeder Zeile ändern möchten. Wie können wir dieses Problem also lösen?
	Ich erzähle Ihnen das, weil mir das beim ersten Mal, als ich das präsentierte, tatsächlich passiert ist – etwas peinlich.
	Und zum Glück kam mein Kollege dazu. Anschließend zeigte er mir einen Trick, wie man den Zufallseffekt richtig einfügt, und hier ist der Trick.
	Wir gehen jetzt ganz nach oben und geben „if row“ ein.
	Gleich eins
	Ich werde eine Variable erstellen und sie Tech Jill nennen.
	Und hier platziere ich es nun.
	Dieser Trick bewirkt, dass diese zufällige normale Jill durch eine Tech-Jill ersetzt wird.
	Dies bewirkt Folgendes: Wenn es sich um die erste Zeile handelt, simulieren wir eine Zufallsvariable und weisen ihr den Wert innerhalb dieses Parameters zu.
	In der ersten Zeile simulieren wir nicht erneut, was bedeutet, dass Tech Jill den ursprünglich angegebenen Wert beibehält und ihn überall dort beibehält, wo wir ihn einfügen.
	Wir werden also dasselbe tun.
	Für Bob
	Wie Sie sehen können, wird damit der Zufallseffekt erzielt.
	Wenn wir Bob hier einsetzen, wird es für Stan etwas einfacher. Wir müssen ihn nicht simulieren, da sich Zufallseffekte im Modell auf null summieren sollten.
	Und so gehen wir dabei vor.
	Wir machen ihn zur Gegenseite.
	Von einigen der anderen Auswirkungen.
	Führen Sie hier das gleiche Verfahren für Serumcharge 1 durch.
	Diesmal werde ich es etwas lauter angehen.
	Nehmen wir an, es gäbe etwas mehr Rauschen im
	Serum-Lots
	Und das ist der Vorteil dieses Ansatzes: Man kann mit verschiedenen Szenarien experimentieren.
	Geben Sie diese Werte hier ein.
	Okay.
Caleb King	Und noch einmal dieser hier.
	Einige der anderen. Und bevor ich die letzte hinzufüge, füge ich sie gleich hier ein, da es so einfacher ist, gleich am ersten Tag.
	Negativer erster Tag.
	Und ich füge hier noch hinzu, dass es sich um einen Zufallseffekt handelt, und sage, dass es ein Zufallseffekt ist.
	Ich kann tippen
	Ist etwas kleiner.
	Okay, an diesem Punkt sollten wir unsere vollständige Simulationsformel haben. Wenn ich auf OK klicke, gelangen Sie zurück zur Formel-Editor-Ansicht.
	Wir sollten startklar sein.
	Okay, hier ist also unsere Simulationsformel.
	Und nun zum nächsten Schritt: Was machen wir als Nächstes? Wir kehren zu unserem Passformmodell zurück.
	Und wir werden in den Bereich gehen, in dem wir die Leistung simulieren wollen.
	Ich gehe jetzt zum Feld für die Tests mit festen Effekten. In dieser Spalte steht der p-Wert. Die ursprüngliche verrauschte Simulation hat in diesem Fall keine p-Werte geliefert. Das ist in Ordnung, das ist für uns irrelevant.
	Wir brauchten das nur, um das Modell zu generieren, das wir dann in eine Simulationsformel umgewandelt haben. Ich klicke jetzt mit der rechten Maustaste unter diese Spalte. Wichtig: Das funktioniert nur mit JMPed Pro.
	Und hier ganz unten steht „Simulieren“. Darauf klicken wir.
	Das Programm fragt uns, welche Spalte ausgetauscht werden soll. Standardmäßig wird die Antwortspalte ausgewählt. Anschließend werden alle Spalten mit den Simulationsformeln durchsucht. Wir möchten diese Spalte auswählen, da sie unser Simulationsmodell enthält.
	Gib an, wie viele Proben es sein sollen und dass es 100 Proben durchführen soll.
	Ich werde meinen bevorzugten Zufallssamen verwenden.
	Und ich klicke auf OK.
	Warten Sie einen Moment, etwa ein oder zwei Sekunden.
	Und da sind wir nun.
	Es wurde also eine Tabelle mit den Simulatorantworten generiert. Das Modell wurde angepasst.
	Und es werden die p-Werte zurückgemeldet. Es gibt jedoch Fälle, in denen keine p-Werte vorliegen; wir befinden uns dann in einer ähnlichen Situation wie zu Beginn, und das ist in Ordnung. Das kommt bei Simulationen vor, solange wir über eine ausreichende Anzahl an Daten verfügen, um eine Schätzung zu erhalten.
	Das Schöne daran ist, dass JMPed erkannt hat, dass wir p-Werte simuliert haben. Also alles klar. Ich wette, Sie führen gerade eine Poweranalyse durch, und JMPed hat uns freundlicherweise ein Skript dafür bereitgestellt. Vielen Dank, JMP!
