Verbesserung des (kundenspezifischen) Screening-Designs zur Reduzierung der Anzahl von ExperimentenLiebe JMP-Community,
Ich möchte eine biochemische Reaktion (Enzymassay) charakterisieren und optimieren. Daher plane ich zunächst ein Screening, um relevante Faktoren zu identifizieren. Aktuell habe ich mich entschieden, acht Faktoren zu untersuchen (2x zweistufige kategoriale, 1x dreistufige kategoriale und 5x kontinuierliche Faktoren).
Ich bin mit den klassischen zweistufigen Screening-Verfahren vertraut, habe aber noch nie ein benutzerdefiniertes Design verwendet. Mein Problem ist der dreistufige kategoriale Faktor. Deshalb habe ich mich für ein benutzerdefiniertes Design entschieden, und es scheint die Anzahl der notwendigen Experimente erheblich zu erhöhen. Etwa 20 Experimente nur für Haupteffekte und über 50 Experimente für Haupteffekte und Zwei-Faktor-Wechselwirkungen (mit einer Teststärke von über 0,8 für jeden Faktor).
Gibt es noch eine andere Möglichkeit, einen Kompromiss zu finden? Ich habe darüber nachgedacht, durch Vortests eine Stufe des dreistufigen kategorialen Faktors zu entfernen, mich vorerst nur auf die Haupteffekte zu konzentrieren oder eine geringere Teststärke in Kauf zu nehmen.
Vielen Dank!
(JMP-Version: Studentenversion 18)
VersuchsplanungBetreff: Verbesserung des (kundenspezifischen) Screening-Designs zur Reduzierung der Anzahl von ExperimentenDa Sie praktisch keine Informationen zur Situation (z. B. Antwortvariablen, Faktoren) angegeben haben, ist es unmöglich, konkrete Ratschläge zu geben. Meine erste Frage ist: Warum ein dreistufiger kategorialer Faktor (das scheint auch Ihre Frage zu sein)? Immer wenn mehr als zwei Stufen gewählt werden, frage ich mich, ob Sie versuchen, einen „Gewinner“ zu ermitteln, oder ob Sie an der Wirkung des Faktors für weitere Untersuchungen interessiert sind. Können Sie von den drei Stufen die beiden Extremwerte auswählen, um die Wirkung dieses Faktors aufzudecken? Ich würde keinen Vortest durchführen, da die Schlussfolgerungen daraus aufgrund potenzieller Interaktionseffekte (Probleme mit dem Inferenzraum) möglicherweise nicht optimal sind. Sie verzerren die Studie in gewissem Maße in Richtung des dreistufigen Faktors (mehr Freiheitsgrade), und warum sollte man einen quadratischen Effekt für einen kategorialen Faktor schätzen? Das ist unsinnig. Testen Sie ihn mit zwei Extremwerten. Wenn dieser signifikant ist, können Sie die Stufen in nachfolgenden Experimenten feinabstimmen.
Mein Rat: Entwerfen Sie mehrere Optionen (mit JMP ganz einfach) und überlegen Sie für jede Option: Was bringt es? (Welche Effekte lassen sich beispielsweise abschätzen? Welche sind verfälscht? Welche werden in der Studie nicht berücksichtigt?) Wie hoch ist der Ressourcenbedarf für jede Option? Vergleichen Sie den potenziellen Erkenntnisgewinn mit dem Ressourcenaufwand. Prognostizieren Sie ALLE möglichen Ergebnisse (nicht nur das, was Sie erwarten). Überlegen Sie sich, wie Sie bei jedem möglichen Ergebnis vorgehen werden. Wenden Sie diesen Denkprozess an, wählen Sie ein Experiment aus und führen Sie es durch. Analysieren Sie die Ergebnisse und optimieren Sie den Prozess.
„Das beste Design, das Sie jemals entwerfen werden, ist das, das Sie erst nach dem Testlauf erstellen.“ Ross
Niemand kennt das richtige Design...wenn Sie es kennen, brauchen Sie es wahrscheinlich nicht auszuführen.
