| Lautsprecher |
Transkript |
| Paulo Peloia |
Hallo, mein Name ist Paulo Peloia. Ich leite die Datenanalyse für Lateinamerika bei Syngenta Crop Protection. Die Forschung |
| |
Mein Vortrag befasst sich mit der Optimierung der Stichprobengröße für Bodenschädlinge in Zuckerrohrversuchen. |
| |
Hier in Brasilien führen wir einige Versuche durch, um Produkte gegen Bodenschädlinge an Zuckerrohr zu testen. Dabei werden vier Wiederholungen an vier Teilproben pro Parzelle durchgeführt. |
| |
In jeder Teilprobe müssen wir den Boden ausgraben, um die Wurzeln des Zuckerrohrs zu entfernen und anschließend den durch diese Bodenschädlinge verursachten Schaden zu beurteilen. Das machen wir in 0,5 Reihenmetern. |
| |
Bei diesem Versuchsaufbau liegt leider genau darin unser Problem: Wir können einen signifikanten Unterschied zwischen den Behandlungen nur in 40 % der Fälle feststellen, wenn wir ein Alpha von 5 % berücksichtigen. Okay. |
| |
Bevor wir die Anzahl der Wiederholungen in unseren Versuchen erhöhten, was die Kosten unserer Experimente drastisch erhöhen würde, beschlossen wir, zunächst die Anzahl der von uns gesammelten Unterproben zu bewerten. |
| |
Es ist bekannt, dass der experimentelle Fehler mit zunehmender Anzahl an Teilstichproben abnimmt. Ebenso ist bekannt, dass diese Abnahme des experimentellen Fehlers mit der Anzahl der Teilstichproben abnimmt. Wir haben also einen nichtlinearen Trend. |
| |
Ab einem gewissen Punkt geht diese Reduzierung der experimentellen Fehler gegen null. Aus diesem Grund haben wir uns für das quadratische Plateau-Modell entschieden, die Methodik, die wir in wenigen Sekunden erläutern werden. |
| |
Ich sagte also, dass das Ziel dieser Untersuchung darin bestehe, die optimale Anzahl von Teilproben pro Parzelle zu bestimmen. |
| |
Was trägt im Hinblick auf Bodenschädlinge an Zuckerrohr am wenigsten zu einem effizienteren Versuchsablauf bei? Gut, sprechen wir nun über die von uns angewandte Methodik. |
| |
Wir begannen diese Studie mit der Durchführung zweier Blindversuche mit elf Behandlungen, vier Blöcken und acht Unterproben pro Parzelle. Wohlgemerkt acht, nicht vier. |
| |
Teilstichproben pro Parzelle. Okay, damit...mit dem Ergebnis dieser beiden Blindversuche wenden wir nun die Bootstrap-Methode an. |
| |
Um den mittleren Standardfehler bzw. den experimentellen Fehler für jede Teilstichprobengröße von acht bis eins zu schätzen, wurde anschließend das quadratische Plateau-Modell angepasst. Betrachten wir nun diese Methodik, das quadratische Plateau-Modell, genauer. |
| |
Okay, hier links haben wir die Gleichungen, die zu diesem Modell gehören, aber ich werde mich auf das rechte Teil hier, auf die Grafik, konzentrieren, okay? |
| |
Im Prinzip beginnt dieses Modell mit einem quadratischen Modell, okay, bis zu einem Wendepunkt... bis zu einem Wendepunkt, an dem es zu einem Plateau oder einer horizontalen Linie wird, okay. |
| |
Im Rahmen dieser Studie ist auf der X-Achse die Anzahl der Teilstichproben pro Parzelle und auf der Y-Achse der Wurzelmittelwert abgetragen. |
| |
Der quadratische Fehler bzw. die Standardabweichung unseres Versuchs und dann dieser Break-Even-Punkt, okay. Dieser Break-Even-Punkt wird als optimaler Punkt bezeichnet. In unserem Fall ist dies der |
| |
Optimale Anzahl von Teilstichproben pro Diagramm, okay. Nur noch eine Anmerkung, falls Sie das in JMP implementieren möchten, |
| |
Diese Formel hier oben wird in JMP zu dieser Formel im unteren Teil der Folie, okay? |
| |
Dann können Sie im Menü auf „Analysieren“ und anschließend auf „Spezialisierte Modellierung“ und schließlich auf „Nichtlineare Plattform“ gehen. Okay. Wenn Sie das in JMP machen möchten, müssen Sie folgendermaßen vorgehen. Gehen wir zurück zur ersten Folie. |
| |
Wir befinden uns also immer noch in der...methodischen Phase, in der es darum geht, die optimale Anzahl von Teilstichproben zu ermitteln. |
| |
pro Parzelle, die wir mithilfe des quadratischen Plateaumodells identifiziert haben, führten wir in der folgenden Saison durch |
| |
Wir haben drei reale Studien mit dieser Anzahl von Teilstichproben durchgeführt und dann die Bootstrap-Methode erneut angewendet, um die Fähigkeit dieser Studien, signifikante Unterschiede zwischen den Behandlungen zu erkennen, mit der Fähigkeit zu vergleichen, die Studien mit vier Teilstichproben, unserem bisherigen Standard, durchzuführen. |