	Wir führen das aus, und Sie werden sehen, dass es der Verteilungsplattform sehr ähnlich sieht. Es hat also eine Verteilung jeder dieser Zeilen, Entschuldigung, Spalten, durchgeführt, aber mit einer zusätzlichen Funktion – einer neuen Tabelle hier, die die simulierte Leistung anzeigt, und weil wir sie simulieren.
	Wir können diese Zahlen ablesen, um die geschätzte Trennschärfe zu ermitteln. Wenn der Wert nicht 100 beträgt, sondern ein anderer Wert ist, können wir uns die Ablehnungsrate ansehen. Hier sehen wir für unsere drei Mischungsfaktoren, dass wir angesichts aller Umstände eine recht gute Trennschärfe haben.
	Um diese speziellen Koeffizienten zu ermitteln. Wenn wir uns nun die anderen drei Faktoren ansehen, sieht es nicht so gut aus.
	Dann müssten wir also zurückgehen und sagen: Okay,
	Vielleicht gehen wir zurück und sehen, was der maximale Wert ist, den ich erkennen kann, also werde ich diese minimieren.
	minimiert die Tabelle. Ich werde auf meine Formel zurückkommen und sagen: Lasst uns eine andere Formel verwenden.
	Mach hier etwas anderes.
	Was wäre, wenn ich das ändere? Also, das war 0,5, vielleicht... was wäre, wenn es höher wäre, etwa eins?
	Fürs Erste. Mal sehen, machen wir es doch auch zu einem.
	Und pH 4. Ich gehe auf 3. Ich erhöhe also den Wert etwas. Kann ich das dann nachweisen?
	Wir lassen alles andere unverändert, da wir wissen, dass wir diese erkennen können. Es sieht so aus, als hätte ein Klick auf „Anwenden“ einige neue Daten generiert.
	Das gleiche Prinzip. Ein Rechtsklick unter die Spalte, deren Simulation Sie durchführen möchten, aktiviert die Schnellsimulation.
	Bei einer bestimmten Anzahl von Stichproben. Also, halt es fest.
	Gleiches Saatgut.
	Und wir werden gehen
	Sie müssen nur ein paar Sekunden warten, bis die Simulation abgeschlossen ist.
	Da sind wir also.
	Und wir werden unsere Leistungsanalyse erneut durchführen.
	Sieht hier genauso aus. Wir haben da nichts geändert. Also werde ich diese Gruppen zusammenfassen. Ein bisschen zu viel. Los geht's. Verstecken wir diese drei.
	Schauen wir uns das mal an. Beim pH-Wert scheinen wir bessere Ergebnisse erzielt zu haben, daher könnte ein Wert von eins die obere Grenze dessen darstellen, was wir bei dieser Probengröße nachweisen können.
	Aber die Temperatur im Zeitverlauf können wir anscheinend immer noch nicht messen, selbst diese hohen Werte nicht. Okay. Ähm, was könnten wir noch ändern? Was wäre, wenn wir die Anzahl der Proben verdoppeln? Ich meine, wir sind
	Wir berechnen das für eine Stichprobengröße. Gehen wir also zurück, und eine Möglichkeit, das zu tun, ist, auf „Design erweitern“ zu klicken.
	werden alle unsere Faktoren auswählen.
	Wählen Sie unsere Antwort aus.
	Klicken Sie auf OK.
	Wir werden das Design lediglich erweitern.
	Und dieses Mal verdoppeln wir es, dann sind es 24.
	Ich werde also den Entwurf erstellen.
	Und das wird ein bisschen Zeit in Anspruch nehmen. Deshalb werde ich tatsächlich
	Etwas zu früh.
	Mal sehen, ob wir den Tisch hinbekommen.
	Okay, jetzt haben wir also die Anzahl der Läufe verdoppelt.
	Und
	Wir haben also nur die Hälfte der Antworten erhalten. Das ist in Ordnung, da wir ja nur eine Antwort benötigen. Ich nehme das jetzt einfach und kopiere es.
	Und einfügen
	Natürlich würde man das im realen Leben nicht tun, weil man dadurch hoffentlich andere Ergebnisse erhält. Aber wir brauchen hier nur eine verrauschte Antwort, die wir dem Modell zuführen. Diesmal müssen wir die Sache etwas anpassen. Ich wähle diese drei aus und gehe hier zu den Attributen, wo ich Zufallseffekte hinzufüge.
	Alles soll unverändert bleiben. Klicken Sie auf Ausführen.
	Ich merke, dass meine Simulationsformel noch fehlt, aber anstatt sie komplett neu erstellen zu müssen, kann ich einfach eine neue Spalte anlegen und zur alten zurückkehren.
	Rechtsklicken Sie, um Spalteneigenschaften zu kopieren.
	Kommen Sie zurück, klicken Sie mit der rechten Maustaste und wählen Sie „Spalte einfügen“. Meine Formel ist nun einsatzbereit. Angenommen, wir wenden sie unter diesen Bedingungen an und behalten unsere ursprünglichen Werte bei.
