801844_de-DE

liliconcom

DOE-Erweiterungshilfe bei einem bereits blockierten Design

Hallo,

Ich hatte gehofft, ich könnte bei einem Experiment, das ich gerade durchführe, Hilfe bekommen.

Es handelt sich um ein benutzerdefiniertes Design mit insgesamt 3 Faktoren. 2 kontinuierliche Variablen und 1 kategorische Variable mit zwei Ebenen. Dies wird auf JMP 15.2 ausgeführt.

Nennen wir sie

Kontinuierlicher Faktor 1 = A (Bereich 25–75), Kontinuierlicher Faktor 2 = B (Bereich 10–180) und kategorischer Faktor = C (Sauer, Neutral)

Ich war daran interessiert, Informationen in der Mitte des Bereichs der kontinuierlichen Variablen sowie etwaige Interaktionen 2. Ordnung zu sammeln, sodass das Modell die Haupteffekte, Interaktionen 2. Ordnung und die quadratischen Terme für die kontinuierlichen Variablen enthält.

Das Standarddesign sah 18 Läufe vor, was aber zu viele Läufe für einen Tag waren. Deshalb habe ich entschieden, das Design in zwei Blöcke mit je 9 Läufen zu gruppieren.

Der erste Testblock ist nun abgeschlossen und aus der Betrachtung der Daten geht klar hervor, dass Faktor A der bei weitem wichtigste Faktor zu sein scheint und dass optimale Ergebnisse nur um den Mittelpunkt dieses Faktors herum zu finden sind. Der zweite Testblock wird wie geplant fortgesetzt, aber ich denke bereits darüber nach, wie ich Faktor A am besten auf seinen Mittelpunkt fixieren kann, während ich sehe, welche Auswirkungen eine Variation der Faktoren B und C haben wird.

Wäre es möglich, das Design zu erweitern und gleichzeitig Faktor A auf seinem Mittelpunkt festzulegen, oder wäre dies schwierig, da das Design bereits einen Sperrfaktor enthält und durch die Erweiterung ein dritter Sperrfaktor zur Mischung hinzugefügt würde?

VersuchsplanungBetreff: Hilfe zur DOE-Erweiterung bei einem bereits blockierten Design

Hallo @Students_Tea ,

Willkommen in der Community!

Wenn Sie ein Design mit Blockierung erstellen, wie Sie es getan haben, gruppieren Sie experimentelle Durchläufe in Blöcke, die einander ähnlich sind. Die Aufteilung der Faktorniveaus sollte zwischen den Blöcken 1 und 2 ähnlich sein. Wenn Sie also keine Experimente von Block 2 durchführen können, ist die Situation ähnlich, als würden Sie einen Bruchteil des gesamten Designs verwenden. Wenn Sie in dieser Situation nur die Hälfte der geplanten Experimente verwenden, führt dies jedoch zu:

• Hohe Leistungsreduzierung zur Erkennung signifikanter Haupteffekte und Effekte höherer Ordnung:
  
• Höhere Vorhersagevarianz:
  
• Höhere Unsicherheit bei der Parameterschätzung:
  
• Erhöhen Sie die Korrelationen zwischen Effekten:
  

Möglicherweise haben Sie für Faktor A bereits einen signifikanten Effekt erkannt, sowohl statistisch als auch mit großer Effektgröße. Da Sie jedoch die Fähigkeit zur Erkennung von Effekten (und insbesondere von Effekten höherer Ordnung, an denen Sie interessiert zu sein scheinen) verschlechtern, wenn Sie nur den ersten Block Ihres vollständigen Designs verwenden, würde ich empfehlen, die anderen geplanten Experimente aus Block 2 auszuführen, um den Effekt von Faktor A besser abschätzen zu können und Ihnen die Möglichkeit zu geben, andere Effekte (Haupteffekte und Effekte höherer Ordnung) zu erkennen.

