| Oratore |
Trascrizione |
| Paolo Peloia |
Ciao, mi chiamo Paulo Peloia. Sono il responsabile dell'analisi dei dati per l'America Latina presso Syngenta Crop Protection. La ricerca |
| |
che presenterò riguarda l'ottimizzazione delle dimensioni del sottocampione per i parassiti del suolo negli esperimenti sulla canna da zucchero. |
| |
Qui in Brasile conduciamo alcuni esperimenti per testare prodotti contro i parassiti del suolo sulla canna da zucchero, con quattro repliche su quattro sottocampioni per appezzamento. |
| |
E in ogni sottocampione, dobbiamo scavare il terreno per rimuovere le radici della canna da zucchero e poi valutare i danni causati da questi parassiti del terreno. Ok, lo facciamo in 0,5 metri di fila. |
| |
Con questo design, purtroppo, questo è il nostro problema, possiamo rilevare una differenza significativa tra i trattamenti nel 40% dei casi considerando solo un alfa del 5%. Okay. |
| |
Prima di aumentare il numero di repliche nei nostri test, cosa che avrebbe aumentato drasticamente il costo dei nostri esperimenti, abbiamo deciso di valutare innanzitutto il numero di sottocampioni che raccogliamo. |
| |
È noto che maggiore è il numero di sottocampioni, minore è l'errore sperimentale. È anche noto che questa... questa diminuzione dell'errore sperimentale diminuisce con il numero di sottocampioni. Quindi abbiamo un andamento non lineare e |
| |
A un certo punto, questa riduzione degli errori sperimentali si avvicina allo zero. Bene, per questo motivo abbiamo deciso di utilizzare il modello del plateau quadratico, la metodologia di cui parleremo tra qualche secondo. |
| |
Quindi, ho detto che l'obiettivo di questa ricerca era determinare il numero ottimale di sottocampioni per appezzamento |
| |
Per quanto riguarda i parassiti del suolo della canna da zucchero, cosa contribuisce almeno in minima parte a un processo sperimentale più efficiente? Bene, ora parliamo della metodologia che abbiamo utilizzato. |
| |
Bene, abbiamo iniziato questo studio con...con la conduzione di due esperimenti in bianco con 11 trattamenti, quattro blocchi e otto sottocampioni per parcella. Di nuovo otto, non quattro. |
| |
Sottocampioni per grafico. Bene, con questo... con il risultato di questi due esperimenti vuoti, applichiamo questo... la metodologia bootstrap |
| |
Per stimare l'errore standard medio o l'errore sperimentale per ogni sottocampione di dimensioni comprese tra otto e uno. Successivamente, adattiamo il modello di plateau quadratico. Ora diamo un'occhiata a questa metodologia, il modello di plateau quadratico. |
| |
Ok, quindi qui a sinistra abbiamo le equazioni relative a questo modello, ma mi concentrerò sulla destra, sul grafico, ok. |
| |
Fondamentalmente, questo modello inizia con un modello quadratico, okay, fino a una rottura...fino a un punto di rottura in cui diventa un plateau o una linea orizzontale, okay. |
| |
Nel caso di questo studio, sull'asse X abbiamo il sottocampione....il numero di sottocampioni per grafico, e sull'asse y abbiamo la media delle radici |
| |
errore quadratico, o la deviazione standard del nostro esperimento, e poi questo punto di pareggio, okay. Questo punto di rottura è chiamato punto ottimale. Nel nostro caso, questo è il |
| |
numero ottimale di sottocampioni per grafico, ok. Solo...solo un commento aggiuntivo, se vuoi implementarlo in JMP, |
| |
questa formula qui in alto diventa questa formula nella parte inferiore della diapositiva in JMP, okay. |
| |
Poi puoi andare al menu "Analizza", poi "Modellazione specializzata" e infine "Piattaforma non lineare", ok. Quindi, se vuoi farlo in JMP, questo è il... questo è il modo in cui devi procedere. Torniamo alla prima diapositiva. |
| |
Quindi eccoci ancora nella...nella metodologia, conoscendo il numero ottimale di sottocampioni |
| |
per trama che noi...che abbiamo identificato utilizzando il modello di plateau quadratico, abbiamo condotto nella stagione successiva |
| |
tre prove reali utilizzando questo numero di sottocampioni, e poi abbiamo applicato nuovamente il metodo bootstrap per confrontare la capacità di queste prove di rilevare differenze significative tra i trattamenti rispetto a se fossero state condotte con quattro sottocampioni, il nostro standard precedente, okay. |