	Also gehe ich zurück. Ich doppelklicke darauf, um das Fenster „Anpassungsmodell“ zu öffnen.
	Gehen Sie zu den Fixed-Effects-Tests, klicken Sie dort mit der rechten Maustaste und stimmen Sie wahrscheinlich dem p-Wert zu, simulieren Sie und
	Ich werde das nicht ändern, denn es gab nur eine Simulation, wir haben die von mir gewünschte ausgewählt und sie hat die richtige Antwort gefunden.
	Also werde ich diese einfach ändern.
	Mal sehen, was in diesem Fall passiert.
	In Ordnung.
	Führen Sie die Leistungsanalyse durch. Aber nochmal, ich werde mir darüber keine Gedanken machen.
	Die Mischungseffekte sind darauf zurückzuführen, dass wir, wie Sie sehen, ein noch besseres Ergebnis erzielt haben als das ursprüngliche, das bereits gut war. Daher werde ich sie wieder ausblenden.
	So konnten wir leichter erkennen, welche Fälle sich für den pH-Wert interessierten. Wir wussten, dass wir wahrscheinlich bessere Ergebnisse erzielen würden, denn selbst mit den alten 12 Läufen hatten wir eine recht gute Leistung.
	Es sieht so aus, als hätten wir die Temperatur im Zeitverlauf deutlich verbessert. Wenn dies also eine Art Obergrenze der Effektstärken darstellt, wären wir an einer unteren Obergrenze interessiert, und dies deutet darauf hin, dass eine Verdopplung des Stichprobenumfangs hilfreich sein könnte.
	Diese Beispiele veranschaulichen die Anwendung. Zunächst einmal zur Ein-Klick-Simulation.
	Und wie wir es dann für die Berechnung der statistischen Aussagekraft nutzen können und wie es Sie zu konkreten Handlungen anregt. Bevor ich zu JMP kam, habe ich das oft so gemacht: Ich habe den Nutzern verschiedene Optionen aufgezeigt und sie ermutigt, ihre Möglichkeiten zu erkunden. Die Stichprobengröße schien dabei in Bezug auf Temperatur und Zeit hilfreich zu sein.
	Wenn Sie Ihre Suchkriterien ändern, scheint dies den pH-Wert zu beeinflussen, und die Auswirkungen der Mischung scheinen uns zu helfen. Erforschen Sie daher Ihre Möglichkeiten.
	Das kann also auch bedeuten, dass man die Varianzen der Schätzungen der Zufallseffekte nachträglich ändert.
	Ich könnte beispielsweise hierher zurückkommen. Das werde ich aber nicht tun. Ich könnte diese Werte jedoch ändern und beispielsweise sagen: „Was passiert, wenn die Techniker etwas unruhiger sind, während die Serumproben weniger unruhig sind?“ Versuchen Sie, Situationen zu finden, in denen Ihr Testplan robuster gegenüber unvorhergesehenen Bedingungen ist.
	Okay, dann lass mich mal putzen.
	Gehen Sie diese Schritte durch und schließen Sie sie alle ab.
	In Ordnung.
	Für die verbleibenden Szenarien werde ich verschiedene Ansätze zur Umsetzung vorstellen. Der allgemeine Ansatz bleibt jedoch gleich: Sie erstellen Ihr Design und simulieren eine Reaktion.
	Wir verwenden ein Us-Fit-Modell, oder in diesem Fall nutzen wir eine etwas andere Plattform, um ein Modell zu generieren.
	Und dann verwenden Sie dieses Modell, um eine Simulationsformel zu erstellen, die Sie dann mit dem Ein-Klick-Simulationsansatz verwenden.
	Betrachten wir nun einen Fall, in dem ein Unternehmen eine Studie durchführen möchte. Nehmen wir an, es führt eine Mitarbeiterbefragung durch, um die Faktoren zu ermitteln, die die Mitarbeiterfluktuation beeinflussen.
	Viele Mitarbeiter werden das Unternehmen verlassen. Deshalb möchten sie eine Umfrage durchführen, um zu ermitteln, welche Faktoren Einfluss haben und wie viele daran teilgenommen haben, damit sie ihre Planung entsprechend anpassen können.
	Nun zu den Antworten in Jahren im Unternehmen, aber mit zwei kleinen Haken. Erstens muss ein Mitarbeiter mindestens einen Monat gearbeitet haben, bevor er ausscheidet, damit dies als natürliche Fluktuation gilt.
	Und das andere ist, dass die Antworten in Jahren angegeben werden, aber vielleicht interessieren uns Monate mehr. Wie viele Monate? Vielleicht liegt es an der Funktionsweise unserer Budgetierungssoftware oder so.
	Und wissen Sie, für Angestellte ist es vielleicht einfacher zu beantworten. Und zwar, wie viele Jahre sie schon im Unternehmen sind, anstatt wie viele Jahre oder Monate. Sie sind schon im Unternehmen.
