Wie führt man ein Wahldesign mit unzulässigen Kombinationen durch?Ich verwende die DOE-Funktion „Choice Design“, um ein Design für ein Discrete-Choice-Experiment zu erstellen. Ich möchte bestimmte Kombinationen von Attributausprägungen ausschließen, da sie logisch nicht sinnvoll sind, und die kognitive Belastung der Befragten verringern. (Beispiel: Ausschluss der Kombination „Keine Arbeitsplatzverluste“ und „8 von 10 Haushalten haben finanzielle Schwierigkeiten“.)
Mir ist bewusst, dass die benutzerdefinierte Versuchsplanung (DOE) unzulässige Kombinationen zulässt, aber ich möchte trotzdem die A-priori-Mittelwert-/Varianzmatrix wie in der Option „Wahlversuchsdesign“ verwenden können. Soweit ich das beurteilen kann, ist die Verwendung dieser A-priori-Verteilungen in der benutzerdefinierten Versuchsplanung nicht möglich, und unzulässige Kombinationen sind im Wahlversuchsdesign nicht möglich. Gibt es eine Möglichkeit, Kombinationen zu verbieten und gleichzeitig meine A-priori-Mittelwert-/Varianzmatrix zu verwenden?
VersuchsplanungBetreff: Wie erstellt man ein Wahldesign mit unzulässigen Kombinationen?Hallo @jlynn21 , Ihnen ist die eingeschränkte Funktionalität (Stand: JMP 19.x) bereits bekannt. Leider können Sie diese Priorisierungen nur im Auswahldesign einbinden, die Funktionalität für unzulässige Kombinationen wird jedoch aktuell nicht unterstützt (soweit ich recherchiert und getestet habe). Ich empfehle Ihnen dringend, einen entsprechenden Vorschlag auf der JMP-Wunschliste der JMP-Benutzer-Community einzureichen! In der Zwischenzeit suche ich weiter und melde mich, falls ich weitere Vorschläge habe. Alternativ können Sie auch einfach Ihre Kandidatenmenge generieren und die Datentabellenfilterung (JMP 19 bietet diesbezüglich Verbesserungen) oder JSL-Skripte verwenden, um die Zeilen herauszufiltern, für die die unzulässigen Kombinationen gelten.
Betreff: Wie erstellt man ein Wahldesign mit unzulässigen Kombinationen?Hallo @jlynn21 ,
@PatrickGiuliano hat Sie bereits über den aktuellen Stand der Plattform und ihre Optionen informiert.
Choice-Designs können als eine spezielle Untermenge des fraktionierten faktoriellen Designs betrachtet werden, mit ausschließlich kategorialen Faktoren, einer Blockierung/Gruppierung von Experimenten (zur Erstellung von Auswahlsätzen), einer diskreten Wahlantwort und oft einigen Einschränkungen (zum Beispiel die Anzahl der Faktoren/Attribute, die sich in einer Teilmenge von Experimenten/einem Auswahlsatz ändern können).
Bezüglich Ihrer Situation denke ich, dass es möglicherweise noch zwei Optionen gibt, die Ihnen helfen könnten (und die sich kombinieren lassen):
- Nutzen Sie die Plattform für benutzerdefinierte Designs und verwenden Sie basierend auf den Informationen aus Ihrer vorherigen Studie entweder ein A-Optimalitätskriterium mit A - Optimalitätsparametergewichtungen , um den Effekten , die die Varianz reduzieren sollen, ein höheres Gewicht zu verleihen. Sie können die unzulässigen Kombinationen auch direkt in der Plattform für benutzerdefinierte Designs festlegen (durch Filterung oder Skripting).
- Wenn Sie bereits eine frühere Studie/ein früheres Wahldesign haben, verwenden Sie dieses Design und die Plattform „Augment Designs “. Dadurch bleiben die Informationen aus Ihrem vorherigen Design erhalten, und die Erweiterung hilft, die Effekte genauer zu schätzen (mit einem D- oder A-Optimalitätskriterium und der Möglichkeit, Gewichtungen für den A-Optimalitätsparameter hinzuzufügen).
Ich hoffe, diese Umgehungslösung hilft Ihnen.
Betreff: Wie erstellt man ein Wahldesign mit unzulässigen Kombinationen?Um den hier vorgeschlagenen Ansätzen etwas mehr Kontext zu verleihen:
1. Nutzen Sie die Plattform für benutzerdefinierte Designs und verwenden Sie basierend auf den Informationen aus Ihrer vorherigen Studie entweder ein A-Optimalitätskriterium mit A-Optimalitätsparametergewichten , um den Effekten, die die Varianz reduzieren sollen, mehr Gewicht zu verleihen. Sie können die unzulässigen Kombinationen auch direkt in der Plattform für benutzerdefinierte Designs festlegen (durch Filterung oder Skripting). Das Hinzufügen eines Zufallsblocks kann helfen, die Auswahlmengen mit der gewünschten Größe zu erstellen.
Dies könnte funktionieren, jedoch nur, wenn Sie auf Ihre Vorinformationen verzichten und annehmen, dass der Nutzen für alle Profile gleich ist (d. h. die Beta-Koeffizienten/Nutzenparameter sind alle null). Unter dieser Annahme entspricht die Informationsmatrix eines diskreten Wahlverfahrens der Informationsmatrix eines Blockdesigns (im beigefügten Paper als nutzenneutrales Design bezeichnet).
Gemäß Ansatz 1 können Sie die Funktion „Zufällige Blockierung“ im benutzerdefinierten Design verwenden, um Auswahlmengen gleicher Größe zu erstellen und deren Einschränkungen einzubeziehen.
2. Falls Sie bereits eine frühere Studie/ein früheres Wahldesign haben, verwenden Sie dieses und die Plattform „Augment Designs“ . Dadurch bleiben die Informationen aus Ihrem vorherigen Design erhalten, und die Erweiterung hilft, die Effekte genauer zu schätzen (mit einem D- oder A-Optimalitätskriterium und der Möglichkeit, Gewichtungen für den A-Optimalitätsparameter hinzuzufügen).
Das würde auch funktionieren, vorausgesetzt, Sie verzichten auf Ihr Vorwissen zu den Nutzenparametern und gehen daher davon aus, dass der Nutzen für alle Profile gleich ist. In gewisser Weise beziehen Sie dieses Vorwissen (indirekt) mit ein, da Sie Ihr bestehendes Design (basierend auf diesen Nutzenparametern) nutzen würden, aber Sie würden für die erweiterten Läufe einen gleichen Nutzen für alle Profile annehmen.
Anders formuliert: Die Einbeziehung des Vorwissens erfolgt indirekt, da ohne explizite Angabe der Nutzenparameter kaum gewährleistet werden kann, dass die Optionen innerhalb der erweiterten Wahlmengen einen ausgewogenen Nutzen aufweisen. Die erweiterten Durchläufe werden so ausgewählt, dass sie das bestehende Design ergänzen (z. B. durch den Versuch einer gleichmäßigen Replikation von Faktorkombinationen usw.), jedoch gibt es keine Garantie für einen ausgewogenen Nutzen hinsichtlich der Nutzenparameter.
