拒绝访问 |
| 百度云加速
请打开cookies.
此网站 () 的管理员禁止了您的访问。原因是您的访问包含了非浏览器特征(3cf67f5c236e3a82-ua98).
重新安装浏览器，或使用别的浏览器查看: 4209|回复: 10
求助，判断一列中，符合条件的，最小值，求高手帮忙解答用公式，谢谢啊
阅读权限10
在线时间 小时
求助，判断一列中，符合条件的，最小值，求高手帮忙解答用公式，谢谢啊
就是有2列数据，判断符合条件了，在计算结果，求高手指点
(3.56 KB, 下载次数: 51)
06:33 上传
点击文件名下载附件
阅读权限20
在线时间 小时
练习了一下，看附件
07:07 上传
点击文件名下载附件
3.72 KB, 下载次数: 78
阅读权限10
在线时间 小时
谢谢咆哮师兄指点，可是这个能用公式么，用数组有点复杂，而且数组要求有点严格，以后数据再更新、变换的话，容易出错啊
能直接使用公式计算出来就简单了
阅读权限100
在线时间 小时
=MIN(IF((C2:C8=&A&),B2:B8))
对于B\C\D,只需对&A&进行相应修改即可
阅读权限50
在线时间 小时
在D2输入数组公式，三键Ctrl+Shift+Enter同时按后，这个数组公式才能正确显示！右拉。（带条件判断最大值或最小值，不用数组可能有点不好办）=MIN(IF($C:$C=CHAR(64+COLUMN(A1)),$B:$B))复制代码
阅读权限50
在线时间 小时
CHAR(64+COLUMN(A1))在右拉的过程中，会自动变成A、B、C、D
阅读权限95
在线时间 小时
=MIN(IF($C$2:$C$8=CHAR(64+COLUMN(A1)),$B$2:$B$8,999))
阅读权限70
在线时间 小时
=MIN(IF(C2:C8=C3,B2:B8))
阅读权限95
在线时间 小时
=MIN(IF($C:$C=CHAR(64+COLUMN(A1)),$B:$B,&0&))，数组公式。
或者=MIN(IF($C:$C=CHAR(64+COLUMN(A1)),$B:$B))，数组公式。
或者=MIN(IF($C:$C=CHAR(64+COLUMN(A1)),$B:$B,4^8))，数组公式。
阅读权限100
在线时间 小时
使用数据透视表的【分类汇总方式】选择最小值
也是一种方法
最新热点 /1
ExcelHome每周都有线上直播公开课，
国内一流讲师真身分享，高手贴身答疑，
赶不上直播还能看录像，
关键居然是免费的！
厚木哥们都已经这么努力了，
你还好意思说学不好Office。
玩命加载中，请稍候
玩命加载中，请稍候
Powered by
本论坛言论纯属发表者个人意见，任何违反国家相关法律的言论，本站将协助国家相关部门追究发言者责任！ & & 本站特聘法律顾问：徐怀玉律师 李志群律师怎样获得数据窗口中的有用行数_百度知道
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。
怎样获得数据窗口中的有用行数
我有更好的答案
用rowcount()函数，函数返回数据库窗口的总行数，也就是最后一行，最大行号。
为您推荐：
其他类似问题
换一换
回答问题，赢新手礼包当前位置： >>
Pb设计中出现的各种问题论坛总结
请教:PB-design,最陡爬坡实验,CCD 等中的响应面分析的相关问题请教:PB-design 中的相关问题 在实验设计的过程中,通过阅读文献了解到了很多的,但是同时也积累了很多问题解决不 了,希望各位高手们指点一二不胜感激. 1 在 PB 设计中出现的 dummy variable 的具体含义到底是什么?是对照组吗?如果不是应该 遵循什么样的原则去设计呢? 2 在 PB 中实验组数应该是变量数加 1,那么在相关的文献中看到 15 个变量设计为:15+1+4, 其中 4 是 dummy variable,但是表格中这 4 个变量也是有高低水平的变化的,那么设计时是作为 15 个变量来考虑还是 19 个呢? 3 想问问在最陡爬坡实验中,步长的选择有什么要求吗?纯经验还是有公式的? 4 在设计 CCD 试验那的时候是否要包括全因子实验设计? 5 什么是中轴点? 各位高手帮帮忙啊,谢谢了 小妹我也正在做这块试验，是培养基优化的 刚做完单因素试验 正在想下面该怎么设计呢？是 PB？还是最陡爬坡？还是两个都要做？？ 反正最后是要做响应面的~~希望大虾们多多多指点一下下…… 另外，关于ＰＢ，我也在想，是不是必须要做空白项的呢？ 那么空白项里面的+1，-1 是没有具体的水平值的亚，那么在实验中具体该怎么操作呢？？ 谢谢各位不吝指教了…… 我自己是怎么想的:单因子实验只是为了保险使 PB 实验的结果更加明显而进行的预实验,PB 实验本身就是有筛选单因子的功能,如果有把握是可以直接做 PB 的.而我的实验是先进行单 因子,然后是 PB,根据 PB 的实验分析数据做最陡爬坡实验,否则不能很好的确定爬坡的方向 以及步长. 最陡爬坡实验的步长的选择: 根据前面 PB 实验的结果,做一阶方程的法线,法线方向就是爬坡方向,步长就根据回归系数和 规范变量的比值在通过自然变量来换算,算到的结果在综合实际的情况就可以基本确定步长 了 这个是最近看文献理解到的一些,希望哪位高手指点一下 dummy variable 不是对照组。如果你的实验次数为 4 的整数倍。那么看你考察的因素是多 少个。比如你有 9 个，那么至少要使用 runs=12 次 的 PB 设计。此时，有 3 个空列。一般 的处理方法是，等间距空列。实在不行，你就随机选吧。这并不妨碍你的实验结果。空列只 是为了估算误差。 2. 这样吧，如果我这样表述，看你是否能够理解。 我刚好有 15 个因素，想做 PB，正好 runs=16 符合我的要求。可是，这样一来，估算误差 呢？因为没有多余空列了。那么，再往上加列，只有再加 4 列。刚好 19 因素，20 次实验， 其中有 4 个空列。 你认为这多出来的一列（16-15=1） ，我想你是这样算的吧。那你运行一下软件，看看 15 因 素的 PB， runs=16，到底是 15 列，还是 16 列？列是因素，行是实验次数。并不是列数= 行数。描述：如何确定步长： 图片：图片：描述：4 在设计 CCD 试验那的时候是否要包括全因子实验设计? 图片：看了这张图，我想答案应该是不言而喻了！描述：CCD 各个设计点的作用： 图片：综合最后两个问题.如有异议，欢迎继续发帖，大家共同学习！几篇用响应面优化培养基的文章！0这几篇都是用响应面优化培养基的文章。响应面现在是比较常用的优化培养基的方 法，但是好多人（包括我在内）都不是很清楚。由于最近我要进行培养基的优化，所以找了 很多文章来研究。一般的文章都是一带而过，看了也不明白。这几篇过程还算详细，对理解 有一定的帮助。希望对大家有所帮助。 我在看文章的过程中，我总结出了优化培养基的步骤。拿出来跟大家分享一下，共同学习和 交流一下。有错误的话希望大家及时提出。 第一步：在众多实验因素中找出主要因素。 在这步实验中你可以应用正交试验（因素比较少）和 PB（Plackett-Burman）实验。这两种 方法都可以找出主要因素。尤其是 PB 实验，它可以在很多的因素中，用较少的实验筛选出 主要因素（一般选取大于 90%）。通过 PB 实验还可以看出各因素的作用效果，即是增加 还是减少浓度会使响应值向最优移动。 第二步：是主要因素的取值逼近中心点，最陡爬坡实验 这步实验不是必须做的， 如果你确定你的实验取值已经逼近中心点， 那么你可以直接进行第 三步的分析。 但是你要是不能确定或不相信这些取值那你就要进行最陡爬坡实验。 这步实验根据第一步实验进行。为了尽快逼近最优值，增加步长通常取最大。我现在还没找到取最大 步长的公式，有谁知道的话麻烦发一下。细履平沙版主，帮忙解决一下，谢谢。这样就能找 到中心点。 第三步：响应面分析 现在常用的有中心复合法和 BB 法（Box-Behnken）。在这步实验时最好因素不要太多，因 素太多直接影响到试验次数，现在经典的一般是三因素。通过这步分析可以的回归方程，进 而得到最优培养基。并且还能得到因素相互作用对响应值的影响。 在这里我对△x，即+1、―1 的取值还不太清楚，α 的取值也不是很清晰，希望大家帮忙解 答一下。 这是我最近的学习结果，希望大家批评和指正。 [ 此贴被细履平沙在