	In diesem Fall haben wir also eine Intervallzensierung, da uns zwar die Anzahl der Jahre angegeben ist, wir aber nur wissen, dass sie zwischen dieser Anzahl von Jahren und einem Jahr später dort waren. Wir haben auch den Fall, dass sie vor dem Jahr ausscheiden, dann wird die Zensierung zwischen einem Monat und einem Jahr durchgeführt.
	Öffnen Sie also die Bühnentabelle. Ich habe bereits vieles vorbereitet. Wir haben hier viele Faktoren, scrollen Sie also ganz nach unten. Dort sehen Sie die Antworten, die wir betrachten.
	Wir haben also wieder den niedrigsten und den höchsten Wert eines Jahres. Das bedeutet: Wenn ein Mitarbeiter angibt, nach sechs Jahren ausgeschieden zu sein, lag seine tatsächliche Betriebszugehörigkeit, gemessen in Monaten, zwischen sechs und sieben Jahren.
	Wenn sie vor Ablauf eines Jahres abgereist sind, dann wissen wir, dass sie irgendwann zwischen einem Monat und einem Jahr dort waren.
	Ich klicke hier auf diese Schaltfläche, um die Intervallzensierung zu starten. Wir verwenden die generische Plattform. Wir gehen von einer Wible-Verteilung für die Antwort aus.
	Wir verwenden hier keinen Zensierungscode, da wir Intervallzensierung verwenden. Wir gehen dabei so vor, dass wir beide Antwortspalten in die y-Tabelle einfügen.
	Das werden Sie sehen. Okay. Und hier sind alle Faktoren, die Sie sehen werden: Wenn wir auf „Ausführen“ klicken, erkennt JMP eine Zeit-bis-Ereignis-Verteilung und sagt: „Okay, wenn Sie mir zwei Antwortspalten gegeben haben, bedeutet das, dass Sie in diesem Fall eine Intervall-Sensorik verwenden?“ Ja, das tun wir.
	So, nun.
	Wir werden das Gleiche durchgehen. Wir werden das richtige rote Dreieck finden. In diesem Fall befindet es sich hier neben der Waibel-Maximum-Likelihood. Und jetzt kommt das wirklich Schöne daran:
	Die Generate-Plattform. Sie hat schon viele tolle Eigenschaften. Aber hier kommt noch das Sahnehäubchen obendrauf.
	Wenn ich hier klicke, müssten wir, wie zuvor, die Vorhersageformel speichern und anschließend einige Anpassungen vornehmen, um sicherzustellen, dass ein zufälliges Wible simuliert wird.
	Das gilt jedoch im Allgemeinen.
	Das Programm erkennt, dass die Simulation mit einem Klick möglich ist und fragt daher: „Möchten Sie die Simulationsformel speichern, falls Sie daran interessiert sind?“ Wir bestätigen dies und klicken auf „Simulationsformel speichern“.
	Lasst uns an unseren Tisch zurückkehren.
	Und Sie werden feststellen, dass nur eine Ruhephase simuliert wurde. Ich werde gleich genauer darauf eingehen, warum. Aber lassen Sie uns kurz überprüfen, ob es funktioniert.
	Und da ist es tatsächlich. Ich klicke zweimal darauf, um die Skriptsprache aufzurufen. Sie werden sehen, dass sie bereits als zufälliges Wible eingerichtet ist; die Transformation des Modells ist bereits vorhanden.
	Sie müssten an dieser Stelle lediglich diese Parameterwerte so ändern, dass sie für Sie wissenschaftlich relevant sind.
	Okay, für dieses Mal werde ich das nicht tun. Ich lasse sie einfach so. Ich werde aber eine Änderung vornehmen und versuchen, das Ergebnis nachzustellen.
	Die konkreten Situationen, die wir verwenden werden. Beachten Sie Folgendes: Es handelt sich hierbei um kontinuierliche Werte, obwohl wir eigentlich runde Jahreszahlen erhalten sollten. So kann ich das erreichen.
	Das sind Jahre. Hallo, ich werde eine einfache Variable erstellen, die der tatsächlichen kontinuierlichen Zeit entspricht, aber den aufgerundeten Wert zurückgibt.
	Also im Wesentlichen aufrunden
	Ply. Okay. Und da haben wir's.
	Wie Sie sehen, würde mir das sagen, dass ich Ihre Simulation erfolgreich durchgeführt habe. Hallo. Nun,
	Zu
	Sehen Sie, wenn Sie die Ein-Klick-Simulationen durchführen, sind alle hier verfügbar. Ich öffne die Effekt-Tests.
	Wenn ich mit der rechten Maustaste klicke und dann „Simulieren“ auswähle, kann ich immer nur eine Spalte gleichzeitig bearbeiten. Ich kann also nicht mehrere Spalten per Drag & Drop auswählen.
	Wenn ich jetzt einfach die Jahre, die ich dir gehörte, hier einfügen würde … Hallo, die Simulation sieht ganz gut aus. Das Problem ist der diesjährige Tiefstwert. Dieser Tiefstwert wird nun berücksichtigt, weil er Teil des ursprünglichen Modells war.
