Warum Sie über Split-Plot-Designs Bescheid wissen müssen Bradley Jones , R & D-Direktor für JMP und Christopher Nachtsheim , Professor an der Carlson School of Management an der University of Minnesota, arbeitete an einem Papier mit, das diesen Monat in den USA veröffentlicht wurde Journal für Qualitätstechnologie . Beide Autoren haben viel zum Thema Versuchsplanung veröffentlicht und sind als Experten auf diesem Gebiet anerkannt.
Ihre neue Arbeit trägt den Titel "Split-Plot-Designs: Was, Warum und Wie". In diesem Interview mit Brad stellte ich ihm dieselben Fragen wie im Papiertitel. Abonnenten der Journal für Qualitätstechnologie kann den gesamten Artikel über die ASQ-Website lesen.
Arati: Was ist ein Split-Plot-Design?
Brad: Ein Split-Plot-Experiment ist eine statistisch entworfene Studie, in der die Versuchsläufe so gruppiert werden, dass bestimmte Variablen ihre Einstellungen innerhalb einer Gruppe nicht ändern. Der Experimentator ändert nur diese Variablen oder Faktoren zwischen Gruppen von Läufen. Wenn diese Faktoren für eine ganze Gruppe von Läufen konstant bleiben, bedeutet dies, dass die Laufreihenfolge für diese Experimente nicht völlig zufällig ist. Statistiker empfehlen häufig die Verwendung vollständig randomisierter Designs anstelle von Split-Plot-Designs.
Arati: Warum sind Split-Plot-Entwürfe für erfahrene Statistiker wichtig?
Brad: Obwohl die vollständige Randomisierung bestimmte Probleme bei der Analyse und Interpretation von Ergebnissen aus Experimenten vermeidet, erfordert dies häufig einen erheblichen zusätzlichen Aufwand. In vielen Prozessen sind bestimmte Faktoren von einem Verarbeitungslauf zum nächsten schwer zu ändern. Einige Faktoren zu ändern, ist so einfach wie das Drehen einer Wählscheibe oder das Umlegen eines Schalters. Das Ändern anderer kann zeitaufwändige und kostspielige Änderungen am System erforderlich machen. Es ist sinnvoll, Ihre Versuchsläufe so zu strukturieren, dass diese praktische Einschränkung berücksichtigt wird. Das heißt, Sie möchten mehrere Läufe hintereinander ausführen und ändern dabei Faktoren, die leicht zu manipulieren sind, bevor Sie das System anhalten, um eine große Änderung vorzunehmen. Das slawische Beharren auf vollständiger Randomisierung hat manchmal dazu geführt, dass die Mitarbeiter ein randomisiertes Design nach logistischen Gesichtspunkten sortieren, ohne den Hauptuntersuchenden darüber zu informieren. Diese Sortierung macht das Design zu einem Split-Plot-Design, aber im Allgemeinen zu einem schlecht konstruierten. Noch schlimmer ist, dass der Hauptuntersucher, der die Sortierung nicht kennt, die Daten so analysiert, als wäre die Ausführungsreihenfolge zufällig. Da sich die Analyse eines vollständig randomisierten Entwurfs von der eines Split-Plot-Designs unterscheidet, kann die Folge der Run-Sorting-Sub-Fuge die Ergebnisse ungültig machen und schlechte Entscheidungen treffen.
Arati: Erzählen Sie mir von einer oder zwei der jüngsten Entwicklungen beim Entwurf und der Analyse von Split-Plot-Experimenten.
Brad: In den letzten zehn Jahren war das Design und die Analyse von Split-Plot-Experimenten ein heißes Thema in der Forschungsliteratur. Für mein Geld waren die aufregendsten Entwicklungen die Methoden für das Design und die Analyse optimaler Split-Plot-Experimente. Es ist nicht wirklich die Optimalität der Designs, die diesen Ansatz aufregend macht, obwohl optimale Designs durchaus wünschenswerte Eigenschaften haben. Der wahre Wert dieser Methoden liegt darin, dass sie eine wesentlich flexiblere Problemstellung und damit eine weitaus größere Anwendbarkeit ermöglichen.