| |
Quindi diamo un'occhiata ai...ai risultati. Per prima cosa ecco i risultati relativi agli esperimenti in bianco per identificare il numero ottimale di |
| |
sottocampioni per trama. |
| |
Quindi qui a sinistra, abbiamo un grafico per ogni esperimento vuoto. Sull'asse X, abbiamo il numero di sottocampioni per plot, da otto a uno. Sull'asse Y, abbiamo la deviazione standard della prova, e qui possiamo vedere che abbiamo 1.000...1.000 punti per ogni numero di sottocampioni. |
| |
Bene, e qui nell'esperimento vuoto 1, possiamo vedere una distribuzione molto simmetrica dei punti, e il punto rosso qui rappresenta la media, |
| |
la deviazione standard. Nel secondo esperimento vuoto, possiamo osservare una distribuzione non simmetrica. In realtà è una distribuzione asimmetrica a destra, okay? |
| |
E ancora una volta per questo motivo, penso che sia importante utilizzare più di un esperimento vuoto per stimarlo, perché non sempre abbiamo una distribuzione normale, okay. |
| |
Quindi, in pratica, i punti rossi qui vengono trasferiti ai... ai grafici sul lato destro dello schermo qui. Poi inseriamo il modello quadratico del plateau. Come ho detto, iniziamo con il modello quadratico e poi |
| |
nel...nel punto di rottura, diventa una linea orizzontale, okay. In entrambi i casi, voglio dire, nel caso di entrambi gli esperimenti, l'R al quadrato è davvero buono, 97%, okay. Possiamo vedere che il modello e il |
| |
I dati sono buoni, intendo dire che sono... sono simili e possiamo vedere qui il numero ottimale di sottocampioni. Nel caso del primo esperimento in bianco, 5,6, e nel caso del secondo, 5,4, ok. |
| |
Bene, poiché non è possibile avere 5,5 sottocampioni per appezzamento, abbiamo adottato il numero ottimale, ovvero sei sottocampioni per appezzamento, e questo è il numero che abbiamo utilizzato per condurre le prove reali nella stagione successiva, okay. |
| |
COSÌ |
| |
Torniamo alla prima diapositiva. Di nuovo, abbiamo trattato la prima parte della metodologia e poi convalideremo i risultati, ovvero valuteremo il vantaggio di aumentare il numero di sottocampioni per grafico, ok? Andiamo avanti. |
| |
Quindi, sempre sulla parte sinistra dello schermo, abbiamo sull'asse y il valore p per i trattamenti e qui questa linea rossa rappresenta il nostro alfa, il 5%. Quindi esperimenti con... |
| |
Con un valore di p per i trattamenti al di sotto di questa linea rossa si può identificare una differenza significativa tra trattamenti e valori che entrambi non possono, okay. Nella parte superiore abbiamo i tre... i tre diversi esperimenti di validazione e all'interno di ciascuno... |
| |
In ogni esperimento, sulla sinistra abbiamo l'esperimento con quattro sottocampioni, mentre sulla destra ne abbiamo sei, okay. |
| |
Possiamo vedere chiaramente che la quantità di punti dati al di sotto del 5%, ovvero il limite superiore di specifica, è maggiore rispetto a quella ottenuta con quattro sottocampioni, ok. Possiamo vederlo chiaramente. E se riassumiamo questi risultati, abbiamo |
| |
quasi il 41% degli studi ha rilevato una differenza significativa tra i trattamenti con quattro |
| |
Sottocampioni. E con sei sottocampioni, il nostro numero ottimale, diventa quasi 54, okay. Non è perfetto, ma c'è un buon incremento, okay, un incremento di 13 punti percentuali. Quindi torniamo alla prima diapositiva. |
| |
Quindi, per concludere questo studio, come ho detto, |
| |
l'incremento da quattro a sei sottocampioni per parcella ha aumentato la nostra capacità di rilevare differenze significative tra i trattamenti di 13 punti percentuali. |
| |
Possiamo dire che il modello del plateau quadratico ha funzionato bene perché il valore R al quadrato era buono ed era abbastanza facile identificare il punto ottimale, ok. È buono. |
| |
E per la ricerca futura, dobbiamo verificare se questo miglioramento è sufficiente o se è necessario aumentare anche il numero di repliche. E per farlo, è sempre bene aggiungere un po'... |
| |
Un certo valore, qualche costo per questo modello per identificare il progetto sperimentale ottimale, okay. Bene, questo è quello che dovevo... quello che dovevo mostrarvi. Spero che vi piaccia. Per qualsiasi domanda, non esitate a contattarmi. Grazie e arrivederci. |