18:55 重新编辑 ]附件： 采用响应面分析法优化吩嗪_1_羧酸的发酵条件.pdf (180 K) 下载次数:4 需要经验值:20 发酵法产氢培养基的响应面分析优化.pdf (908 K) 下载次数:4 需要经验值:20 酵母内海藻糖积累条件的优化.pdf (213 K) 下载次数:4 需要经验值:20 响应面法优化纳豆激酶液体发酵.pdf (217 K) 下载次数:5 需要经验值:20 附件： 附件： 附件：关于培养基的优化试验套路0正交试验和均匀设计方法进行培养基优化已取得诸多成功的例子。 正交试验适合因子较多而因子水平不多的试验设计，从试验次数上看，是至少为因子数的 平方。 均匀设计适合于因子少，而水平多的试验，从试验次数看，至少是因子数的两倍。 两种方法虽然多从拉丁方设计衍生而来，不过效率却更高。 现如今，大多流行响应曲面设计来优化培养基。 首先，我们要从众多培养基成分及影响的环境因素中筛选出具有主效应的因子。这时，通 常采用筛选试验。主要有全因子因析设计和 Plackett－Burman 设计。两种筛选试验，各有 千秋， 但都能以最少的试验次数筛选出主效应因子。 其中全因子设计能够表现出因子的三级 以上交互作用，而 Plackett－Burman 设计由于是两水平设计，所以交互作用只在二级交互 作用。另外还有部分因子因析设计。 筛选到了主效应因子，我们就可以开始进行下一步优化试验。此时，主要有中心复合设计 和 Box-Behnken 设计。 中心组合设计是一种国际上较为常用的响应面法，是一种 5 水平的实验设计法。采用该法 能够在有限的实验次数下， 对影响生物过程的因子及其交互作用进行评价， 而且还能对各因 子进行优化，以获得影响过程的最佳条件。 Box- Behnken 设计是另一种国际上较为常用的响应面法，是一种 3 水平的实验设计法。 同样具有响应面法的优点。 近年来利用该法进行生物过程优化的文献比用中心组合设计法的 明显地少。 通常以上说的响应曲面设计和数据分析，都可以通过一些统计软件来运行，十分简便。 为此，我将本人一直在使用的 Mintab 绿色软件上传，希望大家能够好好利用，搞好试验 设计，节省人力无力，为经济带来腾飞（别忘了日本很大程度上就是因为田口宏一的正交设 计表，在二战后迅速崛起！）谢谢西风，看你的回复我很有同感，我当时刚开始做 RSM 也是摸不到头脑，没办法，只有 看文献一步一步的摸索过来的。 为了不让帖子沉了，也为了有需要的战友节省时间，心中对试验设计有个大概的框架，我先 抛砖引玉，简单讲下我做培养基优化的一点体会。 可能有些战友认为， 试验设计优化培养基就是找几种培养基成分放在一起做几个组合进行试 验就行了，其实这样做往往是得不到最适的结果的，尤其在做响应面分析（RSM）的时候， 试验得到的图形可能不是一个完美的曲面图， 我见过一些别人发的文章， 它的曲面图是一个 扭曲的图形，高点根本没有出现在图形中，那试验得到的根本不是最适的培养基组分，当然 这种文章一般不会出现在核心期刊上的。这种情况一般都是没有在做 RSM 前，做“爬坡试 验”的结果，“爬坡试验”的目的在于找出 RSM 设计的中心点，保证结果的准确性。另外一点 需要提出的是 RSM 的一个缺点就是分析的因素不能太多，经典的是三因素的试验设计，如 果你的因素比较多，那不妨试试方开泰的均匀设计。要做 RSM 就要先找出有显著影响的因 素，剔除一些对结果影响不显著的因素，所以在“爬坡试验”之前还需要一个 PB 试验，PB 能从众多因素中很简单的找出对试验结果影响最为显著的因素，排除一些影响不显著的因 素，降低后续试验的工作量，又能保证结果的准确性。PB 和“爬坡试验”对于刚接触试验设 计的战友，比较陌生点，加上发表文章中很少，全面的把整个试验设计写出来的，一般的都 是只写 RSM 这部分，也有几篇文章是 PB+RSM 的，还有先做 RSM 后做“爬坡试验”的。我 个人认为 PB--“爬坡试验”--RS，这种试验设计的思路比较符合逻辑，又比较全面。如果做毕 业论文的培养基优化部分，可以使内容比较丰富。当然如果是做毕业论文的话，在综合试验 设计之前，还有个更基础的工作，就是单因素试验，那种放弃单因素试验的想法也完全错误 的，尤其是没有一个基础配方的时候。我做的菌种是我自己从本实验室菌种库筛出来，然后 又做了诱变育种，所以是没有合适的培养基的，所以做了很多工作，用单因素试验首先大致 确定 C、N、P、无机盐、微量元素的种类及水平。大致讲了一下，说的比较散乱，或许不 太好明白。希望大家把问题提出来，我们一起针对具体问题具体分析。 讲得不错，都是很好的心得。先用 PB 进行显著性分析是一个很好的建议。 另外可以从历史数据中找到合适的数据， 然后再用软件进行分析， 就可以不用再做实验就可 找到影响显著的因素和水平范围。响应面分析， 其实用我们常见的软件就可以做出来。 首先对各个单因素的试验结果进行归纳， 后选择变量的变化区间还变化间隔就可以，常见的软件如 DPS 就可以了。用这个软件可以 完成你所需的所有工作，要是想让你的响应面好看，用 MATLAB 也可以，三维，四维的都 可以，在 MATLAB 区中有我写的现成的用 MATLAB 语句实现第四维的表示方法，很好用。 另外用 SARS 软件也是可以的，不过语句能比 MATLAB 复杂一点点。EXCEL 也可以，不 过做出的响应面，美观程度差一点点。 我有个想法，能不能在初始时用正交实验确定出中心点的范围，然后将数据用 SAS 中的主 成份分析，得到影响最显著的几个因素，然后用 RSM 做，这样主要影响因素有了，中心点 也有了。做起来也好做，不会 PB 等软件的战友也可以轻松操作。 不知这样可不可行？希望大家讨论讨论PB 实验设计的数据处理我使用 SAS 进行试验设计的，11 个因素+4 个 dummy variables，做 16 次实验。 PB 实验设计的数据已经出来了，但是怎么分析不了。 用 Analysist→Statistics→Regression→Linear 分析出来的结果像图里面这样， 怎么回事呢？后面几列的 Standard Error, t value 以及 p 值都没有。我给试验设计的表也列出来吧，请各位高手分析一下，到底是哪方面原因导致的。表中 X2，X4，X8，X15 这 4 列是 dummy variables，没有赋值，其余 11 个是考查的因素。 y 是考查指标（转化率%） 上面是图片，顺便给表格放在 word 里面，以附件传上来，请大家帮分析分析。 想知道的几个问题： 1.试验设计有没有问题？ 2.就按照表中设计的试验做了 16 次实验，没有将每次重复 3 遍取平均值，是不是可以？ 3.这些数据该怎么处理， 怎么用 SAS 处理会出现上面的情况， 没有标准误差， t 值以及 p 值？ 谢谢了先~附件： Coded Design.rar (7 K) 下载次数:5很想问一下，那个虚拟变量如何设置啊 一般多少个 还有最重要的是 实验过程中到底如何进行啊 小妹真的没有概念 虚拟变量好像一般设个三个左右 实验次数都为四的的倍数，如果你要测定 8 个因素，实验次数仍为 12，那么就可以设三个 虚拟变量。 8＋3＝11&12 记住 k 个因素和实验次数之间的关系是 K 小于或等于 n－1 具体实验过程中， 我个人觉得就是高低水平都为－， 就是什么都不加， 只是增加了实验次数， 控制误差的作用。 实验过程中控制误差可以通过重复试验达到。 而实验误差的计算可以通过增加中心点次数实 现。如果不能进行误差分析，那么就谈不上数据分析了。 我也是刚刚起步，幸亏有发酵人，大家可以一起交流！一般来说，试验设计的时候 k 次实验的话， （考查因素+虚拟变量）=k－1。 比如，１２次实验，考查８个因素，那么剩下的３个变量就可以不赋值， 仍为ｕｎｃｏｄｅｄ。 不过这种 dummy variables 选择国内期刊和国外期刊有所不同： 国内的：如版友们所说，随机选择的比较多。 外文期刊：1.没有标出 dummy variables，比如 12 次实验，设计表就列出了 8 个考查因素， 而 3 个 dummy variables 没有标出； 2.标出了，但是给 dummy variables 都列在一块，比如就放最后几列。 3.也看到就根本没有设 dummy variables 的，比如 12 次实验就考查 11 个因素的。初学求教：什么是 PB 实验和爬坡实验啊什么是 PB 实验和爬坡实验啊 刚开始做实验，什么都不知道，万望各位赐教！！ pb 是 plackett-Burman 的缩写，是一种筛选试验。就是从众多影响因素中筛选出具有主效 应的因子。至于最陡爬坡我也不太清楚。我也想知道。 额要点名了，细履平沙斑竹，指点一下吧。 谢谢了！ 斑竹，给大家讲解一下吧，我也特别想知道什么是最陡爬坡，我看过你的帖子，知道你是试 验设计的行家。望斑竹不吝赐教。 最陡爬坡实验它能最快逼近最大响应面区域,确定中心组合实验的中心点,能保证响应面分 析结果的准确有效性. 我只知道这么一点吧.还望楼下的人能补充细化一下呢. 一般都会作， 但是如果实验结果由方差分析发现选取的水平已接近最大响应区域， 那么就可 以不再进行最陡爬坡实验， 最后用中心复合设计及响应面分析来确定主要影响因子的最佳浓 度。 你可以看看有关资料.一般是先作部分因素实验(FFD),再做最陡爬坡实验.再利用中心组合实 验确定中心点, 如果采用 PB 实验,一般不作最陡爬坡实验,直接用中心组合实验确定中心点.具体原理我不记 不清了.明天我上传一个这个方面的资料吧. 上传一篇文章.可能对你有帮助. [ 此贴被细履平沙在
