1. Was hat Sie zu dieser Wunschliste inspiriert?
Die Inspiration für diese Anfrage stammt von einer sehr häufigen und grundlegenden Frage im experimentellen Design, die derzeit in JMP nur schwer prospektiv beantwortet werden kann:„Wie viele Stichproben muss ich sammeln, um eine aussagekräftige Korrelation zwischen zwei kontinuierlichen Variablen zu erkennen?“
Beim Entwerfen eines einfachen Experiments zum Testen der Beziehung zwischen einem kontinuierlichen Faktor (z. B. Temperatur) und einer kontinuierlichen Reaktion (z. B. Stärke) sind die leistungsstarken DOE-Plattformen von JMP derzeit für kategoriale Faktoren oder komplexere Multifaktormodelle optimiert. Die vorhandenen Tools zur Beantwortung dieser Frage sind entweder nicht intuitiv oder für die retrospektive Analyse konzipiert:
-
Modell anpassen > Effekthebelwirkung:Dies ist ein leistungsstarkes Tool fürRetrospektiveLeistungsanalyse nach der Datenerfassung. Es ist nicht geeignet fürprospektivPlanung vor der Durchführung eines Experiments.
-
DOE > Stichprobengröße und Leistung:Diese Plattform verfügt zwar über Rechner für verschiedene Szenarien, diese sind jedoch nicht so aufgebaut, wie ein Wissenschaftler oder Ingenieur die Frage normalerweise stellt.
Dies führt dazu, dass Benutzer auf externe Software wie G*Power zurückgreifen oder die Stichprobengröße einfach schätzen. Dies führt häufig zu Experimenten, die entweder zu schwach (kein tatsächlicher Effekt erkennbar) oder zu stark (Zeit- und Ressourcenverschwendung) sind. Die folgenden Anwendungseinstellungen von G*Power sind wichtig:
- Testfamilie: F-Tests
- Statistischer Test: Lineare multiple Regression
- Art der Leistungsanalyse: A priori
Beispiel-Anwendungsfall:Ich möchte ein Experiment entwerfen, um zu sehen, ob<SPAN class="selected">Katalysatorkonzentration</SPAN>Auswirkungen<SPAN class="selected">Produktausbeute</SPAN>Bevor ich das Experiment durchführe, muss ich wissen, wie viele Stichproben ich erfassen muss. Ich möchte zu 90 % sicher sein (Power), dass ich einen Zusammenhang erkennen kann, wenn die tatsächliche Korrelation mindestens 15 % der Variation ausmacht (ein R² von 0,15). Außerdem verfüge ich über eine Schätzung des Prozessrauschens (RMSE) aus historischen Daten. Derzeit gibt es in JMP keine einfache, interaktive Plattform, die mir bei der Bestimmung des erforderlichen Stichprobenumfangs für dieses einfache Szenario hilft.
2. Welche Verbesserung würden Sie gerne sehen?
Ich schlage die Schaffung einerinteraktiver Stichprobengrößenprofilerspeziell für die Gestaltung eines Experiments mit einem einzigen kontinuierlichen Faktor und einer einzigen kontinuierlichen Antwort. Dies könnte eine neue Persönlichkeit innerhalb der<SPAN class="selected">DOE > Stichprobengröße und Leistung</SPAN>Plattform.
Der Profiler wäre visuell intuitiv und würde ähnlich wie andere Profiler in JMP funktionieren.
Hauptmerkmale:
Modell der vorgeschlagenen Funktion:
Über diese Schnittstelle kann der Benutzer die Kompromisse sofort erkennen. So kann er beispielsweise erkennen, wie ein kleinerer R²-Wert oder ein höheres Prozessrauschen die erforderliche Stichprobengröße drastisch erhöhen würde, und das alles, bevor er Ressourcen für das Experiment bereitstellt.
3. Warum ist diese Idee wichtig?
Die Umsetzung dieser Idee würde einen erheblichen Mehrwert bieten, indem:
-
Eine kritische Lücke schließen:Es befasst sich mit einer der häufigsten Fragen zum experimentellen Design, die derzeit von den zukünftigen Tools von JMP nicht ausreichend beantwortet wird. Es würde verhindern, dass Benutzer das JMP-Ökosystem zugunsten externer Tools verlassen müssen.
-
Förderung guter statistischer Praxis:Die Bestimmung von Leistung und Stichprobengröße wird dadurch leicht zugänglich und intuitiv und unterstützt die Benutzer bei der sorgfältigen Planung von Experimenten. Dies führt zu besserer und effizienterer Wissenschaft und Technik und spart Geld und Ressourcen, da Studien mit zu geringer oder zu hoher Leistung vermieden werden.
-
Benutzerfreundlichkeit:Es formuliert das Problem in der Sprache, die Wissenschaftler und Ingenieure verwenden (<SPAN class="selected">R²</SPAN>, <SPAN class="selected">RMSE</SPAN>), wodurch die Einstiegshürde für robustes experimentelles Design gesenkt wird. Es ist ein Muss für jeden, der auch nur grundlegende Prozesscharakterisierungen oder -validierungen durchführt.