Übrigens, bei der Berechnung der Teststärke wird davon ausgegangen, dass man die Varianz der Zielgröße kennt. Stimmt das?
Betreff: Verbesserung des (kundenspezifischen) Screening-Designs zur Reduzierung der Anzahl von ExperimentenLieber @statman ,
Vielen Dank! Sicher, ich kann Ihnen weitere Informationen geben:
Die Enzymaktivität ist meine Zielgröße, sie bedeutet im Grunde, wie gut die Reaktion verläuft.
Alle Faktoren sind reaktionsbeeinflussende Parameter:
- 5-fache kontinuierliche Messung mit hohen und niedrigen Werten: pH-Wert, Temperatur, Konzentration der Komponenten A, B und C
- 1x zweistufige Kategorie: Art der Komponente A (Stufen: Typ A.1 oder A.2)
- 1x dreistufige Kategorie: Art der Komponente B (Stufen: Typ B.1, B.2 oder B.3)
- 1x zweistufige kategoriale Variable: Vorhandensein einer anderen Komponente D (Stufen: ja und nein)
Ich hoffe, das ist verständlich.
Ich habe mich daher für den dreistufigen kategorialen Faktor entschieden, da ich alle drei Typen von Komponente B überprüfen muss. Ich möchte herausfinden, ob der Typ von Komponente B überhaupt relevant ist und welchen ich für eine detailliertere Untersuchung der Wirkung auswählen sollte (den „Gewinner“). Zusätzlich möchte ich die Wirkung der Konzentrationen der Komponenten A und B bestimmen. Dies habe ich durch die Wahl kategorialer Faktoren für die Typen und kontinuierlicher Faktoren für die Konzentrationen erreicht.
Okay, ich werde mehrere Optionen entwerfen und die Ergebnisse vergleichen. Ja, ich konnte die Varianz der Antwort experimentell bestimmen.
Betreff: Verbesserung des (kundenspezifischen) Screening-Designs zur Reduzierung der Anzahl von ExperimentenBeeinflusst die Änderung der Konzentration einer Komponente (z. B. A, B oder C) die Konzentration einer anderen Komponente? Falls ja, benötigen Sie möglicherweise ein Mischungsdesign. Wie Sie bereits in Ihrem ersten Beitrag angedeutet haben, ist die erste experimentelle Strategie das Screening. Sie müssen nicht alle Konzentrationsstufen von B testen, um festzustellen, ob diese Variable weiter untersucht werden sollte. Beschränken Sie sich in der Screening-Phase auf die Extremwerte der drei Konzentrationsstufen.
Betreff: Verbesserung des (kundenspezifischen) Screening-Designs zur Reduzierung der Anzahl von ExperimentenNein, die Änderung der Konzentration einer Komponente hat keinen Einfluss auf die Konzentration anderer Komponenten. Zu Komponente B: Es gibt keine Extremwerte. Die verschiedenen Konzentrationsstufen stellen lediglich unterschiedliche Varianten von B dar, die nicht geordnet werden können.
Danke!
Betreff: Verbesserung des (kundenspezifischen) Screening-Designs zur Reduzierung der Anzahl von ExperimentenSie haben also keine Hypothesen (oder Vorhersagen) darüber, welches Niveau am besten oder am schlechtesten wäre?... Vielleicht sollten Sie vor den Experimenten die theoretischen chemischen/physikalischen Mechanismen dieses Faktors und der verschiedenen Niveaus untersuchen?
Betreff: Verbesserung des (kundenspezifischen) Screening-Designs zur Reduzierung der Anzahl von ExperimentenHallo @CurseOfCluster6 ,
Willkommen in der Community!
Ich wollte Ihre Frage beantworten, um Ihnen eine andere, aber dennoch ergänzende Antwort auf Ihre Situation und mögliche Optionen zu geben.