Sie könnten das Design auch erweitern und die Bereiche der Faktoren ändern: Wenn A einen vorherrschenden Effekt auf Ihre Antwort hat, könnten Sie Ihren ersten Satz von Experimenten aus Block 1 erweitern und die Niveaus/Bereiche von A auf engere Werte beschränken, die sich um das Zwischenniveau drehen (wenn Sie in diesem Bereich gute Ergebnisse erzielt haben). Dies könnte dazu beitragen, die relative Bedeutung von Faktor A für die Antwort zu verringern. Sie könnten auch die Bereiche von Faktor 2 erweitern, wenn dies sinnvoll ist, um eine einfachere Erkennung eines Effekts zu ermöglichen.

Ich würde in dieser Phase keinen Faktor festlegen, da Sie nur eine begrenzte Anzahl von Faktoren untersuchen können und nur eine sehr geringe Leistung zum Erkennen von Effekten haben, wenn Sie nur einen Bruchteil Ihres gesamten Designs verwenden. Das Festlegen eines Faktors so früh in der Experimentierphase könnte Sie daran hindern, mögliche Wechselwirkungen zwischen A und B zu erkennen, sowie eine genauere Schätzung möglicher quadratischer Effekte von A und dessen Haupteffekt. Vielleicht könnte Ihnen die Erkennung von Wechselwirkungen und quadratischen Effekten (die in dieser Phase noch nicht erkannt wurden) zu einem besseren Optimum und einem besseren Überblick und Verständnis Ihres Systems führen.

Ich habe ein Design angehängt, das Ihrem anscheinend ähnelt, damit Sie den Designvergleich (vollständig und Teilmenge mit nur Block 1) mit der Plattform „Compare Designs“ reproduzieren können.

Ich hoffe, diese Antwort hilft Ihnen weiter.

Betreff: Hilfe zur DOE-Erweiterung bei einem bereits blockierten Design

Hallo @Victor_G

Vielen Dank für die Rückmeldung. Ich war vielleicht ein wenig unklar, wie ich die Arbeit von heute an weiterverfolgen möchte.

Ich beabsichtige, Block 2 des Experiments wie ursprünglich geplant durchzuführen, da mir bewusst ist, dass andernfalls das Design durcheinandergebracht würde und es nicht mehr möglich wäre, aus der bisher geleisteten Arbeit Informationen zu gewinnen.

" Sie könnten auch das Design erweitern und die Bereiche der Faktoren ändern: Wenn A einen vorherrschenden Effekt auf Ihre Antwort hat, könnten Sie Ihren ersten Satz von Experimenten aus Block 1 erweitern und die Niveaus/Bereiche von A auf engere Werte beschränken, die um das Zwischenniveau zentriert sind (wenn Sie in diesem Bereich gute Ergebnisse erzielt haben). Dies könnte dazu beitragen, die relative Bedeutung von Faktor A für die Antwort zu verringern. Sie könnten auch die Bereiche von Faktor 2 erweitern, wenn dies sinnvoll ist, um eine einfachere Erkennung eines Effekts zu ermöglichen ."

Ich denke, was Sie oben geschrieben haben, scheint die richtige Idee zu sein. Die Erweiterung der Bereiche für Faktor 2 funktioniert in diesem Fall nicht wirklich, da die Grenzen im Wesentlichen an einer praktischen Wand anliegen. Wir könnten sie zwar erweitern, aber jeder über diese Grenzen hinaus abgeleitete Wert ist praktisch nicht nützlich.

Ich stelle mir vor, dass es möglich sein muss, das Experiment zu erweitern, sobald die Teile Block 1 und Block 2 fertig sind, aber meine Kenntnisse in DOEs sind nicht besonders gut. Wenn ich das erweiterte Design verwende (als Test), wird der vorhandene Blockierungsfaktor im Design als Auswahlmöglichkeit angeboten. Soll der vorhandene Blockierungsfaktor als X-Faktor einbezogen werden? Wenn ich das tue, den Wert von Faktor A auf den Zwischenwert beschränke und dann neue Läufe in einem separaten Block gruppiere, erhalte ich ein Design, das nun insgesamt 26 Läufe lang ist und drei separate zufällige Blöcke und 2 Blöcke enthält. Es sieht so aus, als ob die ersten beiden Blöcke in 1 Block blockiert sind und dann die erweiterten Läufe in einem zweiten Block. Es enthält auch keine zusätzlichen Mittelpunkte für A, und ich bin mir nicht sicher, ob das ein Problem ist. Ich vermute, dass die optimalen Werte in der Mitte von A liegen, daher wäre es schön, an diesem Punkt einige zusätzliche Daten zu erhalten, aber vielleicht benötigt das Design diese nicht?