| |
Schauen wir uns also die Ergebnisse an. Zunächst die Ergebnisse der Blindversuche zur Ermittlung der optimalen Anzahl von |
| |
Teilproben pro Parzelle. |
| |
Hier links sehen wir für jedes Blindversuchs ein Diagramm. Auf der x-Achse ist die Anzahl der Teilstichproben pro Diagramm abgetragen, von acht bis eins. Auf der y-Achse ist die Standardabweichung des Versuchs dargestellt, und wir sehen hier, dass wir für jede Anzahl von Teilstichproben 1000 Datenpunkte haben. |
| |
Okay, und hier im leeren Experiment 1 sehen wir eine sehr symmetrische Verteilung der Punkte, wobei der rote Punkt hier den Mittelwert darstellt. |
| |
Die Standardabweichung. Im zweiten Blindversuch sehen wir eine asymmetrische Verteilung. Genauer gesagt handelt es sich um eine rechtsschiefe Verteilung. |
| |
Und aus diesem Grund halte ich es für wichtig, mehr als ein Blindversuch durchzuführen, um dies abzuschätzen, denn wir haben nicht immer eine Normalverteilung, okay? |
| |
Die roten Punkte hier werden also in die Diagramme auf der rechten Seite des Bildschirms übertragen. Anschließend wird das quadratische Plateau-Modell verwendet. Wie bereits erwähnt, beginnen wir mit dem quadratischen Modell und dann |
| |
Im... am Wendepunkt wird es zu einer horizontalen Linie, okay. In beiden Fällen, ich meine, in beiden Experimenten ist das R² wirklich gut, 97 %, okay. Wir können sehen, dass das Modell und die |
| |
Die Daten sind gut, ich meine, sie sind... sie liegen nahe beieinander, und wir können hier die optimale Anzahl an Teilstichproben sehen. Im Fall des ersten Blindversuchs 5,6 und im Fall des zweiten 5,4, okay. |
| |
Da es nicht möglich ist, 5,5 Teilproben pro Parzelle zu entnehmen, haben wir die optimale Anzahl von sechs Teilproben pro Parzelle gewählt. Mit dieser Anzahl haben wir dann die eigentlichen Versuche in der folgenden Saison durchgeführt. |
| |
Also |
| |
Zurück zur ersten Folie. Wir haben den ersten Teil der Methodik behandelt und werden nun die Ergebnisse validieren, also den Nutzen einer Erhöhung der Anzahl der Teilstichproben pro Parzelle bewerten. Okay, los geht's. |
| |
Auf der linken Seite des Bildschirms sehen wir auf der y-Achse den p-Wert für die Behandlungen, und diese rote Linie stellt unser Alpha von 5 % dar. Experimente mit... |
| |
Bei einem AP-Wert unterhalb dieser roten Linie lässt sich ein signifikanter Unterschied zwischen den Behandlungen feststellen, bei Werten, die dies nicht tun. Im oberen Teil sehen wir die drei verschiedenen Validierungsexperimente und innerhalb jedes einzelnen... |
| |
Auf der linken Seite haben wir das Experiment mit vier Teilstichproben, und auf der rechten Seite haben wir das mit sechs Teilstichproben, okay. |
| |
Wir können deutlich erkennen, dass die Anzahl der Datenpunkte unterhalb der 5%-Grenze, also dieser oberen Spezifikationsgrenze, höher ist als bei vier Teilstichproben. Das ist eindeutig zu sehen. Und wenn wir diese Ergebnisse zusammenfassen, ergibt sich Folgendes: |
| |
Fast 41 % der Studien, die einen signifikanten Unterschied zwischen den Behandlungen mit vier Punkten feststellten |
| |
Teilstichproben. Und mit sechs Teilstichproben, unserer optimalen Anzahl, sind es fast 54, okay. Das ist nicht perfekt, aber es ist eine gute Steigerung, okay, eine Steigerung um 13 Prozentpunkte. Gehen wir also zurück zur ersten Folie. |
| |
Um also diese Studie abzuschließen, wie ich bereits sagte, |
| |
Die Erhöhung von vier auf sechs Teilproben pro Parzelle steigerte unsere Fähigkeit, signifikante Unterschiede zwischen den Behandlungen in 13 Prozentpunkten festzustellen. |
| |
Wir können sagen, dass das quadratische Plateau-Modell gut funktioniert hat, da der R²-Wert gut war und es recht einfach war, den optimalen Punkt zu identifizieren. Alles in Ordnung. |
| |
Für zukünftige Forschungsarbeiten müssen wir untersuchen, ob diese Verbesserung ausreicht oder ob wir die Anzahl der Replikate erhöhen müssen. Dazu ist es immer gut, einige zusätzliche... |
| |
Dieses Modell zur Ermittlung des optimalen Versuchsaufbaus hat seinen Wert und seine Kosten, okay. Nun, das wollte ich Ihnen zeigen. Ich hoffe, es gefällt Ihnen. Bei Fragen können Sie sich gerne an mich wenden. Vielen Dank und auf Wiedersehen. |
