Nel il mio post precedente , Ho parlato delle quantità fondamentali che influenzano la capacità di a esperimento progettato per rilevare effetti non trascurabili dei fattori. Questi sono:
1) La dimensione dell'effetto
2) Errore quadratico medio (RMSE) del modello montato
3) Il livello di significatività del test di ipotesi
4) Il numero di corse
Qui, presento la nuova interfaccia utente di Power Analysis in JMP 10.
Perché hai fatto un cambiamento?
È sempre rischioso cambiare l'interfaccia di una funzionalità esistente del software, quindi l'abbiamo fatto con una certa trepidazione. Tuttavia, come vedrai, la nuova interfaccia offre più capacità e chiarezza (speriamo).
Allora, cosa c'è di diverso?
La Figura 1 mostra le interfacce JMP 9 e JMP 10 affiancate. Il progetto valutato è un progetto ortogonale a due livelli con sei fattori e 12 serie.
La prima cosa che si potrebbe notare è che il nome del nodo struttura è cambiato da Varianza relativa dei coefficienti a Analisi di potenza. Dal momento che molti professionisti devono dimostrare che un progetto proposto ha una potenza adeguata prima di procedere, avere un'analisi della potenza facilmente visibile sembra una buona idea.
Si noti che la potenza riportata per tutti i fattori è la stessa in entrambe le versioni, ma il rapporto segnale / rumore è 1 in JMP 9 e 2 in JMP 10.
Cosa succede con quello?
In JMP 10, abbiamo ridefinito cosa intendiamo per segnale in Signal to Noise Ratio. In JMP 9, il segnale è stato definito come l'entità del coefficiente di regressione in Fit Model. Ora, per fattori a due livelli, definiamo il segnale come l'entità della differenza nella risposta prevista che va da un livello all'altro. In altre parole, il segnale è l'effetto del fattore. L'effetto del fattore è il doppio del coefficiente di regressione per i fattori a due livelli. Per rendere il potere segnalato uguale, avevamo bisogno di raddoppiare il rapporto segnale / rumore predefinito. Quindi la dimensione dell'effetto predefinito non è cambiata, solo la definizione del rapporto Segnale-Rumore.
E le altre differenze?
C'è una casella di modifica aggiuntiva per i gradi di errore Error in JMP 10. Per impostazione predefinita, questo valore è la differenza tra il numero di esecuzioni e il numero di parametri. C'è un'eccezione a questa regola e cioè quando il numero di esecuzioni è uguale al numero di parametri. In tal caso, non ci sono in realtà gradi di libertà di errore e tecnicamente non è possibile testare l'effetto di alcun fattore in modo che la potenza non sia definita. In questo caso, "inventiamo" un grado di libertà, in modo che possiamo fornire un valore significativo (sebbene in genere deprimente) per il potere.
Qual è l'utilità della casella di modifica Error Degrees of Freedom? Non sta cambiando quel numero di barare?
Non è barare a meno che non si aumenti il numero di gradi di errore di errore senza aumentare successivamente il numero di esecuzioni nel disegno da abbinare!
Ci sono due usi per consentire il controllo degli Error Degrees of Freedom.
Innanzitutto, aumentando i gradi di errore di errore, è possibile ottenere una valutazione rapida e sporca di come aumenterà la potenza se si aggiungono corse al progetto. E puoi scoprirlo senza generare un nuovo design.
In secondo luogo, è possibile utilizzare i gradi di errore di errore per ottenere un'immagine più accurata della potenza per rilevare l'effetto di un intero fattore di trama in un esperimento con trama divisa. Questo è qualcosa che richiede lo scripting JSL in JMP 9.
Come funziona?
Considera uno scenario con due fattori difficili da cambiare da una corsa all'altra. Supponiamo di avere sei fattori in tutto. Decidi di fare 16 corse in gruppi di due in cui i fattori difficili da cambiare rimangono gli stessi in ogni gruppo. La Figura 2 mostra l'impostazione del Design personalizzato.
Se si fa clic sul pulsante Crea design, si ottiene un disegno ortogonale a trama divisa. Prima di esaminare la sezione Analisi potenza, ti consiglio di andare al menu del triangolo rosso e scegliere Simula risposte. Quindi fare clic sul pulsante Crea tabella. Infine, esegui lo script Model nel pannello in alto a sinistra della tabella risultante.