Im Anhang finden Sie das Design, das entsteht, wenn ich das vorhandene Design wie oben beschrieben erweitere.

Betreff: Hilfe zur DOE-Erweiterung bei einem bereits blockierten Design

Hallo @Students_Tea ,

Danke für die Klarstellung und entschuldigen Sie mein Missverständnis.

Wenn Sie versuchen, Ihren Zufallsblock in das Panel der Faktoren in der Augment Designs- Plattform aufzunehmen, wird der Zufallsblockfaktor im nächsten Fenster entfernt:

In Ihrer Situation könnten Sie Ihre Faktoren A, B und C in die Augment Designs-Plattform eingeben, die Ebenen (falls erforderlich) für Faktor A ändern und die Option „Neue Läufe in separaten Blöcken gruppieren“ aktivieren.

Bei demselben angenommenen Modell (Haupteffekte, 2-Faktor-Interaktionen und quadratische Effekte) würde die von JMP empfohlene Anzahl hinzugefügter Durchläufe 8 betragen. Sie können diese Zahl also auf 9 erhöhen (um sie mit der Anzahl der Durchläufe in vorherigen Zufallsblöcken aus dem ursprünglichen Design abzugleichen), und Sie erhalten dieses Design (beachten Sie, dass ich das Mindestniveau von Faktor A auf 40 und das Höchstniveau auf 60 geändert habe):

Wie Sie sagen, erhalten Sie drei zufällige Blöcke und zwei Blöcke.

Sie können mit der Analyse fortfahren, indem Sie die 3 Zufallsblöcke verwenden, um zu überprüfen, ob die experimentelle Varianz in Ihren Experimenten stabil/konstant bleibt (indem Sie einen Zufallseffekt durch ein gemischtes Modell verwenden, um seine statistische Signifikanz zu bewerten). Wenn Sie eine statistische Signifikanz feststellen, überprüfen Sie die Effektgröße und wo der signifikante Unterschied zwischen den Zufallsblöcken liegt.

Ich hoffe, diese Antwort hilft Ihnen weiter.

Betreff: Hilfe zur DOE-Erweiterung bei einem bereits blockierten Design

Hallo @Victor_G ,

Vielen Dank für Ihre vorherige Antwort. Sie ist sehr hilfreich. Die Daten des zweiten Tages sind gerade von der anderen Hälfte des ursprünglichen Entwurfs eingetroffen.

Auf den ersten Blick scheint es, dass Faktor A tatsächlich die größte Effektgröße hat, wenn man die Antwort betrachtet, und deshalb dachte ich darüber nach, das Design wie von Ihnen erwähnt mit einem engeren Bereich um Faktor A zu erweitern. Es scheint, dass der quadratische Effekt von A (wenn ich das richtig verstehe) bei weitem der größte Effekt ist, und das ist im Profiler anhand einer im Wesentlichen großen Kurve mit den Minima in der Kurvenmitte offensichtlich. Eine Sorge, die ich habe, ist, dass die Rohdaten in ihrer aktuellen Form möglicherweise nicht gut genug sind, um mir etwas über die Faktoren B und C zu sagen.

