927735_it-IT

liliconcom

ottimizzazione dei bioprocessi

Caro Signore,

Sto conducendo un esperimento di bioprocesso con quattro fattori e una variabile di risposta. Il mio obiettivo è ottimizzare le concentrazioni di questi fattori per futuri studi di laboratorio. In JMP, solo due fattori erano significativi ( P < 0,05) ), sebbene abbia anche osservato alcune interazioni quadratiche. Quando si utilizza il Prediction Profiler per massimizzare la desiderabilità, dovrei rimuovere prima i fattori non significativi o includere sia gli effetti significativi che quelli non significativi nell'ottimizzazione finale?

Anche,

Quando si esegue la riduzione del modello per l'ottimizzazione di un bioprocesso in JMP, qual è la procedura migliore per gestire i termini non significativi nel Prediction Profiler? Il mio modello mostra due effetti principali significativi e alcune interazioni quadratiche. Non sono sicuro se dovrei mantenere i fattori non interattivi e non significativi quando prevedo la massima desiderabilità, o se mantenerli potrebbe introdurre rumore inutile nell'ottimizzazione.

Grazie mille in anticipo per la tua risposta.

Modellazione statistica avanzataAnalisi e modellazione dei dati di baseAccesso ai datiProgettazione degli esperimentiIngegneria della qualità e dei processiAnalisi di affidabilitàRe: ottimizzazione del bioprocesso

Benvenuti! Non so se esista una risposta semplice e generale alle vostre domande, poiché l'argomento della riduzione dei modelli spesso dipende dai dettagli specifici del vostro esperimento. Mi affiderò al Dipartimento dell'Energia e agli esperti di statistica per un consiglio in merito.

Se non l'hai ancora visto, ti consiglio la seguente risorsa per imparare come analizzare gli esperimenti utilizzando la regressione lineare multipla in JMP: Tutorial su correlazione e regressione | JMP

Re: ottimizzazione del bioprocesso

Non hai fornito una struttura adeguata per il tuo esperimento. Non ci sono informazioni sui livelli o se hai eseguito ripetizioni o replicazioni. Potresti allegare la tabella dei dati? Quando dici che stai cercando di ottimizzare, è davvero quello che vuoi o vuoi selezionare il vincitore? Non esiste un modo giusto per analizzare i dati. In genere, inizi l'analisi DOE con il modello utilizzato per selezionare l'esperimento ed esegui l'adattamento del modello in JMP. Esistono diverse statistiche che puoi utilizzare per ridurre o semplificare il modello, ma sì, dovresti semplificarlo prima di utilizzare il profiler di previsione con sicurezza. Cosa intendi per interazioni quadratiche? Intendi qualcosa del tipo: X1*X2^2? Se hai interazioni, dovresti essere cauto nell'impostare gli effetti principali.

Da notare che l'ottimizzazione avviene dopo aver compreso il rumore nel sistema. Se si sta effettivamente ottimizzando, si dovrebbe già aver stabilito l'importanza dei fattori. Ora si sta mappando la superficie di risposta.

Inoltre, trovo estremamente insolito che ci sia una situazione con una sola variabile di risposta. Non credo di aver mai visto una cosa del genere. Viviamo in un mondo multivariato.

Re: ottimizzazione del bioprocesso

Come spesso accade in statistica, non esiste un approccio univoco a questa domanda molto comune. La prima cosa da fare è adattare il modello completo su cui si basa il progetto. Quindi, invece di eliminare semplicemente un termine perché il suo p-value è inferiore a 0,05, si potrebbero considerare altri criteri di selezione del modello più adatti a previsioni più robuste, come AICc e PRESS (entrambi disponibili in JMP). Un'altra opzione è quella di esaminare le dimensioni dell'effetto (esiste un componente aggiuntivo sul marketplace di JMP che può aiutare a calcolarle) per avere un'idea più precisa della significatività pratica, ovvero non limitarsi a rimuovere un termine perché il suo p-value è 0,051 invece di 0,049. È prassi comune anche assicurarsi di applicare l'ereditarietà dell'effetto (mantenere un effetto principale nel modello se è quadratico o se un'interazione con esso è significativa, anche se l'effetto principale stesso è insignificante). È importante eseguire tutti i normali controlli diagnostici dopo aver scelto un nuovo modello.

Un ultimo passaggio importante è decidere a quali impostazioni fissare i fattori per ottimizzare la risposta, in particolare i fattori che non sono stati inclusi nel modello. Questo è un passaggio molto importante e spesso richiede una conoscenza approfondita della materia tanto quanto quella statistica. In teoria, se i dati a disposizione suggeriscono che un termine non appartiene a un modello per una data risposta, allora la media della risposta è più o meno costante nell'intero intervallo dell'effetto studiato (questo presuppone molte cose, in particolare che i dati raccolti siano rappresentativi della popolazione complessiva e che non ci siano altri fattori che descrivono il processo e che potrebbero essere stati omessi, che potrebbero distorcere i termini o interagire con l'effetto omesso). Quindi, si potrebbe sostenere di impostarla al punto medio dell'intervallo dell'effetto. Si potrebbe impostarla a un livello in cui si conoscono bene i controlli del processo (ad esempio, una variazione minima), o a un livello che potrebbe essere più economico o più facile da gestire. Si potrebbe scegliere di mantenere tutti gli effetti principali in modo che, una volta ottimizzata la situazione in base alle proprie esigenze, si ottengano le impostazioni per tutti i fattori. Ho visto alcuni di questi approcci e altri ancora utilizzati.

Questo è solo un flusso di pensiero per affrontare questo problema, poiché sono sicuro che altri potrebbero avere opinioni diverse/aggiuntive.