Ciao a tutti, sono nuovo di JMP e DOE e questa è la domanda:
Se ho un fattore (spessore del campione) che non è controllabile ma può essere misurato al momento della misurazione delle risposte della serie (ovvero, al termine della serie), lo spessore del campione non può essere misurato prima della serie, quindi non posso registrarlo in anticipo e utilizzarlo come covariata. Questo fattore di spessore non controllabile varia staticamente in una distribuzione normale ed è indipendente da altre variabili perché è correlato al modo in cui preparo il campione di ogni serie. Questo fattore non controllabile interagisce con altri fattori controllabili e insieme influenzano la lettura della risposta.
In questa situazione, come posso analizzare l'effetto di questo fattore incontrollabile? Potrei definirlo come fattore incontrollabile nel DOE personalizzato e includere le sue interazioni nella sezione "Modello"? E registrare i valori di spessore dopo ogni esecuzione, quindi eseguire il modello come di consueto?
Seconda domanda: per migliorare la progettazione, potrei aumentare intenzionalmente il "numero di ripetizioni" (ma invece di ripetere effettivamente le ripetizioni, posso semplicemente preparare più campioni in ogni ripetizione e misurarli tutti (ogni campione avrà uno spessore diverso, ma il resto rimarrà lo stesso), in modo che il suo impatto sulla risposta sia meglio chiarito dal modello?
Grazie mille
Ciao @AttribuitoBurro ,
Benvenuto nella community!
Mi dispiace di non averti dato una risposta prima.
Hai ragione, se si ha un fattore incontrollabile come lo spessore del campione, potrebbe essere meglio considerarlo e includerlo come fattore incontrollabile nella creazione del progetto. In questo modo, il fattore incontrollabile rimane parte del modello.
Riguardo alla sua seconda domanda, ho un dubbio: intende aggiungere delle repliche al suo disegno sperimentale, oppure replicare interamente il disegno, ma preparare ed eseguire le repliche in modo casuale e indipendente? O ancora, desidera preparare più campioni dello stesso trattamento ed eseguirli contemporaneamente?
- Nella prima opzione, puoi aggiungere facilmente repliche al tuo progetto personalizzato oppure replicare interamente il tuo progetto utilizzando la piattaforma di progettazione Augment .
- Nella seconda opzione, si aggiunge una restrizione di randomizzazione al disegno sperimentale, creando "blocchi di esperimenti" con gli stessi livelli dei fattori. È possibile specificare uno o più fattori utilizzati per la preparazione dei campioni come " difficili da modificare " e gli altri come "facili da modificare" per creare questa restrizione di randomizzazione; si dovrà quindi specificare il numero di parcelle complete, ovvero il numero di volte in cui i fattori "difficili da modificare" varieranno nel disegno sperimentale. A seconda del numero totale di prove (multiplo del numero di parcelle complete), la struttura del disegno sarà organizzata in p parcelle complete di k prove ciascuna, per un totale di p*k=n prove nel disegno. Questa struttura di disegno è chiamata disegno a parcelle suddivise (Split-Plot) . Questa struttura di disegno offre prove più facili da eseguire (grazie alla restrizione di randomizzazione), ma a costo di una minore potenza per i fattori "difficili da modificare" e di un modello leggermente più complesso (aggiunta della stima di un effetto casuale per l'effetto della parcella completa).
Spero che questa risposta tardiva possa comunque esserti d'aiuto.
Non ci sono informazioni sufficienti per fornire consigli specifici, ma ecco alcune opzioni. Rimane sempre da chiedersi: stai cercando di spiegare la variabilità dei risultati o di sviluppare una comprensione causale a fini predittivi?
Per pura curiosità, come fai a sapere che esiste un'interazione tra lo spessore del campione e gli altri fattori? O si tratta di un'ipotesi? Da dove hai tratto i dati a supporto di questa affermazione?
Avete effettuato dei campionamenti? Forse sarebbe utile utilizzare dei campionamenti del processo di preparazione per comprendere la coerenza e quanto essa varia.
Dal momento che stai "preparando il campione", puoi sperimentare sulla modalità di preparazione, variando intenzionalmente i fattori ad essa associati? In tal caso, puoi eseguire un esperimento sulla preparazione come grafico principale (considerando ciascun campione di questo esperimento e suddividendolo) e successivamente eseguire l'esperimento sugli altri fattori nel grafico secondario di un disegno sperimentale a blocchi randomizzati. Questo aumenta la precisione del grafico principale e del grafico secondario, e consente di analizzare le interazioni tra il grafico principale e il grafico secondario con maggiore precisione.
Un'altra opzione, come hai accennato, è quella di creare un'unità sperimentale per ogni trattamento, composta da più campioni. Questi campioni non sono indipendenti dai trattamenti, ma è possibile calcolarne la media, riducendo così l'effetto dello spessore del campione. Inoltre, si può calcolare la varianza dei campioni e utilizzarla come seconda variabile di risposta per verificare se i fattori controllabili influenzano la variabilità all'interno del trattamento (principalmente dovuta allo spessore del campione e all'errore di misurazione).
Un'altra opzione, se possibile, è quella di campionare per determinare i due valori estremi di spessore, quindi prelevare un numero sufficiente di campioni per ciascuno per eseguire delle repliche e confondere questo con il blocco (spessore basso = Blocco -1 e spessore alto = Blocco 1). È quindi possibile trattare il blocco come un effetto fisso e aggiungere il blocco e le interazioni blocco-fattore al modello. Ciò dipende in gran parte dalla fiducia riposta nella conoscenza di ciò che è confuso con il blocco. Se l'effetto blocco o le interazioni blocco-fattore sono significativi, allora esistono opzioni per disaggregare il blocco. Altrimenti, è possibile trattare il blocco come un effetto casuale e utilizzarlo come base per i test statistici.
Non c'è nulla di male nel misurare lo spessore e includere la misura effettiva come covariata, a meno che lo spessore non cambi a causa di altri fattori. La misurazione non deve necessariamente essere effettuata prima dell'esperimento per poterla utilizzare come covariata. L'unico potenziale problema che vedo è che si può usare un solo valore per la covariata per ogni trattamento. Se c'è variabilità all'interno del campione, quale valore si dovrebbe usare? Suppongo si potrebbe fare la media delle misurazioni dello spessore... ma potrebbe non essere utile.
Non esiste un unico modo corretto per condurre l'esperimento. Esistono molte opzioni, ognuna con i propri vantaggi e svantaggi. Il mio consiglio è di progettare diverse opzioni, valutare il potenziale di apprendimento di ciascuna (ad esempio, effetti del modello, restrizioni, aliasing) e confrontarle con i relativi requisiti e vincoli di risorse. Prevedere tutti i possibili risultati e quali saranno le successive iterazioni possibili. Quindi sceglierne una e prepararsi a iterare.