Beispielsweise sollte es so sein, dass etwa in der Mitte von Faktor A eine Erhöhung von Faktor B zu einer Verringerung der Antwort führt. Die Antwort kann eine positive Ganzzahl einschließlich Null sein, aber nie kleiner als Null. Dies wird tatsächlich in den Daten gezeigt, aber aufgrund der großen absoluten Werte, die mit den niedrigsten und höchsten Bereichen von Faktor AI verbunden sind, denke ich, dass dies etwas maskiert ist. Wenn wir beispielsweise den Profiler verwenden und die Erwünschtheit maximieren, wird Faktor B auf den niedrigsten Wert 10 eingestellt, obwohl wir wissen, dass er bei der höchsten Zahl 180 niedrigere Antworten liefern kann.

Ich denke, ein weiterer Grund könnte sein, dass die Daten heteroskedastisch sind. Ein Teil von mir fragt sich, ob es nicht besser wäre, eine Art Transformation der Rohdaten (Logarithmus oder Quadratwurzel) durchzuführen, um einen Teil dieser Varianz auszugleichen, damit das Modell die Größenordnung der anderen Faktoren leichter unterscheiden kann. Klingt das auf der Grundlage der Daten nach einer guten Idee oder korrigiert JMP dies?

Die empfohlenen Datentabellen und Fit-Modellparameter finden Sie im Anhang.

Betreff: Hilfe zur DOE-Erweiterung bei einem bereits blockierten Design

Hallo @Students_Tea ,

Ich würde empfehlen, sich die Residuen Ihrer Modelle anzusehen, um besser beurteilen zu können, ob die Annahmen zur linearen Regression erfüllt sind. Ich werde keine vorherige vollständige Antwort, die ich zu diesem Thema gegeben habe, kopieren und einfügen. Sie können hier nachsehen: Gelöst: Re: Interpretation in Bezug auf das Antwortmodell (RSM) – JMP-Benutzergemeinschaft

Beim erneuten Aufrufen der von Ihnen erstellten Modelle kann ich kein spezifisches Heteroskedastizitätsmuster für Antwort A erkennen, für die Antworten B und C scheint es jedoch eines zu geben. Die in den Residuendiagrammen festgestellte Heteroskedastizität und die Tatsache, dass Ihre Antworten viele Größenordnungen abdecken (von 10-100 bis 10000-100000), sind starke Hinweise darauf, dass möglicherweise eine Transformation erforderlich ist (Logarithmische oder andere Transformationen).

Das Hauptproblem, das mir im Diagramm „Residuen nach Zeile“ für die Antworten A und B aufgefallen ist, ist jedoch das Vorhandensein eines nicht zufälligen Musters, bei dem die Residuen die Tendenz aufweisen, abzunehmen und negativ zu werden:

Da Ihr zufälliger Blockeffekt aus der ersten Modellanalyse nicht signifikant zu sein scheint, habe ich auch Modelle ohne diesen Zufallseffekt gestartet, um die Autokorrelation zwischen den Punkten mit dem Durbin-Watson-Test (verfügbar in Row Diagnostics ) zu überprüfen, und der Test ist für die Antworten A und B statistisch signifikant, hier ein Beispiel mit Antwort A:

Beachten Sie auch, dass der Lack-of-Fit-Test ebenfalls signifikant zu sein scheint, was bedeutet, dass möglicherweise eine Transformation erforderlich ist und/oder Terme fehlen, die nicht im Modell enthalten sind (Terme höherer Ordnung), siehe Lack of Fit .

Beim Versuch einer Box-Cox-Y-Transformation empfiehlt JMP Transformationen mit Koeffizienten von 0,485 - 0,32 und 0,334 für die Antworten A, B und C. Dies weist darauf hin, dass eine Transformation tatsächlich erforderlich sein kann, um die Qualität der Modellanpassung zu verbessern.

Beachten Sie jedoch, dass dies die Situation bezüglich der Nichtzufälligkeit der Residuen in Abhängigkeit von Zeit/Zeilen weder ändert noch löst.

Ich würde vorschlagen, vorrangig zu untersuchen, woher dieses Muster stammen könnte, bevor neue Tests gestartet werden (es sei denn, die Reihenfolge in der Datentabelle weicht von der Reihenfolge ab, in der die Experimente durchgeführt wurden?).