15:02 重新编辑 ]附件： 生物过程的优化.pdf (358 K) 下载次数:63 需要经验值:30怎么又方差分析看所选水平是否已经接近最大响应区域呢？谢谢！ PB 试验可以用来筛选培养基中不同成分对试验结果的影响，通过 PB 试验得到影响较大的 试验因素；爬坡试验就是从 PB 试验的中心点开始，根据 PB 试验的得出的每种因子的系数 来确定爬坡方向以及步长， 爬坡试验主要目的是逼近主要试验因子的最适添加水平； 之后根 据爬坡试验的结果就可以做相应面了，也就可以最后确定每种重要因子的添加量了。 嘿嘿，我也是初学者，希望这些能对你有帮助请教一下：响应曲面 1.414 到-1.414 中间 5 个水平的步长如何设计？还需要看回归系数吗？设计的时候凭经验还是有具体的公式？ 紧急求救~ 0 是中间，1 如果相当于中间偏大 2.0 水平，那么 1.414 就相当于中间偏大 2.828 水平.我是 这么理解的，这个不能靠经验，而是根据程序要求。关于 PB 设计中的 t 检验和 P 检验请问各位大侠，PB 设计中的 t 检验和 P 检验的功能是否是一样的？如何通过 t 检验 来认定显著因素？另外，某因子的显著性大于 90%或 80%等是如何判断的？ 感谢赐教 P 的意思是概率，不是 P 检验，是根据 T 值查到的概率和 F 值查到的概率。 楼主可能没有学习过数理统计。进行实验设计，一些数学基本知识还是要具备的。关于最陡爬坡（最速上升）的问题我下了发酵人上的“Path of steepest ascent /descent”。在学习中有些地方不明白，希 望大虾能给予帮助。 在设计中需要编写一个“最速上升宏”命令，请问这个“最速上升宏”在 Minitab15 这个版本中 有没有，如果有在哪里？（本人愚钝，如果翻译错误望大虾指出以便更正） 还有我点击“编辑器（D）――启动命令（E）”然后按照 minitab 技术支持文件上所给出的方 法在会话窗口里输入以下命令： ascent y x.1-x.n; sore u.1-u.j; runs r. 然后回车出现“* 错误* 未知 Minitab 命令: ASCE MTB & ” 我不知道这个命令应该在哪里输入。望高手指点啊！ 最陡爬坡必须要输入命令才能完成吗？可不可以像 pb 一样直接用 minitab 软件现有的程序 就可以完成设计和分析？最陡爬坡实验我觉得最陡爬坡实验不需要软件分析的，直接观察数据变化的趋势，找到极点值，附 近找到因子参数范围再做下一步的响应面实验和分析就可以了。可以参考 http://www./read.php?tid=9060PB 试验设计外文资料里面 dummy variables 要么没有列出来，有些就根本没有设（比如 8 次试验 就做 7 个因素），要么所有的 dummy variables 就全部都列在一起，只有看到国内的文 章才是将 dummy variables 随机的列出来。 在版上也看到说要有 dummy variables，并且要随机的选择。 那么 dummy variables 到底要不要，要的话是不列出来，还是所有的就放最后几列呢？ 我认为 dummy variables 的位置 不影响分析结果。但是这个参数应该有。 有道理， 另外，每一组试验只做一次，还是做个重复比如同一组做 3 次，然后取他们的平均值呢？ 要是只做一次会不会误差比较大，影响试验结果？ 重复多次可以减少某些异常点引入的误差，减少噪音，提高模型显著性。 有两种方法，一种是在程序中设置 3 个重复，实验结果都输入实验表，也可以在程序中设 1 个 duplication，然后将数值平均后输入实验表。从 pb 到最陡爬坡，如何设计步长，求救啊~pb 做完了，也做了重复，现在真是不会确定步长 真的是很笨，希望高手指点一下 求救啊~ 细心看看以前的贴子，有详细的介绍。 一个参数（A）根据自己的经验确定，其它参数根据 PB 试验公式中的系数来确定。具体找 贴子吧。 看下面的贴子，topmit 有介绍。 /read.php?tid=6999&keyword=%E7%88%AC%E5%9D%A1做了响应曲面分析，图形不对，麻烦大家看看哪里出了问题图片：我是先单因素----pb----最陡爬坡----响应曲面的 结果很不如意啊，想听听大家的意见，修改一下，继续向前挺进 呵呵大家多提意见啊 hope59 你好，我想请教一下你爬坡实验怎么设计的，是用 minitab 设计的吗？关于爬坡步长我看了些文献，关于爬坡步长的说法不一。 有文献这样确定最陡爬坡的，步长公式=e×△j ×bj, 其中 bj 为一次回归的回归系数，△j 为变化半径．这样看来，回归系数越大，步长应该越大啊。 而有的文献又说回归系数越大，步长应该越小。我觉得这种说法也对，因为回归系数大， 说明对响应值的影响越大啊，响应值对因素变化非常灵敏，所以步长取值应该小点，以免错 过最优点。不知我的理解对不对，请大家指教。求助：可不可以用 pb 方法进行非培养基优化的发酵实验啊小女子刚接触发酵实验，对很多东西不是太了解，最近查文献资料发现 PB 方法进行实 验优化很方便，但是所查的资料都是关于培养基优化的，很想知道是不是可以用 PB 进行其 他非培养基优化的实验？比如说有很多因素像温度、PH、钙离子浓度等。如果可以用 PB 法优化，那在进行“确定因素水平”阶段是不是也可以用“最陡爬坡实验”进行非培养基优化的 实验呢？希望高手给予解决，小女子不胜感激 没有问题，可以用。但是进行试验之前，要考虑好试验的目的，不能只是为了试验而试验， 而要考虑试验的结果是不是能够达到某种效果和实验条件能不能实现。 优化包括：培养基优化（碳源，氮源，无机盐等），培养条件优化（温度、PH、转速，装 液量等） 实验设计：根据需要，自由组合，可以同时优化众多因素，不必拘泥于是培养基还是培养条 件。响应面设计的三个阶段It is possible to separate an optimization study using RSM into three stages. Th e first stage is the preliminary work in which the determination of the independent parameters and their levels are carried out. The second stage is the selection of th e experimental design and the prediction and verification of the model equation. Th e last one is obtaining the response surface plot and contour plot of the response as a f unction of the independent parameters and determination of optimum points. 三个阶段。 1，准备阶段，决定独立变量及其水平。 2，实验设计的选择及模型的验证 3，根据响应面来确定优化条件。求救：pb 试验我做了好几次，总是找不到影响显著的因子我做了好几次 pb 试验，可是总也找不到影响显著的因子，就是大于 95%的两个到三个 因子，我的基本都在 80%左右，很是郁闷啊 备受打击，但是郁闷完了，还是想找找问题，调整浓度继续筛选 不知道大家有没有遇到类似的问题？都从哪里入手调节？ 对了，我看很多文献上都说，高水平一般是低水平的 1.25 倍，这个很固定吗 我都是按照 1.25 倍做的，不会是这里有问题吧 还是要 focus 到上面的问题，遇到显著性不高的问题，应该如何调整？ 希望高手多多指教！ 试试高水平是低水平的 1.5 倍看看~ 生物过程存在严重的交互作用，而 PB 实验次数少，因此在交互作用解决上有一定的问题。 所以在生物领域先进行单因素考察， 然后再进行组合试验是有一定道理的。 我感觉也可以先 进行 PB 实验多考察一些因素，然后再减少因素并进一步探索因素间的交互作用。 首先：你考察的是几个因素？如果存在交互作用，确实会存在上述情况。 第二：你的响应量是什么，该数据是否可靠？ 比如，我们做糖的，响应量就是胞外多糖，胞内多糖。测糖的方法是浓硫酸苯酚法。如果 实验设计者对该方法掌握不好，就算是同一个样品，测定结果差别甚大，那么，这就不是实 验设计分析本身的错误，而是实验设计者的错误！ 只要大于７５％就行了 我是以生物量作为指标，用涂平板检测的 我用了七个因子，用 minitab 设计的 12 次试验，经过分析，只有一个因子的可性度在 90% 以上 在此之前， 我做过比较全面的单因子试验， 但是由于单因子试验用的是化合物能清楚的知道 碳浓度、氮浓度等详细的参数 现在做工业发酵，用的都是豆饼粉之类的，所以在量上还是需要摸索 后期要做响应面，所以 pb 试验做的比较谨慎，怕后期出现更大的错误。 我这周重复一下上次的试验，再把倍数扩大到 1.5 试试看 非常感谢大家这么热心的帮助我，真是很感动哦 不知道我现在的设计有没有什么地方不合适? 希望大家多多批评指正！ 不知道楼主，为什么 7 个因子要用 12 次实验设计呢？ minitab 上自动生成的啊 还有就是每次生成的图表都不一样呢，很是奇怪 版主是不是觉得我的设计有问题啊 我刚准备瓶子，准备做了，呵呵，看样子是有问题了哦 我回去再看看，晚上再做吧，版主加我 qq 吧