	Aber wenn wir zurückblicken, sehen wir schon das Problem, das du ursprünglich in diesem Jahr verwendet hast. Lass mich das hier schnell abbrechen.
	Wenn wir das beispielsweise täten, würde es nicht zum ersten Wert passen, da der Höchstwert des Jahres niedriger ist als Ihrer. Der Tiefstwert dieses Jahres ist nicht mit der Simulationsreaktion verknüpft. Wie beheben wir das? Wir müssen die Verknüpfung herstellen. Ich gehe also zu Ihrem Tiefstwert.
	Ich klicke auf Formel. Hier ist bereits eine Formel vorhanden, ich werde nur eine kurze Änderung vornehmen.
	Ich werde sagen, wenn die Simulationsformel, die ich per Doppelklick erstellt habe, das tut.
	Ein Doppelklick ist eins. Also, jahrelang war der Wert so hoch wie eins und gab 112 zurück.
	Andernfalls gib den Simulationswert minus eins zurück.
	Klicken Sie nun auf OK und wenden Sie das Programm an.
	Wie Sie sehen können, ist es richtig, jetzt ist es damit verbunden.
	Jetzt kann ich also zurückgehen
	Ich kann mit der rechten Maustaste klicken, die Simulation starten und den Höchstwert des Jahres durch die Simulationsformel ersetzen. Ich kann dann sicher sein, dass der Tiefstwert des Jahres korrekt ist. Er liegt immer ein Jahr niedriger, außer wenn er bereits ein Jahr niedriger ist (in diesem Fall 112).
	Es ist nun also damit verknüpft und wird immer miteinbezogen, wenn die Simulation durchgeführt wird.
	Ich werde ganz schnell eine kurze Simulation durchführen.
	So, jetzt geht's los. Es geht etwas langsam voran. Das ist also ein gutes Zeichen.
	Ich lasse es seinen Lauf nehmen.
	Okay. Das sind also unsere Simulationen.
	Und natürlich können wir die Leistungsanalyse durchführen. In diesem Fall gibt es viele Faktoren, die, glaube ich, eine Rolle spielen. 1400 70 Zitat, um dies zu spielen.
	Bei vielen von ihnen haben wir es übertrieben.
	Überraschenderweise gibt es bei einigen von ihnen aber immer noch Probleme. Daher wäre es vielleicht sinnvoll, dies zu untersuchen; möglicherweise können wir diesen niedrigen Koeffizienten nicht erkennen.
	Möglicherweise müssen wir einige dieser Faktoren ändern, die wir in unserer Planungsbesprechung besprechen sollten.
	So muss man vorgehen, wenn man diesen Fall hat: Wir hatten Intervallzensierung, er hatte Rechtszensierung, also hatte man eine Zensierungsspalte.
	Dasselbe würdest du tun. Es würde eine Simulation zur aktuellen Zeit ausgeben, würde ich sagen, und daran kannst du dann noch einige Anpassungen vornehmen.
	Um sicherzustellen, dass die Zeitangabe mit den in Ihrer Antwort angezeigten oder erwarteten Daten übereinstimmt. Anschließend müssen Sie Ihre Zensierungsspalte mit der Simulation verknüpfen. Dies ist immer dann erforderlich, wenn Sie diese Einstellung verwenden.
	Okay.
	Lasst uns das alles ausräumen.
	Schauen wir uns also noch ein anderes an.
	Was passiert bei einer nicht-normalen Antwort? Wir haben bereits eine solche Antwort gesehen, nämlich eine Antwort vom Typ Zuverlässigkeit. Wir wissen also, dass wir die Generierung nutzen können. Schauen wir uns kurz eine weitere an. In diesem Fall haben wir eine normale Antwort in
	Ein Test.
	Das System wird in der Lage sein, die Reaktionen der Waffen pauschal, also prozentual, zuzuordnen. Technisch gesehen könnte man dies als Normalverteilung modellieren.
	Und das mag in Ordnung sein, solange man Werte im Bereich von etwa 50 Prozent erwartet.
	Nein, aber da wir eine sehr präzise Waffenplattform entwickeln wollen, würden wir uns Antworten nahe 100 % wünschen.
	Daher wäre vielleicht eine Beta-Verteilung als Antwortvariable besser geeignet. Es gibt jedoch eine Besonderheit: Wir haben drei relevante Faktoren, aber einer davon – das Zielkriterium – ist im Sicherungstyp verschachtelt. Daher hängt der Zielfaktor vom Sicherungstyp ab.
	Case wird das ganz schnell ausführen. Wir haben unsere Daten ja bereits erstellt.
	In diesem Fall habe ich einige Zufallsdaten simuliert und sie so angepasst, dass sie zwischen null und eins liegen. Das habe ich einfach durch die logistische Transformation einer zufälligen Normalverteilung erreicht.
	OK.
Caleb King	Ich werde kopieren
	Paste.