Im Anhang finden Sie Ihre Datei mit zwei hinzugefügten Skripten: eines für Modelle mit Zufallseffekt und eines für Modelle ohne diesen Zufallseffekt (um die Autokorrelationsdiagnose und die Empfehlungen für Box-Cox-Transformationen zu überprüfen).

Ich hoffe, diese Antwort kann Ihnen helfen.

Betreff: Hilfe zur DOE-Erweiterung bei einem bereits blockierten Design

Hallo @Victor_G ,

Nochmals vielen Dank für die Antwort. Ich habe das Gefühl, dass ich mir langsam ein besseres Bild davon mache, wie alles funktioniert. Ich sollte wohl hinzufügen, dass das Ziel dieser Experimente darin besteht, die Reaktionen zu minimieren, und dass es nicht das Ziel ist, ein Vorhersagemodell zu erstellen. Eigentlich brauche ich nur etwas, das gut genug ist, um mir mit einiger Sicherheit zu sagen, welche Kombination von Faktoren die Reaktionen am besten minimieren kann.

Es ist wahrscheinlich nützlich, wenn ich Ihnen etwas mehr Hintergrundinformationen zum eigentlichen Experiment gebe. Es handelt sich im Wesentlichen um ein Auflösungsexperiment, aber die Antworten sind ein Indikator dafür, wie viel Material ungelöst bleibt. Wenn die Antworten also abnehmen, zeigt dies eine bessere Auflösung. Wir erwarten, dass die Antworten unter den am wenigsten optimalen Bedingungen sehr hoch sind und nahezu keine Auflösung zeigen, aber wenn wir optimalere Bedingungen erreichen, nähert sich dieser Wert Null, wobei Null eine vollständige Auflösung des DP bedeutet, was das Ziel ist.

Faktor A ist der Prozentsatz einer Lösung (einer binären Lösung aus wässrigen und organischen Lösungsmitteln).

Faktor B ist die Rührzeit in Minuten. Aus praktischen Gründen kann diese nicht über 180 Minuten hinaus verlängert werden.

Faktor C gibt an, ob Faktor A neutral oder sauer ist.

Frühere Experimente wurden mit einer neutralen Lösung durchgeführt, sodass ich nicht völlig im Unklaren darüber war, wie die Ergebnisse aussehen würden. Es wurde zuvor gezeigt, dass der optimale Faktor A bei einer Lösung mit neutralem pH-Wert sehr nahe am Mittelpunkt lag und dass längere Rührzeiten eine stärkere Auflösung bedeuteten. Ich hatte die Hypothese, dass das Ansäuern der Lösung die Auflösung erhöhen könnte, also entschied ich mich für dieses Experiment, das eine Art Kopf-an-Kopf-Vergleich der neutralen Lösungen mit den sauren Lösungen war. Ich dachte jedoch, dass das Ansäuern des Lösungsmittels das Auflösungsprofil verändern und den optimalen Faktor-A-Wert entweder nach links oder nach rechts verschieben könnte, weshalb der Bereich relativ weit angesetzt ist.

Nach den bisher erzielten Ergebnissen scheint dies nicht zuzutreffen, und wenn überhaupt, scheint eine Ansäuerung der Lösung die Reaktionen insgesamt zu verschlechtern. Gleichzeitig möchte ich etwas tiefer graben und zeigen, dass dies auch dann der Fall ist, wenn Faktor A nahe seinem optimalen Niveau ist. Darüber hinaus möchte ich, dass das Modell zeigt, dass die Auflösung mit Faktor B zunimmt, wie dies zu erwarten ist, zumindest für die neutralen Lösungen.

Sie haben erwähnt, dass das Hauptanliegen das Residuendiagramm nach Zeilen war, bei dem ein nicht zufälliges Muster vorlag. Dies scheint eine Autokorrelation zu sein, was ich bestätigen kann. Ich kann bestätigen, dass die Reihenfolge der Experimente in der Datentabelle mit der Reihenfolge übereinstimmt, in der sie tatsächlich durchgeführt wurden.

