Mein vorheriger Beitrag zeigte einige Vorteile von geplante Experimente Verwendung von Zufallsblöcken anstelle der herkömmlicheren festen Blöcke. Mein Hauptargument war, dass Zufallsblöcke kosteneffektivere Experimente ermöglichen können, da für einen bestimmten Satz von Faktoren und Modellspezifikationen weniger Durchläufe erforderlich sind.
Es gibt einen weiteren Vorteil von Zufallsblöcken. Bei einer Analyse mit Zufallsblöcken können Sie Vorhersagen für die Antwort auf andere Blöcke treffen. Natürlich möchten die meisten Praktiker solche Vorhersagen treffen, aber streng genommen lässt eine feste Blockanalyse dies nicht zu.
Derzeit befindet sich das Custom Design-Tool in JMP ermöglicht es Ihnen, Ihre Läufe in zufälligen Blöcken beliebiger Größe zu gruppieren. Stellen Sie sich jedoch eine Produktion vor, in der der Prozess von Tag zu Tag zufällig variiert und auch von Tag zu Tag variiert. Sie haben also zwei Blockierungsfaktoren, und einer (Schicht) ist innerhalb des anderen (Tag) verschachtelt. Ein neuer Tag erfordert einen Schichtwechsel.
Die Schnittstelle ermöglicht einen zufälligen Blockierungsfaktor, es ist jedoch nicht offensichtlich, wie ein Design mit zwei verschachtelten Zufallsfaktoren erstellt wird.
Wie kannst du das machen?
Nehmen wir an, alle Faktoren des Experiments lassen sich leicht von Lauf zu Lauf ändern. Wenn sich Faktoren schwer ändern ließen, könnten wir diese Faktoren innerhalb jeder Schicht konstant halten. Wir nennen ein Design mit dieser Funktion a Split-Plot-Design .
Und wenn es Faktoren gab, die sehr schwer zu ändern waren, sollten wir diese für einen ganzen Tag konstant halten. Experimente mit Faktoren, die sehr schwer zu ändern sind, und Faktoren, die nur schwer zu ändern sind, sowie Faktoren, die leicht zu ändern sind, werden als Experiment bezeichnet Split-Split-Plot-Designs .
Sowohl Split-Plot-Designs als auch Split-Split-Plot-Designs sind blockierte Designs, und die Blöcke sind Zufallsblöcke. Beim Split-Plot-Design sind die Blöcke die Gruppen von Läufen, bei denen die schwer zu ändernden Faktoren konstant bleiben.
JMP unterstützt beide Arten von Designs. Mit dieser Funktion können Designs mit verschachtelten Zufallsblöcken erstellt werden.
Also zeig es mir
Abbildung 1 zeigt eine Faktortabelle für ein Szenario, in dem sechs kategoriale Faktoren mit jeweils zwei Ebenen untersucht werden sollen. Beachten Sie, dass ich zwei Faktoren definiert habe, die als Fake VHTC Factor und Fake HTC Factor bezeichnet werden. Ich habe die Spalte Changes in der Tabelle für den ersten Faktor auf Very Hard und für den zweiten auf Hard gesetzt. Sie haben vielleicht geahnt, dass dies keine wirklichen Faktoren sind, und wenn ja, dann haben Sie recht.
Abbildung 2 zeigt die Modellansicht. Ich habe die ersten beiden Faktoren ausgewählt. Als Nächstes entfernen Sie diese Faktoren aus dem Modell, indem Sie auf die Schaltfläche Begriff entfernen klicken.
Abbildung 3 zeigt das resultierende Modell.
Nehmen wir an, wir möchten das Experiment über vier Tage mit drei Schichten pro Tag ausführen lassen. Und vielleicht können wir zwei Läufe pro Schicht machen. Dann beschreibt der Gliederungsknoten der Entwurfserzeugung in Abbildung 4 dieses Szenario.
Die "ganzen Parzellen" sind Tage. Bei den „Subplots“ handelt es sich um Verschiebungen, von denen 4x3 = 12 sind. Es gibt 12x2 = 24 Läufe, da wir in jeder Schicht zwei ausführen können.
Durch Klicken auf die Schaltfläche Design erstellen wird das Design in Tabelle 1 erstellt. Beachten Sie die Abfallwerte für die gefälschten Faktoren. Da sie nicht im Modell angezeigt werden, ändert der optimale Designer seine Werte nicht von den ursprünglichen Zufallseinstellungen.
Klicken Sie nun auf die Schaltfläche Tabelle erstellen. Wenn Sie die Tabelle erstellt haben, können Sie die beiden Falschfaktorspalten löschen und die Spalte Whole Plots in Day und die Spalte Subplots in Shift ändern. Das Ergebnis ist in Tabelle 2 aufgeführt.
Wenn Sie Ihre Antwort eingeben und das Modellskript ausführen, passt JMP das entsprechende Regressionsmodell automatisch mit Day und Shift als Zufallsblöcke an.
Die Quintessenz…
Obwohl die Unterstützung nicht so eindeutig ist wie für einen zufälligen Blockierungsfaktor, können Sie, wenn Sie wissen, wie, zufällige Blöcke verschachtelt werden. Sie können Variationen dieses Ansatzes verwenden, um Designs mit gekreuzten Zufallsblöcken oder zu erstellen Blockierte Split-Plot-Designs . Wenn ein ausreichendes Interesse an einem davon besteht, kann ich in einem zukünftigen Beitrag ein Beispiel geben. Also lass es mich in deinen Kommentaren wissen.
Danke für diesen Beitrag, Bradley!
Könnten Sie vergleichen und vergleichen, wie Custom Design das Design und die Analyse von
1) 1 Faktor "Sehr hart", 1 Faktor "Hart" (z. B. Split-Split-Diagramm)
2) 1 Faktor "Sehr hart", 1 Faktor "Hart", 4 "Einfach", Ankreuzfeld auf "Schwer zu ändernde Faktoren können unabhängig von sehr schwer zu ändernden Faktoren variieren" (z. B. Strip-Plot)
3) 2 Faktoren "hart"
Ich verstehe in Szenario 1, dass in der ANOVA zwei zu analysierende Fehlerausdrücke generiert werden - der Ausdruck "Sehr harter Fehler" ist in der gesamten Darstellung und der Ausdruck "Harte Fehler" auf der Ebene "Subplot".
Was passiert auf ANOVA-Ebene für die anderen beiden Szenarien?
Gibt es Prozessbeispiele, bei denen jede dieser Entwürfe am besten geeignet wäre?
Jessica Behrle schrieb:
Diesen Ansatz habe ich bei der Erstellung von benutzerdefinierten DOEs für die Assay-Entwicklung in JMP verwendet. Die ersten zufälligen Blockierungsfaktoren sind Platten, da ein oder mehrere Faktoren nur auf eine ganze Platte angewendet werden können und die Platte innerhalb eines Tages verschachtelt ist, da eine bestimmte Anzahl von Platten am Tag ausgeführt werden kann. Darüber hinaus haben wir mehrere Faktoren, die sich innerhalb der Zeilen / Spalten einer Platte ändern können.