可能需要和您好好讨论一下呢 谢谢，我在线等首先：7 个因子，做 8 次实验足够。不知道你设计过程中是否有哪一步没选好。 其次：低水平和高水平的倍数，一般在 1.5 左右，多了少了并没太大关系。只要不是认为的 胡乱加大水平值，PB 筛选还是比较可靠的。 再次：我实验室是不准安装 QQ 等聊天软件的。所以，只能我回家加你了。关于爬坡实验的疑问！爬坡试验需要软件设计吗？我刚做完 pb 试验， 筛选完重要因子， 然后是不是应该以高水 平为中心，上下筛选几个浓度(一般也要七八个浓度吧），这时候步长设计有什么要求吗？ 浓度个数设置有要求吗？需要软件设计吗？ 版主快来指导一下吧！ 最爬坡试验最后要达到什么要求才能进一步进行响应曲面试验？ 爬坡试验需要或者能用 minitab 设计吗？ 我看到的论文上好像只是将得到的数据比较产量 高低呢？ puzzled and help！ 你做完了 PB 从分析的数据上就可以看出每个因子的影响是正还是负！ 所以设计的时候一定 注意不要搞错了！ 步长的设置也要看你自己实验本身，不能套用！所选择几个比较好，能达到你的实验目的， 就是逼近最有的响应区域！越逼近越有利于下一步的实验！回归与相关回归与相关 -------------------------------------------------------------------------------一、直线回归分析 直线回归是用直线回归方程表示两个数量变量间依存关系的统计分析方法， 属双变量分析的 范畴。 1. 直线回归方程的求法 （1）回归方程的概念: 直线回归方程的一般形式是 ?（音 y hat）=a+bx，其中 x 为自变量，一般为资料中能精确 测定和控制的量，Y 为应变量，指在 x 规定范围内随机变化的量。a 为截距，是回归直线与 纵轴的交点，b 为斜率，意为 x 每改变一个单位时,? 的变化量。 (2)直线回归方程的求法 确定直线回归方程利用的是最小二乘法原理，基本步骤为： 1）先求 b，基本公式为 b=lxy/lxx=SSxy/SSxx ,其中 lxy 为 X,Y 的离均差积和，lxx 为 X 的 离均差平方和； 2）再求 a，根据回归方程 a 等于 Y 的均值减去 x 均值与 b 乘积的差值。 (3)回归方程的图示: 根据回归方程， 在坐标轴上任意取相距较远的两点， 连接上述两点就可得到回归方程的图示。 应注意的是，连出的回归直线不应超过 x 的实测值范围.2. 回归关系的检验 回归关系的检验又称回归方程的检验， 其目的是检验求得的回归方程在总体中是否成立， 即 是否样本代表的总体也有直线回归关系。方法有以下两种： (1)方差分析 其基本思想是将总变异分解为 SS 回归和 SS 剩余， 然后利用 F 检验来判断回归方程是否成 立。 (2)t 检验 其基本思想是利用样本回归系数 b 与总体均数回归系数 ? 进行比较来判断回归方程是否成 立，实际应用中因为回归系数 b 的检验过程较为复杂,而相关系数 r 的检验过程简单并与之 等价,故一般用相关系数 r 的检验来代替回归系数 b 的检验。 3. 直线回归方程的应用 (1)描述两变量之间的依存关系； 利用直线回归方程即可定量描述两个变量间依存的数量关系 (2)利用回归方程进行预测； 把预报因子（即自变量 x）代入回归方程对预报量（即因变量 Y）进行估计，即可得到个体 Y 值的容许区间。 (3)利用回归方程进行统计控制 规定 Y 值的变化，通过控制 x 的范围来实现统计控制的目标。如已经得到了空气中 NO2 的 浓度和汽车流量间的回归方程，即可通过控制汽车流量来控制空气中 NO2 的浓度。 4. 应用直线回归的注意事项 (1)做回归分析要有实际意义； (2)回归分析前,最好先作出散点图； (3)回归直线不要外延。 二、直线相关分析 1. 直线相关的概念 直线相关分析是描述两变量间是否有直线关系以及直线关系的方向和密切程度的分析方法。 用以描述两变量间相关关系的指标是相关系数（常用 r 表示），两变量间相关关系的种类有 正相关（0&r&1）、负相关（-1&r&0）、零相关（r=0）、完全相关(|r|=1)等。相关分析对资 料的要求是两变量（x,y）均是符合正态分布的随机变量。 2. 相关系数的计算 相关系数是 x,Y 的离均差积和 lxy 除以 X 的离均差平方和 lxx 与 Y 的离均差平方和 lyy 之积 的算术平方根的商。故此相关系数又被称为积差相关系数。 3.相关系数的假设检验 相关系数检验的目的是判断两变量的总体是否有相关关系，方法有 t 检验和查表法，t 检验 法是样本与总体的比较，查表法是直接查相关系数界值表得到相应的概率 p。 三、直线相关与回归的区别与联系 区别：1. 相关说明相关关系，回归说明依存关系； 2. r 与 b 有区别； 3. 资料要求不同。 联系：1. r 与 b 值可相互换算； 2. r 与 b 正负号一致； 3. r 与 b 的假设检验等价；4. 回归可解释相关。相关系数的平方 r2(又称决定系数)是回归平方和与总的离均差平方和 之比，故回归平方和是引入相关变量后总平方和减少的部分。 四、等级相关分析 等级相关分析适用于资料不是正态双变量或总体分布未知， 数据一端或两端有不确定值的资 料或等级资料。常用的 Spearman 等级相关系数 rs 是利用 x，Y 的秩次来进行直线相关分 析的。因此当 x，Y 的相同秩次较多时，计算出的 rs 需矫正。同样的，等级相关系数 rs 也 需要进行假设检验。 五、相关分析应用中的注意事项 1. 2. 3. 4. 相关分析要有实际意义； 相关关系不一定都是“因果”关系； 相关系数 r 假设检验中 p 的大小不能说明相关的密切程度； 直线相关和等级相关有各自不同的适用条件方差分析一、方差分析的基本思想 1. 方差分析的概念 方差分析（ANOVA）又称变异数分析或 F 检验，其目的是推断两组或多组资料的总体 均数是否相同，检验两个或多个样本均数的差异是否有统计学意义。我们要学习的主要 内容包括单因素方差分析即完全随机设计或成组设计的方差分析和两因素方差分析即配 伍组设计的方差分析。 2. 方差分析的基本思想 下面我们用一个简单的例子来说明方差分析的基本思想： 如某克山病区测得 11 例克山病患者和 13 名健康人的血磷值（mmol/L）如下， 患者：0.84 1.05 1.20 1.20 1.39 1.53 1.67 1.80 1.87 2.07 2.11 健康人：0.54 0.64 0.64 0.75 0.76 0.81 1.16 1.20 1.34 1.35 1.48 1.56 1.87 问该地克山病患者与健康人的血磷值是否不同？ 从以上资料可以看出，24 个患者与健康人的血磷值各不相同，如果用离均差平方和（S S）描述其围绕总均数的变异情况，则总变异有以下两个来源： （1）组内变异，即由于随机误差的原因使得各组内部的血磷值各不相等； （2）组间变异，即由于克山病的影响使得患者与健康人组的血磷值均数大小不等。 而且：SS 总=SS 组间+SS 组内 v 总=v 组间+v 组内 如果用均方（即自由度 v 去除离均差平方和的商）代替离均差平方和以消除各组样本数 不同的影响，则方差分析就是用组内均方去除组间均方的商（即 F 值）与 1 相比较，若 F 值接近 1，则说明各组均数间的差异没有统计学意义，若 F 值远大于 1，则说明各组均 数间的差异有统计学意义。实际应用中检验假设成立条件下 F 值大于特定值的概率可通 过查阅 F 界值表（方差分析用）获得。3. 方差分析的应用条件 应用方差分析对资料进行统计推断之前应注意其使用条件，包括： （1）可比性，若资料中各组均数本身不具可比性则不适用方差分析。 （2）正态性，即偏态分布资料不适用方差分析。对偏态分布的资料应考虑用对数变换、 平方根变换、倒数变换、平方根反正弦变换等变量变换方法变为正态或接近正态后再进 行方差分析。 （3）方差齐性，即若组间方差不齐则不适用方差分析。多个方差的齐性检验可用 Bartle tt 法，它用卡方值作为检验统计量，结果判断需查阅卡方界值表。 二、方差分析的主要内容 根据资料设计类型的不同，有以下两种方差分析的方法： 1. 对成组设计的多个样本均数比较，应采用完全随机设计的方差分析，即单因素方差分 析。 2. 对随机区组设计的多个样本均数比较，应采用配伍组设计的方差分析，即两因素方差 分析。 两类方差分析的基本步骤相同，只是变异的分解方式不同，对成组设计的资料，总变异 分解为组内变异和组间变异（随机误差），即：SS 总=SS 组间+SS 组内，而对配伍组 设计的资料，总变异除了分解为处理组变异和随机误差外还包括配伍组变异，即：SS 总 =SS 处理+SS 配伍+SS 误差。整个方差分析的基本步骤如下： （1） 建立检验假设； H0：多个样本总体均数相等。 H1：多个样本总体均数不相等或不全等。 检验水准为 0.05。 （2） 计算检验统计量 F 值； （3） 确定 P 值并作出推断结果。 三、多个样本均数的两两比较 经过方差分析若拒绝了检验假设，只能说明多个样本总体均数不相等或不全相等。若要 得到各组均数间更详细的信息，应在方差分析的基础上进行多个样本均数的两两比较。 1. 多个样本均数间两两比较 多个样本均数间两两比较常用 q 检验的方法，即 Newman-kueuls 法，其基本步骤为： 建立检验假设--&样本均数排序--&计算 q 值--&查 q 界值表判断结果。 2. 多个实验组与一个对照组均数间两两比较 多个实验组与一个对照组均数间两两比较， 若目的是减小第 II 类错误， 最好选用最小显 著差法（LSD 法）；若目的是减小第 I 类错误，最好选用新复极差法，前者查 t 界值表， 后者查 q’界值表。t 检验和 u 检验简而言之，t 检验和 u 检验就是统计量为 t,u 的假设检验，两者均是常见的假设检验方法。 当样本含量 n 较大时，样本均数符合正态分布，故可用 u 检验进行分析。