Ich habe darüber nachgedacht, wie das Experiment durchgeführt wurde, und nach sorgfältiger Überlegung bin ich der Meinung, dass dies durch Übertragungseffekte verursacht worden sein könnte. Für das System macht das meiner Meinung nach am meisten Sinn. Es wurden Schritte unternommen, um dies zu verhindern, aber wenn man sich die Daten ansieht, scheint es, dass dies nicht vollständig aus dem Experiment entfernt wurde, und ich kann in Zukunft zusätzliche Maßnahmen ergreifen, um dies vollständig zu entfernen.

Wäre es vor diesem Hintergrund immer noch angebracht, eine Erweiterung dieses Experiments durchzuführen? Ich würde die generierten Daten gerne behalten, sofern sie im Großen und Ganzen mit früheren Experimenten übereinstimmen, die durchgeführt wurden.

An diesem Punkt habe ich wirklich nur noch ein einziges Experiment übrig, bevor ich leider einige Parameter auswählen muss, mit denen ich weitermachen möchte. Ich gehe davon aus, dass die optimalen Parameter irgendwo um die Mitte von Faktor A liegen. Es wird auch erwartet, dass die Auflösung mit der Rührzeit zunimmt, aber ob es einen bedeutenden Unterschied zwischen 10 Minuten und 180 Minuten gibt, wenn Faktor A nahezu optimal ist, wird durch die Daten noch nicht bestätigt. Und schließlich bin ich mir nicht sicher, ob Faktor C wichtig ist, wenn Faktor A und Faktor B nahezu optimal sind.

Daher denke ich daran, das Experiment aus den Bereichen 45-55 für Faktor A zu erweitern und die anderen Faktoren gleich zu lassen. 9 weitere Durchläufe scheinen angemessen, wie Sie zuvor erklärt haben, um den Sperrfaktor einzubeziehen. Es scheint schade, dass Sie im Erweiterungsprozess keine weiteren Mittelpunkte hinzufügen können, da ich wirklich gerne sehen würde, wie sich die Faktoren B und C verhalten, wenn Faktor A genau in der Mitte liegt.

Was die Datentransformation betrifft, so scheint es auf den Box-Cox-Werten sicher so, dass ein Wert zwischen ln oder der Quadratwurzel von y bessere Ergebnisse liefern würde, daher werde ich diese transformierten Werte in Zukunft wahrscheinlich für das Modell verwenden.

Zuletzt haben Sie erwähnt, dass der Blockierungsfaktor keine signifikante erklärende Variable zu sein schien. Woher haben Sie diese Informationen?

Danke,

Betreff: Hilfe zur DOE-Erweiterung bei einem bereits blockierten Design

Hallo @Students_Tea ,

Nachfolgend eure verschiedenen Anmerkungen/Informationen und Fragen:

