24-Deep-Well-Platten mit schwer veränderbaren FaktorenHallo,
Ich bereite ein Experiment mit 24 Deep-Well-Platten vor, bei dem fünf Faktoren eine Rolle spielen, darunter zwei Temperatur und Zeit. Diese Faktoren lassen sich nur schwer ändern, da die Deep-Well-Platte für eine bestimmte Zeit in den Gefrierschrank oder auf die Heizung muss, während drei weitere Parameter zwischen den Deep Wells der Platte variieren können.
Ich habe mich nur gefragt, ob es hier notwendig ist, einen DoE mit schwer veränderbaren Faktoren zu erstellen und am Ende einen DoE für das gesamte Diagramm zu erhalten, der einen Zufallseffektfehler verursacht. Alternativ könnte ich diese Faktoren einfach als leicht veränderbar einstufen und dann die DoE-Tabelle nach Temperatur und Zeit sortieren, was im Wesentlichen zu einem ähnlichen DoE-Layout führen würde. Ich weiß, dass die Randomisierung im letzteren Fall "verletzt" würde, aber ich vermute, dass dies hier kein Problem darstellen sollte, da jede Platte ohnehin einzeln befüllt wird. Daher denke ich, dass die Reihenfolge der Durchläufe nicht wichtig ist, da es keinen "Memory-Effekt" gibt.
Der Grund für die Vermeidung schwer veränderbarer Faktoren liegt darin, dass die optimale Anzahl an Läufen (und damit auch Platten) zunimmt und ich dadurch stark eingeschränkt bin. Darüber hinaus sieht die DoE-Diagnostik (Korrelationsmatrix, Vorhersagevarianz) schlechter aus. Außerdem ist das Design mit schwer veränderbaren Faktoren nicht ausgewogen, sodass einige Faktorkombinationen im Gegensatz zur Verwendung leicht veränderbarer Faktoren nicht auftreten.
Ich freue mich über alle Gedanken und Kommentare. Danke.
VersuchsplanungBetreff: 24-Deep-Well-Platten mit schwer zu ändernden FaktorenHallo @aatw ,
Ja, die Einstellung des DoE durch eine Split-Plot-Konfiguration (mit „schwer veränderbaren“ Faktoren) ist hier aus mehreren Gründen notwendig:
- Durch die direkte Erstellung des Designs über eine Split-Plot-Konfiguration wird sichergestellt, dass die Läufe zwischen Blöcken und innerhalb von Blöcken ausgeglichen sind. Eine manuelle Neuanordnung der Läufe könnte zu einem kleinen Ungleichgewicht zwischen oder innerhalb von Blöcken führen (und möglicherweise zu Verzerrungen/Rauschen durch diese manuelle Anordnung), das weniger optimal wäre als die von der Split-Plot-Designstruktur vorgeschlagene Anordnung der Läufe.
- Wichtiger noch: Ihr Versuchsaufbau umfasst zwei „Strukturen“: eine Plattenstruktur, bei der Temperatur und Zeit auf eine ganze Platte angewendet werden, und eine Wellstruktur, bei der jeder Well eine Kombination der drei „leicht änderbaren“ Faktoren aufnehmen kann. Dadurch entsteht ein großer Unterschied im für die Analyse verwendeten Freiheitsgrad zwischen „schwer änderbaren“ und „leicht änderbaren“ Faktoren. Dieser Unterschied bleibt bei der manuellen Anordnung der Läufe unberücksichtigt, da die Analyse fälschlicherweise mit dem gleichen Freiheitsgrad für jeden Faktor durchgeführt wird. Ihre Schätzungen, Konfidenzintervalle und p-Werte für die „schwer änderbaren“ Faktoren werden daher verzerrt und falsch (optimistisch) geschätzt.
- Der Zufallseffekt stellt außerdem sicher, dass alle Variationen von Platte zu Platte erfasst werden, was zu einer besseren Schätzung der „leicht veränderbaren“ Faktoren beiträgt. Wenn Sie diesen Zufallseffekt nicht durch ein Split-Plot-Design nutzen, wird die Varianz von Platte zu Platte mit der restlichen unerklärten Varianz zusammengefasst, was einige Effekte verbergen kann. Das Split-Plot-Design bietet eine hohe Schätzgenauigkeit, mit Ausnahme der Haupteffekte des gesamten Plots.
In Ihrer Analyse bleiben die Haupteffekte, die mit „schwer veränderbaren“ Faktoren verbunden sind, ohnehin im Modell erhalten. Beachten Sie, dass „leicht veränderbare“ Faktoren und Wechselwirkungen zwischen „leicht veränderbaren“ und „schwer veränderbaren“ Faktoren eine höhere Aussagekraft haben und daher zu besseren Schätzungen führen.
Wenn Sie sich für Ihren speziellen Anwendungsfall 5 Platten mit jeweils 24 tiefen Vertiefungen leisten können, erscheint die Bewertung des Designs recht positiv:
Falls Sie es auswerten möchten, habe ich das verwendete Split-Plot-Design beigefügt.
Gibt es zu Ihrer Sorge, dass einige Faktorenkombinationen nicht angezeigt werden, einen konkreten praktischen Grund, einige davon einzubeziehen? Wenn ja, könnten Sie einen Kandidatensatz mit allen Kombinationen vorbereiten, die Sie im Design haben möchten, und ihn als Kovariatenfaktoren verwenden: Design mit schwer zu ändernden Kovariaten
Sehen Sie sich den Vortrag von Christopher Gotwalt zum Kandidatensatzansatz an: Kandidatensatzdesigns: Anpassung der DOE-Einschränkungen an das Problem (2021-EU-30MP-78... – JMP-Benutzergemeinschaft
Weitere Infos zu Split-Plot-Designs:
Split-Plot-Designs
Vorlesung_13
LinkedIn-Beitrag zu Split-Plot-Designs
Designs mit Randomisierungsbeschränkungen
Aufnahme des DOE Club mit Jacqueline Asscher und Phil Kay – JMP-Benutzer-Community
Hoffe, diese Antwort wird Ihnen helfen,