当样本含量 n 小 时，若观察值 x 符合正态分布，则用 t 检验（因此时样本均数符合 t 分布），当 x 为未知分 布时应采用秩和检验。一、样本均数与总体均数比较的 t 检验 样本均数与总体均数比较的 t 检验实际上是推断该样本来自的总体均数 ?与已知的某一总体 均数 ?0（常为理论值或标准值） 有无差别。如根据大量调查，已知健康成年男性的脉搏均 数为 72 次/分，某医生在一山区随即抽查了 25 名健康男性，求得其脉搏均数为 74.2 次/分， 标准差为 6.0 次/分，问是否能据此认为该山区成年男性的脉搏均数高于一般成年男性。 上述两个均数不等既可能是抽样误差所致，也有可能真是环境差异的影响，为此，可用 t 检 验进行判断，检验过程如下： 1. 建立假设 H0：?=?0=72 次/分，H0：?&?0，检验水准为单侧 0.05。 2. 计算统计量 进行样本均数与总体均数比较的 t 检验时 t 值为样本均数与总体均数差值的绝对值除以标准 误的商，其中标准误为标准差除以样本含量算术平方根的商。 3. 确定概率，作出判断 以自由度 v(样本含量 n 减 1)查 t 界值表，0.025&P&0.05，拒绝 H0，接受 H1，可认为该山 区成年男性的脉搏均数高于一般成年男性。 应注意的是，当样本含量 n 较大时，可用 u 检验代替 t 检验。 二、配对设计的 t 检验 配对设计是一种比较特殊的设计方式， 能够很好地控制非实验因素对结果的影响， 有自身配 对和非自身配对之分。配对设计资料的 t 检验实际上是用配对差值与总体均数“0”进行比较， 即推断差数的总体均数是否为“0”。故其检验过程与样本均数与总体均数比较的 t 检验类似， 即： 1. 建立假设 H0：?d=0，即差值的总体均数为“0”，H1：?d&0 或 ?d&0，即差值的总体均数不为“0”，检 验水准为 0.05。 2. 计算统计量 进行配对设计 t 检验时 t 值为差值均数与 0 之差的绝对值除以差值标准误的商， 其中差值标 准误为差值标准差除以样本含量算术平方根的商。 3. 确定概率，作出判断 以自由度 v(对子数减 1)查 t 界值表，若 P&0.05，则拒绝 H0，接受 H1，若 P&=0.05，则还 不能拒绝 H0。 三、成组设计两样本均数比较的 t 检验 成组设计两样本均数比较的 t 检验又称成组比较或完全随机设计的 t 检验，其目的是推断两 个样本分别代表的总体均数是否相等。其检验过程与上述两种 t 检验也没有大的差别，只是 假设的表达和 t 值的计算公式不同。 两样本均数比较的 t 检验,其假设一般为：H0：?1=?2，即两样本来自的总体均数相等，H1： ?1&?2 或 ?1&?2，即两样本来自的总体均数不相等，检验水准为 0.05。计算 t 统计量时是用两样本均数差值的绝对值除以两样本均数差值的标准误。 应注意的是当样本含量 n 较大时（如大于 100 时）可用 u 检验代替 t 检验，此时 u 值的计 算公式较 t 值的计算公式要简单的多。 四、t 检验的应用条件和注意事项 两个小样本均数比较的 t 检验有以下应用条件： （1）两样本来自的总体均符合正态分布， （2）两样本来自的总体方差齐。 故在进行两小样本均数比较的 t 检验之前， 要用方差齐性检验来推断两样本代表的总体方差 是否相等，方差齐性检验的方法使用 F 检验，其原理是看较大样本方差与较小样本方差的 商是否接近“1”。若接近“1”，则可认为两样本代表的总体方差齐。判断两样本来自的总体是 否符合正态分布，可用正态性检验的方法。 若两样本来自的总体方差不齐， 也不符合正态分布， 对符合对数正态分布的资料可用其几何 均数进行 t 检验，对其他资料可用 t’检验或秩和检验进行分析。实验设计基本概念一、实验设计的概念、特点和分类 1.实验设计的概念 将一组随机抽取的实验对象随机分配到两种或多种处理组，观察比较不同处理的效应， 这种研究称为“实验研究”. “实验设计”是为实验研究做的周密计划。 2.实验研究的特点 （1）能有效地控制误差，节省人、财、物力，提高效率。 （2）研究者能人为地设置处理因素。 （3）受试对象接受何种处理及处理因素的水平是随机分配的。 3.实验研究的分类 （1）动物实验：在动物身上进行的实验研究。 （2）临床实验：在临床患病人群中进行的试验研究。 （3）社区干预实验：在某地区所有人群中进行的试验研究。 二、实验设计的基本要素 1.处理因素 又称研究因素，一般是外部施加的因素，确定处理因素时应注意： （1）抓住实（试）验中的主要因素。 （2）确定和控制非处理因素。 （3）处理因素要标准化。 2.受试对象 即研究的对象，一般有人和动物两类。人的选择：要注意病人和正常人的正确区分，诊断要明确，受试对象依从性要好等。 动物选择：注意所选动物的种类、品系、年龄、性别、窝别、体重等。 3.实验效应 即处理因素的效果，应注意： （1）正确选用观察指标来反映实验效应。所选指标要灵敏、精确、客观，最好选用定量 指标。 （2）指标观察时应避免偏性，可采用盲法。 三、实验设计的基本原则 1.对照原则：即实（试）验要设立对照，使得除实验因素外，对照组与实验组其余因素 保持一致，常用的对照有：空白对照、安慰剂对照、标准对照、实验对照、自身对照和 历史对照等。 2.重复原则： 即研究对象要有一定的数量， 或者说样本含量应足够。 根据每个具体研究， 可有不同的方法来进行样本含量估计。 3.随机化原则：即应保证每个实验对象都有同等机会进入实验或接受某种处理。常用方 法有查随机数字表和随机排列表等。随机化是保证均衡性的重要手段。 4.均衡原则：即各处理组非实验因素的条件基本一致，以消除其影响。 四、常用的实验设计方法 1.完全随机设计 将实验对象随机分配至两个或多个处理组去进行实验观察，又称单因素设计、成组设计。 优点：操作简单、应用广泛。 缺点：效率低，只能分析单因素的效应。 资料处理方法：t，u 检验，方差分析、秩和检验、卡方检验等。 2.配对（伍）设计 将受试对象配成对子或配伍组，以消除非实验因素的影响。配伍设计又称随机区组 设计。配对有自身配对和不同个体配对，配伍实际上是配对的推广。 优点：所需样本数和效率均高于成组设计，而且很好地控制了混杂因素的作用。 缺点：配对条件不宜满足。 资料处理方法：配对 t, u 检验，秩和检验、配伍组方差分析、配对四格表卡方检验等。 3.其它实验设计方法： （1）交叉设计：在配对设计基础上再加入时间因素，可分析不同阶段的效应。 （2）析因设计、拉丁方设计和正交设计等。实验设计的意义、原则与基本内容一、实验设计的意义 实验设计是科学研究计划内关于研究方法与步骤的一项内容。在医学科研工作中， 无论实验室研究、临床疗效观察或现场调查，在制订研究计划时，都应根据实验的目的 和条例，结合统计学的要求，针对实验的全过程，认真考虑实验设计问题。一个周密而 完善的实验设计，能合理地安排各种实验因素，严格地控制实验误差，从而用较少的人 力、物力和时间，最大限度地获得丰富而可靠的资料。反之，如果实验设计存在着缺点， 就可能造成不应有的浪费，且足以减损研究结果的价值。总之，实验设计是实验过程的 依据，是实验数据处理的前提，也是提高科研成果质量的一个重要保证。 二、实验设计的原则 实验设计有属于专业方面的，有属于统计方面的。从统计方面说，主要应当考虑对 照、重复、随机化等问题，这就是所谓实验设计的三原则。其具体内容我们将在第二、 三、四节介绍。 三、实验设计的基本内容 （一）拟定相互比较的处理 所谓处理，指的是在实验研究中欲施加给受试对象的 某些因素。如营养实验的各种饲料，治疗某病的几种疗法或药物，药理研究中某药的各 种剂量等。在实验的全过程中，处理因素要始终如一保持不变，按一个标准进行实验。 如果实验的处理因素是药物，那么药物的成份、含量、出厂批号等必须保持不变。如果 实验的处理因素是手术，那么就不能开始时不熟练，而应该在实验之前使熟练程度稳定 一致。 （二）确定实验对象及数量 这里指的是实验所用的动物或活体组织标本等。在实 验设计中，要根据实验观察的目的与内容，明确规定采用什么样的实验对象，实验对象 中的每个实验单位必须具备的条件与要求，以保证受试对象的一致性。实验对象需要有 一定的数量，例数不能太少，也不宜过多。如何估计例数，详见第四节。 （三）确定将各实验单位分配到各种处理中去的原则 这主要是随机分配或随机化 问题。第三节将介绍几种常用的随机分组方法。 （四）拟定观察项目和登记表 要根据研究目的和任务，选择对说明实验结论最有意义， 并具有一定特异性、灵敏性、客观性的观察项目。必要的项目不可遗漏，数据资料应当 完整无缺；而无关紧要的项目就不必设立，以免耗费人力物力，拖延整个实验的时间， 尔后，要按照观察项目之间的逻辑关系与顺序，编制成便于填写和统计的登记表，以便 随时记录实验过程中获得的数据资料。同一项目的度量衡单位必须统一符号（如+、++、 +++等），应有明确的定义。 （五） 拟定对资料整理分析的预案 这就是对将获得的数据资料准备如何进行整理？ 要计算哪些统计指标？用什么统计分析方法？事先必须有个初步的设想。例如对计数资 料，是计算率还是百分比？若计算率，分子是什么？分母是什么？各组同一项目的某个 率或百分比如何进行比较？又如对计量资料，是计算算术均数、几何均数还是中位数？同一项目各均数间应采用什么方法作比较？切忌实验设计时不认真考虑，实验过后拿数 字去找统计方法。