	Stelle sicher, dass ich einfügen kann.
	Und gehen Sie es noch einmal durch.
	Ganz einfach.
	Wir werden die Beta-Antwort verwenden. Wir haben unsere Antwort. Wir haben unser Ziel innerhalb eines zukünftigen Typs verschachtelt.
	Klicken Sie auf Ausführen.
	Und wieder das rote Dreieck. Viele sagen, Spalten würden die Simulationsformel speichern. Und genau das kann man im Generierungsmodus für das reguläre Anpassungsmodell tun, was aber leider nicht möglich ist.
	Aber wir haben unsere Simulationsformel. Ich werde keine Änderungen vornehmen.
	Aber Sie können das tun. Wie Sie sehen, ist die Struktur bereits vorhanden, inklusive Doppelklick. Sogar die logistische Transformation. Sie müssen also nur noch Ihre Modellparameter eingeben.
	Verzeihung.
Caleb King	Schnell. Okay.
	Tschüss. Okay. Und dann gehen wir wieder runter.
	Und so macht man das. Also gehen wir runter.
	Effekttests, Rechtsklick auf Simulieren
	Nimm die entsprechende Änderung vor und geh
	Okay, sehen Sie selbst, wie einfach es im Allgemeinen ist. Selbst wenn Ihre Reaktionen nicht normal sind.
	Sie können loslegen. Vielen Dank an generate.
	Okay.
	Jetzt,
	Was aber, wenn man Längsschnittdaten hat? Das kann knifflig sein, einfach weil die Antworten nun miteinander korreliert sein könnten. Wie wir das also gut einbeziehen können, ist ganz einfach.
	In diesem Fall haben wir ein Beispiel für ein Unternehmen, das ein Medikament zur Senkung des Cholesterinspiegels herstellt. Nehmen wir an, es handelt sich um ein Medikament, ein
	Wir werden eine Studie durchführen, um es mit einer Konkurrenzbehandlung zu vergleichen. Der Vollständigkeit halber wird es eine Kontrollgruppe und eine Placebogruppe geben. Jede Gruppe wird fünf Probanden umfassen. Der Längsschnittaspekt besteht darin, dass die Messungen morgens und nachmittags einmal im Monat über drei Monate hinweg durchgeführt werden.
	Ich werde jetzt nicht viel Zeit darauf verwenden, denn ich möchte Ihnen nur zeigen, wie man den Längsaspekt einbezieht. In diesem Fall habe ich bereits
	Ich habe ein Modell erstellt und die Simulationsformel definiert. Sie können diese nun als Referenz verwenden, wie Sie das selbst umsetzen könnten. Nehmen wir an, wir haben ein AR-1-Modell.
	Und dazu ganz kurz.
	Nur um es Ihnen zu zeigen. Hier sind also alle festen Effekte. Beachten Sie, dass wir hier viele Wechselwirkungen haben. Behalten Sie das im Hinterkopf, die Formel könnte deshalb etwas unübersichtlich aussehen.
	Du hast
	Es wurde festgestellt, dass wir eine sich wiederholende Struktur haben. Daher habe ich AR 1 ausgewählt.
	Zeitraum in Tagen innerhalb des jeweiligen Themas. Okay. Unter der nächsten Modellplattform.
	Und wie integriere ich nun diese Ära eins in meine Simulationsformel? Ich habe es folgendermaßen gemacht.
	Wenn es sich um die erste Reihe oder den neuen Patienten handelt, bedeutet das, dass der aktuelle Patient nicht mit dem vorherigen Patienten identisch ist.
	Das ist das gespeicherte Modell. Ich habe die Parameterwerte so angepasst, dass sie von Interesse sein könnten. Es war etwas Arbeit, da hier sehr viel passiert. Es gibt viele Wechselwirkungen.
	Am Ende gibt es noch etwas Rauschen. Aber das ist auch schon alles. Ich habe also ein paar Werte geändert. Ich habe viele Nullen eingefügt, um es einfacher zu machen.
	Wenn es sich nicht um die erste Zeile oder einen neuen Patienten handelt, wie beziehen wir dann die Korrelation ein? Ich kopiere einfach das Modell bis hierher und füge diesen Term hinzu.
	Einfach nur ein Wert. Ich glaube, er muss kleiner als eins und gleich dem Eins-fachen des vorherigen Eintrags sein.
	Wenn es autoregressiv wäre, würde man so etwas wie Verzögerung hinzufügen.
	Sim-Formel zu
	Und Sie müssten eine weitere Anpassung vornehmen, denn wenn es die erste Zeile ist, haben wir unser Modell. Wenn es die zweite Zeile ist oder wir zwei Stellen im neuen Patienten sind, könnte es wie ein AR-Modell aussehen; wenn es etwas anderes ist, gehen wir zurück zu
	Wie Sie sehen, ist es sehr einfach, Autokorrelationsstrukturen einzubeziehen. Solange Sie wissen, wie Ihr Modell aussieht, sollte es einfach sein, es als Simulationsformel zu implementieren.