La Figura 3 mostra le stime dei parametri dai dati falsi che ho generato. Le stime dei parametri non sono importanti. Voglio attirare la tua attenzione sulla colonna della tabella con l'etichetta DF Den.
X1 e X2 sono i fattori dell'intero tracciato. Hanno 5 gradi di libertà per errore. Da X3 a X6 sono i fattori di sottotrama e ognuno di essi ha 4 gradi di libertà per errore.
Ricorda che l'errore predefinito Gradi di libertà è la differenza tra il numero di esecuzioni e il numero di parametri. In questo caso, quel numero è 9. La Figura 4 mostra l'interfaccia di Power Analysis predefinita.
Per ottenere i valori corretti per la potenza degli effetti dell'intero grafico, dovremmo modificare 5 gradi di errore. Allo stesso modo, per gli effetti di sottotrama, dovremmo cambiare i gradi di errore di libertà su 4. La Figura 5 mostra il risultato affiancato.
Quindi, la potenza per la rilevazione di tutti gli effetti di trama in questo disegno è 0,463 - vedere i primi due numeri sul pannello di sinistra di Figura 5. La potenza per rilevare gli effetti di sottotrama è 0,843 - vedere i quattro numeri in basso sul pannello di destra della Figura 5. Questa analisi presuppone che l'intera varianza della trama e la varianza dell'errore siano le stesse (un'ipotesi standard).
Perché JMP non ha potuto fare tutto questo?
A meno che il disegno sia ortogonale, i gradi di libertà mostrati nell'analisi REML dipendono dalle risposte osservate. Quindi, in generale, non è facile compilare questi valori in anticipo. Resta sintonizzato per ulteriori miglioramenti in JMP 11.
Ci sono altre differenze?
L'analisi della potenza ha un numero di colonne nascoste. La Figura 6 mostra la tabella completa per il primo esempio. Aggiungi queste colonne allo schermo facendo clic con il pulsante destro del mouse all'interno della tabella.
Le colonne extra forniscono informazioni che consentono di eseguire questi calcoli a mano utilizzando uno script JSL.
// Potenza = 1 - Distribuzione F ( F Crit, dfnum, dfdenom, nonCentrality ) ;
Potenza = 1 - Distribuzione F ( 6.608, 1, 5, 12 ) ;
Esecuzione degli output di script JSL di cui sopra 0,789140997559235 alla finestra del registro.
Qual'è il prossimo?
Finora ho parlato solo di fattori con due livelli. Con più di due livelli, la situazione è più complicata. Questo sarà l'argomento di un post futuro.
Jake Warren ha scritto:
Non sono sicuro di aver detto quello che volevo sopra. Penso che le parole siano meglio le dichiarazioni.
In JMP 9: Potenza è la probabilità di trovare un parametro di modello significativo se la variazione della risposta media tra i livelli di un fattore (la dimensione dell'effetto) è 2 * X * Errore Deviazione standard o il coefficiente di regressione è X * Errore Deviazione standard , dove X è il rapporto segnale / rumore.
In JMP 10: la potenza è la probabilità di trovare un parametro di modello significativo se la variazione della risposta media tra i livelli di un fattore (la dimensione dell'effetto) è X * Errore deviazione standard o il coefficiente di regressione è 0,5 * X * Errore Standard Deviazione, dove X è il rapporto segnale / rumore. (Essenzialmente, qui il rapporto Signal to Noise è doppio rispetto a JMP 9).
Jake Warren ha scritto:
Quindi, per chiarimenti, queste due interpretazioni sono corrette?
In JMP 9: La potenza è la probabilità di trovare un parametro di modello significativo se il parametro del modello è X volte più grande della deviazione standard dell'errore, dove X è il rapporto segnale / rumore specificato. In altre parole, il potere è la probabilità di trovare un parametro modello significativo se la variazione della risposta media tra i livelli di un fattore è 2 volte più grande della deviazione standard dell'errore.
In JMP 10: la potenza è la probabilità di trovare un parametro di modello significativo se il parametro del modello è di 5 volte più grande della deviazione standard dell'errore, dove X è il rapporto segnale / rumore specificato. In altre parole, il potere è la probabilità di trovare un parametro modello significativo se la variazione della risposta media tra i livelli di un fattore è X volte maggiore della deviazione standard dell'errore.