Blocking 是什么？Blocking is a technique used to remove the expected variation caused by so me change during the course of the experiment. For example, you may need to us e two different raw material batches to complete the experiment, or the experiment may take place over the course of several shifts or days. Design-Expert provides various options for blocking, depending on how many runs you choose to perform. The default of 1 block really means &no blocking.& For example, in experiments with 16 runs, you may ment in 2 or 4 blocks. Two blocks might be helpful do half the runs on one day and the other half the day variation may be removed from the analysis by choose to carry out the experi if, for some reason, you must next day. In this case, day to blocking.When you choose to block your design, one or more effects will no longer be esti mable. You can look at the alias structure to see which effects have been &lost to blocks.& This is especially important when you have 4 or more blocks. In certain ca ses, a two-factor interaction may be lost and so then you will want to make sure t hat the interaction is not one that you are interested in. Another note about blocking - it is assumed that the block variable does not intera ct with the factors. The effect must only be a linear shift, and not be dependent o n the level of one or more of the factors under study. Important: If you try to block on a factor, that factor will be aliased with the block and you will not get any statistical details on the effect of that factor. Only block o n things that you are NOT interested in studying. Example: You are trying to determine the effects of factors in a coating process su ch as speed, temperature, and pressure on your product’s tensile and elongation pr operties. Due to the number of runs involved, you will need to use two different ba tches of raw material. You expect that variations in the raw material may have an effect on the response, but you are not interested in studying that effect at this tim e. Therefore, raw material is NOT a factor and you should block on it instead. Thi s will remove the effect of raw material on tensile and elongation from the ANOVA and allow you to better identify the other factor effects. On the other hand, if you want to study the effect of raw material batch variation, then it should be included as a factor and you should NOT set up blocks on this f actor. You may need to restrict the randomization by modifying the run order. Be a ware that unidentified time-based effects could influence the results of your experim ent when you restrict randomization.[原创 来自发酵人]区块化设计有利于提高分析质量。在培养基优化过程中由于因素之间的 交互性和生物反应的复杂性， 任何其它因素都有可能对实验产生巨大的干扰现象。 为了尽可 能减少其它因素的作用，而突出主因素效应，选择 blocking 是很有意义的。比较在实验过 程中一次 BB 设计需要 60 多个 RUNS。那么因为消毒锅不能同时灭菌，接种时间长，放瓶 时间长等，这样我们就可以设计 2 个 blocking。将实验分成两次，这样将消除灭菌时间不同 的影响和减少接种和放瓶时间长度。这是一个例子，也不一定合理，因为分两次做的时候会 带来种子的差异，这种差异通过对照实验不一定能很好的消除。所以它只是用来解释一下 b locking 设计可以将几个不想分析的干扰去除，合理性大家可以讨论。 另外区块化实验可以使实验的风险大大降低，一次在的试验如果失败，损失也会很大，同时 特别打击人的积极性。而区块化之后可以将一次大的实验分成几次完成，这就是 sequentia l experimentation 的一项重要措施。Blocking in Central Composite Designs( from design expert hel p)Blocking in Central Composite Designs（中心组合中的区块化） Central composite designs may be carried out in blocks. Blocking is advantageous when all of the experiments cannot be carried out in one day or with one batch of material. The factorial points can be divided in such a way that the blocked effect is eliminated before computation of the model. The first one or more blocks consi sts of the factorial design with some center points. The remaining block consists of the star points （也叫轴向点） with additional center points. （两个区块中都包括中心点， 这是进行误差分析必须的） Blocking schemes vary depending on the design and the number of factors. A sam ple blocking selection for a central composite design with 4 factors is shown below. （4 因素实验需要的 run） 1 Block : 30 experiments 2 Blocks : 20 experiments, 10 experiments 3 Blocks : 10 exp., 10 exp., 10 exp. 1 block is really no blocking. 