- Erstens, was den kategorialen Faktor mit 3 Stufen betrifft: Wenn Sie sich in einer Screening-Phase befinden, würde ich Ihnen wie @statman empfehlen, (wenn möglich) die Anzahl der Stufen auf 2 zu reduzieren, indem Sie nur die unterschiedlichsten Typen der Komponente B beibehalten.
Liegen Ihnen bereits Vorversuche vor, die Ihnen bei der Unterscheidung der Stufen helfen könnten? Oder sind diese Komponenten bereits charakterisiert, um die beiden unähnlichsten auszuwählen (basierend auf chemischen/physikalischen Parametern, molekularen Deskriptoren usw.)? In einem Szenario mit drei Stufen ähneln sich häufig zwei Stufen und haben einen ähnlichen Einfluss auf die Zielgröße. Es ist eher selten, drei Stufen mit sehr unterschiedlichen Auswirkungen zu finden. Je nachdem, ob Sie die Anzahl der Stufen auf zwei reduzieren können, stehen Ihnen möglicherweise mehr oder weniger Gestaltungsoptionen zur Verfügung.
- Bezüglich Ihrer Faktoren und Stufen sowie Ihrer Screening-Ziele (mit Fokus auf die Schätzung von Haupteffekten) müssen Sie 9 (bzw. 10, wenn Sie die 3 Stufen des kategorialen Faktors beibehalten) Terme schätzen. Je nach Ihrem Versuchsbudget und dem gewünschten Grad an Ergebnissicherheit bietet Ihnen das Screening-Design Optionen für mindestens 10 bis 20 (und mehr...) Experimente.
- Hier sind einige Gestaltungsmöglichkeiten zur Auswahl:
- Wenn Sie die Anzahl der Stufen für alle Ihre kategorialen Faktoren auf 2 reduzieren können, stellen Mixed-Level-Screening-Designs eine sehr interessante Option dar. Mit drei kategorialen Faktoren mit 2 Stufen und 5 kontinuierlichen Faktoren können Sie ein Design mit 10, 16 oder 32 Durchläufen erstellen:
Die Option mit 10 Durchläufen ist möglicherweise nicht empfehlenswert, da einige Interaktionseffekte mit Haupteffekten überlagert (vollständig korreliert) sein können. Das Design mit 16 Durchläufen ist interessant, da es die Schätzung von Haupteffekten sowie die Erkennung von Interaktionen und quadratischen Effekten (bei kontinuierlichen Faktoren) ermöglicht, sofern diese Effekte groß genug sind.
- Wenn Sie die Anzahl der Stufen für den dreistufigen kategorialen Faktor nicht auf 2 reduzieren können, bleiben Ihnen noch mehrere Optionen:
- Sie können ein klassisches L18 Hunter-Screening-Design mit 18 Läufen verwenden, indem Sie die Plattform Screening-Designs nutzen und die Option „Aus einer Liste von fraktionierten faktoriellen Designs auswählen“ wählen:
- Sie können ein benutzerdefiniertes Design mit Ihren 8 Faktoren erstellen. Empfohlen werden 18 oder mehr Durchläufe, falls Sie mehr Experimente durchführen können. Nutzen Sie den Design Explorer, um verschiedene Durchlaufgrößen auszuprobieren und zu vergleichen, wie sich jeder zusätzliche Durchlauf auf die Designleistung auswirkt.
Was Ihr Bedürfnis betrifft, eine bestimmte Macht zu erreichen: Macht ist nur dann sinnvoll, wenn/falls:
- Sie kennen die Größe des Signals, das Sie erkennen müssen.
- Sie verfügen über gute Schätzwerte für das experimentelle und das Antwortmessrauschen (RMSE).
Andernfalls ist es möglicherweise am besten, den Stromverbrauch (und andere Designdiagnosen) vergleichend zwischen den Designs zu verwenden.
Hier sind einige Beiträge zum Thema Machtfragen:
Sollte ich im Rahmen der Versuchsplanung eine Poweranalyse in Betracht ziehen?