	Okay.
Caleb King	Ich lasse Sie das kurz ansehen.
	Endlich,
	Unser letztes Szenario ist eine Bestanden/Nicht bestanden-Antwort, die ebenfalls sehr häufig vorkommt. Ich werde dies nutzen, um zu veranschaulichen, wie Sie mit der Ein-Klick-Simulation möglicherweise die Herangehensweise an bestimmte Designtypen verändern und Ihnen die Leistungsfähigkeit dieser Funktion aufzeigen können.
	Nicht beabsichtigt
	Nehmen wir an, wir entwickeln ein Detektionssystem zur Erkennung radioaktiver Substanzen. Wir werden es dann mit einem anderen System vergleichen, das möglicherweise bereits im Einsatz ist.
	Wir werden also diese beiden Detektionssysteme vergleichen. Wir haben eine bestimmte Materialmenge und einige Testobjekte ausgewählt, von sehr niedrigen Konzentrationen (1) bis hin zu sehr hohen Konzentrationen (5), und wir werden testen.
	Unser System wiederholt jede Konzentration eine bestimmte Anzahl Male und prüft, wie oft es erfolgreich einen Alarm auslöst.
	Ich werde beide öffnen.
	Fangen wir mit diesem hier an. Das ist ein typisches Design; man sieht, dass wir für jede Einstellung eine ausgewogene Anzahl an Mustern haben. In diesem Fall haben wir sehr viele Muster. Sie haben großes Glück, dass dieser Ort so ist.
	Nehmen wir an, wir führen bei jedem Durchlauf 32 Gleichgewichtsversuche durch. Dies ist eine simulierte Reaktion. Okay, sagen wir. Und hier habe ich meine Simulationsformel erstellt.
	Ich zeige Ihnen also, wie das aussieht. Wiederum eine zufällige Binomialverteilung. Sie sind alle gleich. Ich habe die Zahl hier beibehalten, hätte aber auch die Alarme in der Spalte „Versuche“ von einem unabhängigen, konsistenten Faktor beziehen können, aber das ist in Ordnung.
	Hier ist mein Modell, an dem ich vielleicht interessiert bin.
	Okay.
	Und hier.
	Ich habe ein Szenario, in dem ich anstatt einer ausgewogenen Anzahl und jeder Einstellung die meisten meiner Stichproben hier in der Mitte platziert habe.
	Meine Überlegung wäre, dass es bei einer niedrigen Konzentration funktionieren könnte. Ich gehe kaum davon aus, dass es funktioniert. Meine Erwartungen sind realistisch.
	Und bei einer hohen Konzentration sollte es fast immer erkannt werden. Der wichtigste Unterschied liegt für mich also im mittleren Konzentrationsbereich, vielleicht bei drei oder vier Konzentrationen.
	Und genau dort lade ich die meisten meiner Beispiele. Dann füge ich hier noch ein paar weitere hinzu. Bei diesen anderen Einstellungen verwende ich die wenigsten. Mal sehen, wie die einzelnen Testpläne für Formulare hinsichtlich ihrer Aussagekraft abschneiden.
	Führen Sie hier das Skript für das Binomialmodell aus. Es gibt nur einen Modelleffekt: das System. Wir geben keine Konzentration an, da wir wissen, dass es einen Effekt gibt. Dieser Effekt interessiert uns.
	Binomialverteilung generieren.
	Okay, führen Sie es erneut aus (rotes Dreiecksmenü).
	Ich habe meine Simulationsformel bereits.
	Also brauche ich das eigentlich gar nicht.
	Du hast also bereits ein Muster entwickelt.
	Rechtsklick. Simulieren? Okay, alles sieht gut aus.
	Mein nächster Lieblings-Zufallssamen.
	Hier haben wir die Leistungsanalyse. Okay, gehen wir jetzt mal hierhin.
	Machen Sie dasselbe. Ich passe das Modell an und wiederhole es, sobald Sie eine Binomialverteilung haben. Sie müssen nicht nur die Anzahl der Alarme, sondern auch die Anzahl der Versuche angeben.
	Scrollen Sie bei den Effekttests nach unten.
	In der Grundschule, um einen Hinweis darauf zu bekommen, was passieren wird.
	Schnell. Okay.
	Hier sind meine Simulationen, ziehe meine Parallelen hierher, minimiere, minimiere. Und das ist das Ergebnis des Ausgewogenen Designs.
	Auffällig ist die sehr geringe Leistung, was seltsam erscheint, da wir in jedem Durchlauf 32 Proben hatten. Das sind wirklich viele Proben; für so viele Proben hätte ich mir an meinem vorherigen Arbeitsplatz sehr gewünscht.
	Man würde also eine hohe Leistung erwarten, aber hier scheint keine vorhanden zu sein. Ich hatte die gleiche Gesamtzahl an Proben. Ich habe sie nur anders aufgeteilt.