2 blocks split the design into the factorial portion and the star points. For 3 blocks the factorial design portion is split into two blocks w hile the star points make up the third block. Various blocking patterns are offered as options for the central composite designs. In addition, the block assignments can be changed after the design is created. (Rig ht click on the block column header in the design layout screen.) When the experiment is blocked, there will be an additional choice of the alpha lev el to use. The choice is between the alpha value for perfect rotatability and the alp ha value for perfect orthogonality of the blocks. Often, these values are close enough to make the difference unimportant.(有两种 alpha 值，一个是为了旋转分析需要，一 种是正交分析需要，这些值经常比较接近，这样可能减少差异) The default is the value for rotatability.[求助]数据分析大家帮忙看看我做的响应曲面数据如何?谢谢! Response 1 ANOVA for Response Surface Quadratic Model Analysis of variance table [Partial sum of squares - Type III] Sum of Mean F p-value Source Squares df Square Value Prob & F Model 12.14 9 1.35 27.25 0.0001 significant A-时间 2.42 1 2.42 48.90 0.0002 B-功率 2.92 1 2.92 58.92 0.0001 C-料液比 0.14 1 0.14 2.89 0.1328 AB 0.58 1 0.58 11.67 0.0112 AC 0.25 1 0.25 5.05 0.0594 BC 0.33 1 0.33 6.68 0.0362 A^2 3.69 1 3.69 74.49 & 0.0001 B^2 1.20 1 1.20 24.19 0.0017 C^2 0.20 1 0.20 4.05 0.0840 Residual 0.35 7 0.049 Lack of Fit 0.29 3 0.095 6.22 0.0548 not significant Pure Error 0.061 4 0.015 Cor Total 12.48 16Std. Dev. 0.22 R-Squared 0.9722 Mean 7.95 Adj R-Squared 0.9366 C.V. % 2.80 Pred R-Squared 0.6267 PRESS 4.66 Adeq Precision 19.201 Adj R-Squared 0.9366 这一项合格吗? 模型显著，失拟不显著。看起来不错。应该是合格。[实验设计]什么是爬坡试验,如何设计呀?什么是爬坡试验,如何设计呀?谢谢大家指点!帮我看看决定是否做最陡爬坡试验的一句英文的意思As long as lack of fit (due to pure quadratic curvature and interactions) is very small compared to the main effects, steepest ascent can be attempted. 请各位高手帮我看看这句话什么意思，以及其背后的意义。 看文献时，没有发现这样的分析。 当平方项和交互项占的比例高时， 需要进行析因实验以确定主因素的影响， 但是当他们占的 比例到多少时，需要做析因实验？这个问题与楼主的问题看起来是相似的。 我想如果主效应的方差分析是显著的，而失拟不显著应该算合适了。 这样上面的英文翻译： 当失拟影响（因平方项与交互项引起）与主效应相比很小时，可以考虑应用最陡爬坡试验。 这是当你的主要因素数值不是最佳数值的时候,应用最陡爬坡实验. 简单的说就是你所设计 的影响显著因素的数值不是最适宜的,你可以,设定步长,使数值增加以达到影响显著的效果, 一般应用这个的是 SAS 软件,你可以下载一些这方面的中文文献,很详细的关于最陡爬坡试验想请教一下大家，在 PB 做完后哪些数据是用来做最陡爬坡试验的？还是需要重新设计 试验，那么 minitab 里的什么程序可以来设计和分析呢？？谢谢大家不吝赐教啊~ 还有就是 PB 做完一定有必要做最陡爬坡试验么？？ 我来回答吧 PB 后不一定做最陡试验 要看你的试验结果 如果你对你自己的试验数据了解很好的话，应该估计出中心点的值 那么从 PB 后确定主效果因子后，选择该值做为 CCD 的中心点优化即可 当然如果你估计不出来，或者不相信，还是要做的 对 PB 试验的结果应该是选择 P 值小的，应该是在 0。1 以下为好，选择好后利用 CCD 优 化（design expert） 想请问各位，在做最陡爬坡实验时，步长值如何才能确定呢？还是自己定 关于步长,可以先粗略的试一下,然后在细化,就可以了.响应面优化在响应面优化时：在使用最陡爬坡实验时，步长如何确定？ 根据因素的标准偏回归系数的大小确定步长 步长先大点,效果不理想再进行补充实验.关于 placket-burman 的求教！！！！1、我是用 minitab 软件进行 placket-burman 试验设计，本来是 7 因素，但是考虑到空列， 所以为 11 列，共 12 次处理（runs）,出来的结果是用该软件里面的软件能分析出来吗？？ 如果不行的话，用其它软件分析，那分析是方差分析还是 t 检验呢？/能出来回归方程？？ 2、设计好表头后如何确定哪几列作为因素列（空列）？其选择有什么原则？？ 关于 Plackett-Burman 的求教! 请楼主注意名称的拼写。发文章我们都写成：Plackett-Burman design. 多谢楼下的更正了我一贯的拼写。关于 placket-burman 的求教！！！！老大，发文章的时候大部分是 plackett-burman design 吧我查很多文章都是这么写 的，当然我的也写错了用 SAS 很简单的 分析结果也可以显示出来的 sas 是可以办到。可 是有多少人用得了 sas，我说的是普及率问题，要价太高！统计软件多种多样，实用才是最 重要的。PB 实验设计中的问题，请大家指教！我在做 PB 设计的时候，选择 7 个因素，4 个空项，16 次实验进行设计，为什么 minita b 中没有 16 次实验的设计表格呢？只有 12 和 20 呢？我不知道这是为什么！！ 我正准备用 PB 设计，刚刚接触这方面，很白痴，呵呵：请大家多多指教！不胜感激！！描述：步骤一 图片：描述：步骤二 图片：描述：步骤三 图片：针对你的问题： 谢谢！！ 可为什么我看的文献中的设计没有 0 这一个设计呢 看图：表 2 M=16 的 Plackett-Burman 实验设计与结果 Table 2 Experimental design and result of M=16Plackett-Burman 序号 A B C D E F G H I J K L M N O 酶活 u/ml 1 + + + + + + + + 110.4 2 + + + + + + + + 267.3 3 + + + + + + + + 169.4 4 + + + + + + + + + + 126.1 5 + + + + + + + + 103.7 6 + + + + + + + + 202.9 7 + + + + + + + + 223.0 8 81.4 9 + + + + + + + + 123.2 10 + + + + + + + + 137.4 11 + + + + + + + + 131.8 12 + + + + + + + + 321.7 13 + + + + + + + + 184.114 + + 15 + + 16 + Prob&F*10-2 0.8 1.35 5.75 13.6 25.5 16.8 24.7 9.4 6.53 3.12 8.23+ ++ + +-+ -++ + -+ + + + ++ ++ ++194.5 140.5 205.3R-squared 0.9726 AdjR-Squared 0.9589 我怎样才能做出文献中做的这种设计呢？？ 