Doe und Macht
Die statistische Power ist nur eine der verfügbaren Metriken und Diagnosekriterien für Ihr Design. Ich empfehle dringend, die Designs anhand der Farbskala für Korrelationen zu vergleichen, um zu erkennen, welche Effekte korreliert und überlagert sein könnten. Suchen Sie nach einem Design mit der besten Schätzeffizienz , der geringsten Vorhersagevarianz ( Diagramm zum Anteil des Designraums und Profil der Vorhersagevarianz ) und den besten D-Optimalitäts -Designdiagnosen.
Ich hoffe, diese Antwort hilft Ihnen.
Betreff: Verbesserung des (kundenspezifischen) Screening-Designs zur Reduzierung der Anzahl von ExperimentenLieber @Victor_G ,
Vielen Dank für die ausführliche Antwort!
Wie auch @statman vorgeschlagen hat, werde ich versuchen, eine Ebene des dreistufigen kategorialen Faktors auf der Grundlage ihrer theoretischen Eigenschaften zu entfernen.
Falls das funktioniert, klingt das gemischte Modell nach einer sehr interessanten Lösung und ich werde versuchen, mehrere Varianten anhand der von Ihnen genannten Diagnosevariablen zu vergleichen.
Betreff: Verbesserung des (kundenspezifischen) Screening-Designs zur Reduzierung der Anzahl von ExperimentenEine zusätzliche Frage zu den bereits veröffentlichten hilfreichen Beiträgen. Einer Ihrer kategorischen Faktoren mit zwei Ausprägungen ist „Ja“ oder „Nein“. Warum machen Sie ihn nicht einfach zu einem kontinuierlichen Faktor, bei dem die untere Ausprägung Null und die obere Ausprägung dem Wert der „Ja“-Antwort entspricht?
Betreff: Verbesserung des (kundenspezifischen) Screening-Designs zur Reduzierung der Anzahl von ExperimentenIch unterstütze diesen Vorschlag voll und ganz, @louv ! Der kategoriale Faktor „Ja/Nein“ könnte in einen kontinuierlichen Faktor mit den Stufen 0 und (Maximalwert) umgewandelt werden. Bei einem Mixed-Level-Screening-Design (oder ähnlichen Designansätzen) kann diese Änderung des Faktortyps zu einer Verbesserung der Aussagekraft führen, da die Verwendung eines kontinuierlichen Faktors in diesem Designtyp die Schätzung von Haupteffekten (wie bei einem kategorialen Faktor) ermöglicht, aber auch die Erkennung von Interaktions- und quadratischen Effekten (sofern diese Effekte groß genug sind).
Selbst bei kategorialen Faktoren, die chemische Typen/Moleküle betreffen – wie beispielsweise Faktoren für unterschiedliche chemische Eigenschaften der Komponenten A und B –, gibt es zahlreiche Möglichkeiten, von einem kategorialen Raum (mit verschiedenen Molekülen, Katalysatortypen usw.) in einen kontinuierlichen Raum (mit molekularen Deskriptoren, physikalischen/chemischen Eigenschaften usw.) zu gelangen. Diese Option wurde hier diskutiert.
Ein effizientes DOE mit einer mehrstufigen (3+) kategorialen Variable und vielen kontinuierlichen Variablen wird in diesen Vorträgen vorgestellt:
Ich hoffe, diese Vorschläge helfen weiter.
Betreff: Verbesserung des (kundenspezifischen) Screening-Designs zur Reduzierung der Anzahl von ExperimentenJa, ein guter Vorschlag. Deshalb muss die konkrete Situation vor dem Experimentieren verstanden werden (Situationsanalyse). Dann geht es wieder um die Verbindungen selbst ... was unterscheidet sie wirklich? Sind es chemische Verbindungen? Dann könnte man bedenken, dass man mit Verhältnissen oder Prozentsätzen bestimmter Chemikalien experimentiert. Welche davon vermuten Sie als aktiv? ... und so geht die Fragerei weiter.