Arati: Was war Ihre Absicht, diesen Artikel mit Professor Nachtsheim zu schreiben?
Brad: Vor ein paar Jahren hatte ich ein Gespräch mit zwei ehemaligen Redakteuren des Journal of Quality Technology. Sie stellten das wiederauflebende Interesse an Split-Plot-Designs fest. Sie waren auch besorgt darüber, dass die mathematische Komplexität einiger Publikationen die meisten Praktizierenden zurücklässt. Es gab die Tatsache, dass verschiedene Forscher oft leicht unterschiedliche Ansätze empfehlen. Dies kann Praktizierende verwirren, die nicht über den Hintergrund verfügen, zwischen konkurrierenden Methoden zu unterscheiden. Professor Nachtsheim und ich haben den Artikel verfasst, um alle wichtigen Forschungslinien des letzten Jahrzehnts abzudecken und ihre Stärken und Schwächen gleichermaßen zu präsentieren. Ich habe Professor Nachtsheim in das Projekt aufgenommen, weil ich mich für einen Ansatz eingesetzt habe, und ich dachte, es wäre objektiver, einen Autor einzubeziehen, der keine starken Überzeugungen hatte.
Arati: Wer ist das Publikum für diesen Artikel und wie hoffen Sie, dass er die darin enthaltenen Informationen verwendet?
Brad: Wir haben den Artikel für zwei Zielgruppen geschrieben. Für den Statistiker, der mit dem jüngsten Trend in diesem Bereich nicht vertraut ist, enthält unser Artikel eine Referenzliste und einen Leitfaden zu den wichtigsten Forschungslinien. Das wichtigere Publikum ist jedoch die Gemeinschaft der Praktizierenden. Wir wollten Informationen bereitstellen, um diese Gemeinschaft dazu zu befähigen, diese neuen Methoden gewinnbringend einzusetzen.
UPDATE am 4. Mai 2010: Dieser Artikel wurde mit dem prestigeträchtigen Brumbaugh Award von ASQ ausgezeichnet. Sie können Laden Sie ein PDF des Artikels herunter von der JMP-Website.
Artikel über Split-Plot-Designs wird erneut gewürdigt - JMP Blog ... Artikel zu Split-Plot-Designs wird erneut gewürdigt - JMP Blog schrieb:
Vielleicht möchten Sie auch einen früheren Blogbeitrag über diesen Artikel lesen, in dem Jones erklärt, warum Sie über Split-Plot-Designs wissen müssen. Tags: Versuchsplanung [...]
Bradley Jones gewinnt ASQ Brumbaugh Award - JMP Blog schrieb: ... Bradley Jones gewinnt ASQ Brumbaugh Award - JMP-Blog schrieb:
[...] Sie haben einen Artikel mit dem Titel â Split-Plot Designs: What, Why und Howâ verfasst, der im Oktober 2009 im Journal of Quality Technology veröffentlicht wurde. Der Brumbaugh Award wurde 1949 ins Leben gerufen und wird für die im Vorjahr veröffentlichte Publikation verliehen, die besagt, dass der Ausschuss den größten Beitrag zur Entwicklung der industriellen Anwendung der Qualitätskontrolle geleistet hat. In einem früheren Blogbeitrag zu diesem Artikel erklärte Bradley, warum Sie über Split-Plot-Designs wissen müssen. [...]
Phil Stojan hat geschrieben: Ich bin über diese Seite gestolpert ... Phil Stojan schrieb:
Ich bin über diese Seite gestolpert (und habe zufällig etwas mit Split-Plot-Stichprobenvergleichen zwischen Individuen aus natürlichen Bevölkerungsgruppen im Feld gehört, also werde ich etwas hinzufügen).