	Und mein Leistungsniveau hat sich drastisch erhöht. Vielleicht, wenn ich hier noch mehr stapel. Vielleicht, wenn es vier und vier macht und dann für jeden dieser Werte bearbeitet.
	Ich könnte die statistische Aussagekraft sogar noch erhöhen, um diesen Unterschied festzustellen. Das zeigt also nicht nur, dass es nicht immer nur auf die Stichprobengröße ankommt – in diesem Fall hatten wir ja bereits viele Stichproben –, sondern auch, wie man sie verteilt.
	Okay.
	Also,
	Ich hoffe, Sie sind genauso begeistert wie ich von diesem fantastischen Werkzeug zur Leistungsberechnung.
	Ich möchte Ihnen zum Schluss noch einige wichtige Erkenntnisse mitgeben.
	Wir verwenden also wieder Simulationen. Idealerweise hätten wir natürlich gerne eine Formel. Und gerade in Zivilprozessen haben wir den Vorteil einer einfachen Formel.
	Selbst bei den Regressionsmodellen haben wir im Grunde Formeln, die uns im Hintergrund helfen. Aber natürlich ist die reale Welt etwas komplexer. Daher müssen wir uns typischerweise auf Simulationen verlassen, die, wie wir gesehen haben, ein sehr leistungsfähiges Werkzeug sein können.
	Eine der wichtigsten Aufgaben bei Simulationen ist natürlich die Balance zwischen Genauigkeit und Effizienz. Normalerweise habe ich 100 Simulationen durchgeführt.
	Hauptsächlich, um Zeit zu sparen.
	Letztendlich sollten Sie aber vielleicht bei der Standardeinstellung von 2500 bleiben, wohl wissend, dass der Vorgang einige Zeit in Anspruch nehmen wird.
	Ich würde daher vorschlagen, mit 100 bis 200 Simulationen zu beginnen, um einen Überblick über die Situation zu erhalten. Und wenn man dann eine Situation findet, die…
	Dort, wo es so aussieht. Nein, es lohnt sich, weitere Untersuchungen durchzuführen und die Anzahl der Proben zu erhöhen, um die Genauigkeit zu steigern.
	Okay, vielleicht fängt man mit ein paar verschiedenen Situationen an, führt ein paar schnelle Simulationen durch und konzentriert sich dann auf einige Schlüsseleinstellungen und Schlüsselszenarien. Anschließend kann man die Anzahl der Simulationen erhöhen, um eine höhere Genauigkeit zu erzielen.
	Ich diskutiere immer über Power-Berechnungen, genau wie die Versuchsplanung nie eine einmalige Angelegenheit ist.
	Man sollte nicht einfach einen Taschenrechner benutzen, ein paar Zahlen eingeben und dann eine Stichprobengröße berechnen. Beim Design kann vieles schiefgehen.
	Oder was kann in einem Experiment passieren? Ich denke, der beste Weg, ein Experiment zu planen, besteht darin, verschiedene Szenarien zu berücksichtigen. Man sollte also unterschiedliche Rauschpegel untersuchen.
	In Ihrer Antwort. Vielleicht spielen die gemischten Effekte also mit unterschiedlichen Größen der gemischten Effekte.
	Natürlich kann man verschiedene Stichprobengrößen untersuchen, aber auch verschiedene Modelltypen. Zum Beispiel: Wenn wir im universellen Zentrum das Wible-Modell verwenden, wäre das anders, wenn er viele normale Modelle verwendet hätte.
	Erkunden Sie diese verschiedenen Szenarien und wissen Sie, dass die Präsentation dieser Szenarien vor den Testplanern Ihnen die Möglichkeit gibt, Ihre Studie so zu gestalten, dass sie für eine Vielzahl von Umgebungen robust ist.
	Rechne also nie einfach nur nach und komm dann wieder zurück, sondern betrachte die Spieler immer im Präsens mit verschiedenen Szenarien. Es ist der gleiche Prozess. Ich nutze das, wenn ich
	Ich habe tatsächlich Experimente konzipiert und durchgeführt. Den Testspielern habe ich verschiedene Optionen vorgestellt, die sie erkunden konnten. Sie konnten sich für eine Option oder eine Kombination entscheiden. Das sollte man immer tun, um seine Pläne robuster zu gestalten.
	Wie gesagt, sie sind
	Okay. Ich hoffe, Sie haben etwas Neues gelernt. Bei Fragen können Sie sich gerne an mich wenden; meine E-Mail-Adresse wird Ihnen wahrscheinlich mitgeteilt.
	Ich hoffe, Ihnen hat dieser Vortrag gefallen und wünsche Ihnen viel Freude auf dem Rest der Konferenz. Vielen Dank.

Fortgeschrittene statistische ModellierungGrundlagen der Datenanalyse und ModellierungVerbraucher- und MarktforschungVersuchsplanungMassenanpassungPrädiktive Modellierung und maschinelles LernenQualitäts- und ProzessentwicklungZuverlässigkeitsanalyseErgebnisse teilen und kommunizieren