中心点我们一般要求重复 3 次,以利于估计模型的误差. 文献中,缺少这样一个设计.所以没有中心点.也就是 0 水平的实验. 在因素设计中，不是已经设计了 4 个空项了吗？他们不就是用来估计误差的吗？？ 我用 minitab 怎样设计才能设计出如文献所述的设计呢？？ 在这方面我懂得的很少 请大家指教，不胜感激！！！ Runs x 1 x 2 x 3 Biomass (g/l) 1 ?1 ?1 0 6.49 2 ?1 1 0 8.41 3 1 ?1 0 7.66 4 1 1 0 10.21 5 0 ?1 ?1 6.68 6 0 ?1 1 8.05 7 0 1 ?1 8.84 8 0 1 1 10.45 9 ?1 0 ?1 6.34 10 1 0 ?1 8.58 11 ?1 0 1 8.11 12 1 0 1 10.3 13 0 0 0 10.09 14 0 0 0 9.26 15 0 0 0 9.78 怎样对其进行 RSM 设计的多元二次模型和变量分析情况？请大家指教， 不胜感激！ ！ ！ ！ ！ ！ ！ ！大家帮帮忙 关于 plackett-burman0小弟最近做发酵实验用到 SAS 进行培养基优化， 在做 plackett-burman 设计时对虚构 变量（空白对照）的安插问题吧是很明白。 请问各位高手前辈其安插顺序是不是随意的，还是另有要求？ 我没有用过 SAS，但是从实验原理来讲：虚构变量的用途是进行误差分析和交互分析用的。 应该没有顺序之分，但是一些软件（如正交表）在考虑交互作用时，安排了特定的列，这可 能与它算法有关。 试试 design expert 吧，很好用！ 刚发了！ 多谢老大的帮忙 我自己又查了点资料，发现好多人都是随意安插的。请教最陡爬坡实验问题在做响应面优化培养基过程中，一般先是用 Placket-Burman（或其他）筛选出重要影响 因子，再进行最陡爬坡实验，最后进行中心复合设计。我想请教两个问题: (1) 如何判断要不要进行最陡爬坡实验？ (2)在进行最陡爬坡时培养基浓度变化有没有原则依据？ 最陡爬坡实验一般都是要进行的，因为要确定 CCD 试验的中心点，保证结果的准确性，要 不很难保证你的 RSM 图形有最高点。爬坡实验因素的变化步长一般根据 PB 试验中个因素 的显著性大小确定。 一般是要做的 不过最近看了很多文章，可以不做的， 但是必须保证，PB 试验后的最大值在整个试验中是最显著的，可以通过 T 检验得之 至少第二个问题，可以看看 CCD 文章，有很多。帮帮忙！plackett-burman 实验结果分析实验所得结果如下， 只知道 CDE 是影响显著的因子， 不知道这几个因子是取高水平还是 低水平，是不是看前面的系数，正取高，负取低？ 系数标 项 效应 系数 准误 T P 常量 17.144 2.703 6.34 0.003 A 0.730 0.365 2.703 0.14 0.899 B 6.139 3.069 2.703 1.14 0.320 C 7.540 3.770 2.703 1.39 0.235 D 8.152 4.076 2.703 1.51 0.206 E 25.622 12.811 2.703 4.74 0.009 F -1.915 -0.958 2.703 -0.35 0.741 G -5.508 -2.754 2.703 -1.02 0.366 H 1.006 0.503 2.703 0.19 0.861 J -6.120 -3.060 2.703 -1.13 0.321 K -1.145 -0.573 2.703 -0.21 0.843 L 0.730 0.365 2.703 0.14 0.899 M 0.868 0.434 2.703 0.16 0.880N O P2.684 1.342 2.703 0.50 0.646 1.816 0.908 2.703 0.34 0.754 -1.481 -0.740 2.703 -0.27 0.798是一个简单的方法，也可以看偏导的变化。 请教下偏导在哪看啊可以手工求就看前面的系数行不?我是刚刚才接触这个软件 还有一点:因素 D 是空白 你的效应值是正的，所以说明增加该因子的量，对你最终的结果起到正的影响；如果是负的 那就要降低该因子的含量，所以应该选择高水平的，进一步优化 你的效应值是正的，所以说明增加该因子的量，对你最终的结果起到正的影响；如果是负的 那就要降低该因子的含量， 所以应该选择高水平的， 进一步优化是负选择高水平的？正的选 择低水平的？这要看你要求最大值还是求最小值。 楼主的说法是正确的但是做这种试验，你最好把回归方程表示出来 方法是 点击 regression 中的分析 就会出来了 系数的正负表明对响应值的效应 大小表示显著性 可以通过大小决定下一步的最陡爬坡步 长 或者是 CCD 的步长请教:PB-design,最陡爬坡实验,CCD 等中的响应面分析的相关问题请教:PB-design 中的相关问题 在实验设计的过程中,通过阅读文献了解到了很多的,但是同时也积累了很多问题解决不 了,希望各位高手们指点一二不胜感激. 1 在 PB 设计中出现的 dummy variable 的具体含义到底是什么?是对照组吗?如果不是 应该遵循什么样的原则去设计呢? 2 在 PB 中实验组数应该是变量数加 1,那么在相关的文献中看到 15 个变量设计为:15+ 1+4,其中 4 是 dummy variable,但是表格中这 4 个变量也是有高低水平的变化的,那么设计 时是作为 15 个变量来考虑还是 19 个呢? 3 想问问在最陡爬坡实验中,步长的选择有什么要求吗?纯经验还是有公式的? 4 在设计 CCD 试验那的时候是否要包括全因子实验设计? 5 什么是中轴点? 各位高手帮帮忙啊,谢谢了 小妹我也正在做这块试验，是培养基优化的 刚做完单因素试验 正在想下面该怎么设计呢？是 PB？还是最陡爬坡？还是两个都要做？？ 反正最后是要做响应面的~~希望大虾们多多多指点一下下…… 另外，关于ＰＢ，我也在想，是不是必须要做空白项的呢？ 那么空白项里面的+1，-1 是没有具体的水平值的亚，那么在实验中具体该怎么操作呢？？ 谢谢各位不吝指教了…… 我自己是怎么想的:单因子实验只是为了保险使 PB 实验的结果更加明显而进行的预实验,PB 实验本身就是有筛选单因子的功能,如果有把握是可以直接做 PB 的.而我的实验是先进行单 因子,然后是 PB,根据 PB 的实验分析数据做最陡爬坡实验,否则不能很好的确定爬坡的方向以及步长. 我也是才刚刚接触这个课题希望大家能够多多交流哟 最陡爬坡实验的步长的选择: 根据前面 PB 实验的结果,做一阶方程的法线,法线方向就是爬坡方向,步长就根据回归系数和 规范变量的比值在通过自然变量来换算,算到的结果在综合实际的情况就可以基本确定步长 了 这个是最近看文献理解到的一些,希望哪位高手指点一下 1. dummy variable 不是对照组。如果你的实验次数为 4 的整数倍。那么看你考察的因素 是多少个。比如你有 9 个，那么至少要使用 runs=12 次 的 PB 设计。此时，有 3 个空 列。一般的处理方法是，等间距空列。实在不行，你就随机选吧。这并不妨碍你的实验 结果。空列只是为了估算误差。 2. 这样吧，如果我这样表述，看你是否能够理解。 我刚好有 15 个因素，想做 PB，正好 runs=16 符合我的要求。可是，这样一来，估算 误差呢？因为没有多余空列了。那么，再往上加列，只有再加 4 列。刚好 19 因素，20 次实验，其中有 4 个空列。 你认为这多出来的一列（16-15=1） ，我想你是这样算的吧。那你运行一下软件，看看 15 因素的 PB， runs=16，到底是 15 列，还是 16 列？列是因素，行是实验次数。并不 是列数=行数。描述：如何确定步长： 图片：描述：如何 steepest ascent 实验，红色字体为最佳条件 图片：3 想问问在最陡爬坡实验中,步长的选择有什么要求吗?纯经验还是有公式的?描述：4 在设计 CCD 试验那的时候是否要包括全因子实验设计? 图片：看了这张图，我想答案应该是不言而喻了！描述：4 在设计 CCD 试验那的时候是否要包括全因子实验设计? 图片：看了这张图，我想答案应该是不言而喻了！描述：CCD 各个设计点的作用： 图片：综合最后两个问题.如有异议，欢迎继续发帖，大家共同学习！ 谢谢 Topmit 如此详尽的回答,非常感谢. 由于我现在是在准备开题,所以还没有开始使用软件,现在只是在进行理论上的学习 小妹我实在愚钝,看了回帖后还是有几个疑问: 1 在 PB 实验中,实验组数是 4 的倍数是约定俗成的?还是方法本身的要求?在准备过程中参 考了一些外文文献发现他们的设计中似乎没有什么规则,有时候就像你上面说的是随机设置 的 2 还是关于虚拟变量的问题,在 PB 实验中似乎不一定需要设置虚拟变量,而且如果要设定是 在什么样的情况下才需要呢?设置了和不设置有什么差别? 3 在上面 CCD 图中提到的角点就是四面体的 8 个顶点吧,那么轴点和星点是不是就是数量 上相等的不同轴上的点的不同叫法?还有就是这两个点是怎么定的?数学意义是什么啊? 4 a 主要是用来评价旋转性的吧?那么在实验的设计过程中如何体现 a 的价值呢?
更多搜索：
All rights reserved Powered by
文档资料库内容来自网络，如有侵犯请联系客服。}