Aus der Sicht eines Feldökologen finde ich Ihre Kommentare zu "Split-Plot" -Designs etwas verblüffend und halte es für notwendig, einige Tatsachen aus der realen Welt aufzuzeigen:
1. Die Verwirrung, die der komplexen "Mathematik" zugrunde liegt, um ein optimales Design zu erreichen, stellt die Frage, ob die Ermittler / irgendjemanden sonst den Versuch unternehmen müssen, den Probenahmeaufwand (als Analogie) durchzuführen.
2 Wenn Sie tatsächlich ein derart optimales Split-Plot-Design erstellen können - entweder ist das Muster so offensichtlich, dass für die Ablehnung des Ho wahrscheinlich keine Teststatistik erforderlich ist, oder Sie sind nur billig und riskieren einen Typ-2-Fehler (am Ende der Läufe weil:
"Das heißt, Sie möchten mehrere Läufe hintereinander ausführen, wobei sich nur Faktoren ändern lassen, die leicht zu manipulieren sind, bevor Sie das System anhalten, um eine große Änderung vorzunehmen."
Natürlich würden wir - wenn es aus keinem anderen Grund Zeit sparen würde!
Sie haben jedoch blind davon ausgegangen, dass die Reihenfolge, in der Behandlungen angewendet werden (dh das Testen auf Faktoreffekte), keine Verzerrung in die Analyse einführt - was Sie an diesem Punkt nicht einmal argumentieren können, da Sie durch das Versagen, zufällig zu randomisieren, keinen Anspruch darauf haben Rückschlüsse.
Was würden Fisher und Gossett denken?
Ich will nicht viel Aufhebens machen - und ich bin vielleicht nicht ganz richtig, da ich den Artikel nicht gelesen habe, aber stattdessen kann ich ein wenig Licht darauf werfen, wie Studenten das Studium auf manipulative Feldbiologie-Experimente anwenden:
Split-Plot-Designs wurden in Manipulative Biologie-Studien gut verstanden, seit RA Fisher an meiner Stelle arbeitete.
Die Rückschlüsse auf die Behandlungseffekte dieses Entwurfs leiden unter einer räumlichen und zeitlichen Pseudoreplikation und beziehen sich daher nur auf den Ort der Plots: Ein üblicher Vergleich in der Ökologie ist, wenn ein Vegetationsfleck gespalten wird und einer Art Manipulation unterliegt, deren andere Hälfte dessen ist Steuerung.
Die Wirkung der Wasserzugabe im Vergleich zur Kontrolle zum Beispiel.
In der Biologie geht es meistens um die Größe der Effektgröße, die eine Behandlung erzeugt, und um Typ-2-Fehler zu vermeiden. Die a-priori-Einstellung von Alpha ist arbritär und bedeutet nur wenig, wenn Sie die Effektgröße maximieren und über ausreichende statistische Leistung verfügen.
Ich kann nicht verstehen, warum Sie ein Split-Plot-Design verwenden möchten, um es zu optimieren: Es ist bereits so nahe, wie Sie es positionieren könnten?
Schließlich gibt die Behandlungsfolge häufig Interaktionen zurück (Bedeutung in der Natur, Reihenfolge der Ereignisse ist wichtig) - es hört sich so an, als ob die Behandlungsreplikationen, auf die Sie sich beziehen, sehr präzise sind und in Abwesenheit von Randomisierung keine Verzerrung bewirken.
Wir bezeichnen diesen Gremlin als dämonischen Eingriff in die Ökologie.
Lass es mich wissen, bitte.
Phil.
Phil Stojan schrieb: Wer sind diese Praktizierenden? Wenn du bist... Phil Stojan schrieb:
Wer sind diese Praktizierenden?
Wenn Sie sich auf Personen beziehen, die die Statistiken tatsächlich als Werkzeug verwenden, das zur Klärung der Mustererkennung beiträgt, wäre es möglicherweise von Vorteil, sich mit multidisziplinären Praktikern in Verbindung zu setzen. Applied Science kann stichhaltige und offensichtliche Gründe für die Änderung oder Überarbeitung von Methoden haben.