• Vollständig auf Ihr Ziel ausgerichtet. Die Designauswahl scheint gut auf Ihr Ziel und das Wissen, das Sie sammeln möchten, abgestimmt zu sein. Um ein Vorhersagemodell zu erstellen, hätte ich wahrscheinlich vorgeschlagen, Punkte auf eine „zufällig gleichmäßigere“ Weise hinzuzufügen (z. B. durch Erweiterung durch raumfüllendes Design), um die Abstände zwischen den Punkten zu vereinheitlichen und zu verringern, eine bessere und gleichmäßigere Abdeckung Ihres Versuchsraums zu ermöglichen und Machine-Learning-Modelle verwenden zu können, die möglicherweise bessere Vorhersageleistungen bieten.
• Vielen Dank für die Informationen. Sie sind hilfreich, um den experimentellen Kontext zu verstehen und das „Gesamtbild“ besser zu visualisieren.
• Wenn es sich bei Ihrem Experiment um ein Auflösungsexperiment handelt, kann es je nach Ihren Faktoren auch sinnvoll sein, die Auflösungsgeschwindigkeit zu untersuchen. Haben Sie Messungen zu verschiedenen Zeitpunkten oder eine Proxy-Antwort?
• Ok, wenn die Reihenfolge der Experimente dieselbe ist wie in der Datentabelle, kann es während der Experimente zu einem Messdrift oder einem langsamen Drift kommen. Es kann sich lohnen, dies zu untersuchen, insbesondere wenn Sie bereits eine Vorstellung von der/den Quelle(n) haben.
• Sie können Ihr Design immer noch erweitern, aber dieses Autokorrelationsproblem kann einige Effekte verbergen/maskieren und eine Fehleinschätzung der Parameterschätzungen im Modell hervorrufen. Wenn Sie dieses Problem lösen oder reduzieren und dann erweitern können, können die neu generierten Daten dabei helfen, die Koeffizienten im Modell besser zu schätzen, sodass Ihr anfänglicher Satz immer noch relevant ist (vielleicht etwas weniger informativ, als er hätte sein können).
• Die Reduzierung des Bereichs für Faktor A ist eine gute Idee. Stellen Sie sicher, dass der Bereich nicht zu klein ist, um Variationen in Ihrer Antwort zu ermöglichen. Da im Erweiterungsprozess die Mindestanzahl von Durchläufen für die Erweiterung 8 beträgt, können Sie mit der Augment Design-Plattform 8 Durchläufe generieren und einen Mittelpunkt „manuell“ in der Datentabelle hinzufügen (Sie müssen jedoch möglicherweise eine Ebene für den kategorialen Faktor auswählen).
• Bezüglich des Sperrfaktors können Sie den Wald-p-Wert im Bericht „REML Variance Component Estimates“ überprüfen (ich bin nicht sicher, ob/wie dieses Feld in JMP 15 angezeigt wird, hier sind die Erklärungen aus der JMP-Hilfe zur Restricted Maximum Likelihood (REML)-Methode
  

  Hier liegt der Wald-p-Wert bei 0,5. Dies weist darauf hin, dass der zufällige Blockeffekt möglicherweise nicht signifikant von 0 abweicht. Dieser zufällige Blockeffekt erfasst jedoch 64 % Ihrer gesamten Residualvarianz.

Hoffe, diese Antwort könnte hilfreich sein,

Betreff: Hilfe zur DOE-Erweiterung bei einem bereits blockierten Design

Hallo @Victor_G ,

Um Ihre Frage zu beantworten: Die Auflösungsgeschwindigkeit wird im Wesentlichen durch die Rohdaten angegeben. Da die Zeit Faktor B ist, wird sie direkt gemessen, sodass wir ohnehin drei Punkte haben, über die die Auflösung pro Wiederholung gemessen wird.

Bei der langsamen Drift bin ich mir nicht so sicher. Ich muss mir mehr Daten aus weiteren Experimenten ansehen, um zu sehen, ob das stimmt. Ich habe das Gefühl, dass es mit dem Autokorrelationsproblem zusammenhängt. Im Wesentlichen hat die Designmatrix eine Menge der Proben, die niedrigere Ergebnisse liefern würden, in den zweiten Block geschoben. Es schien einen Übertrag von einigen der schlechtesten Probenbedingungen zu geben, was im Fall der besten Probenbedingungen tatsächlich bedeutete, dass es für diese Proben wenig bis keinen Übertrag gab. Im Wesentlichen waren die Ergebnisse erhöht, wenn auf eine schlechte Probe eine andere folgte. Wenn auf eine gute Probe eine andere folgte, waren die Ergebnisse im Vergleich zum Durchschnitt niedriger. Ich bin ziemlich sicher, dass dies erfasst wurde, und wenn man sich den Autokorrelationsprüfer für Zeitreihen ansieht, stimmen diese ziemlich genau überein. Dies kann in Zukunft durch mehr Bereinigung zwischen den Probenläufen korrigiert werden.

Wie auch immer, ich muss warten, bis die Ergebnisse vorliegen, aber vielen Dank. Sie waren mir eine große Hilfe.