Erişilemeyen Değişkenler

Erişilemeyen Değişkenler

Bir deneyin tasarımı, temel olarak, deneyin amaçlarını karşılamak için verilerin nasıl örnekleneceğine yönelik bir program veya plandır. İyi tasarlanmış bir deney üretmede kullanılan üç genel teknik vardır.

İlk olarak, bilinmeyen veya erişilemeyen değişkenler grup için ortak olacak ve bu nedenle grup içindeki tüm verileri aynı şekilde etkileyecek şekilde veriler gruplandırılabilir. Bir ekmek türünün pişmesine etki eden faktörlerin belirlenmek istendiği bir deney düşünün. Ortaya çıkan somunun kalitesinin nesnel bir ölçüsü olduğunu varsayalım.

Fırın sıcaklığının ve pişirme süresinin, somunun kalitesini belirleyen ilgili faktörler olduğundan şüpheleniyoruz. Kalitenin fırıncının somunu karıştırmasına ve yoğurmasına da bağlı olması muhtemeldir. Hangi fırıncının hangi somunu ürettiğini takip etmeden, tüm fırıncılar tarafından farklı sıcaklıklarda ve pişirme sürelerinde üretilen tüm somunların kalitesini ölçebilirdik.

Sonraki analizimizde, farklı fırıncılar tarafından ortaya konan varyasyonlar, testimizin doğruluğunu azaltan sıcaklık ve pişirme süresine atfedilen varyasyonlar olarak görünecektir. Ancak verileri her fırıncıya göre gruplamak ve grubu ayrı ayrı analiz etmek gibi basit bir çözüm, fırıncılar arasındaki varyasyonların etkisini izole edecek ve ilgili birincil faktörlerle ilgili deneyin doğruluğunu artıracaktır.

İkinci olarak, verilerin gruplandırılmasıyla kontrol edilemeyen veya “engellenemeyen” değişkenlerin önemi, örneklenen veriler rastgele seçilerek azaltılmalıdır, böylece bu kalan değişkenlerin etkileri nihai analizden çıkma eğilimindedir.

Bu tür randomizasyon prosedürleri, iyi düşünülmüş bir deneyin tasarımının merkezinde yer alır. Burada faktörlerin ne olabileceğini bilmek bile gerekli değildir, sadece etkileri randomizasyonla azaltılabilir. Yine ekmek pişirme örneğini ele alalım. Her fırıncıdan somunları farklı sıcaklıklarda ve değişen sürelerde pişirmesi istenecektir.

Belki de fırıncı ekmeği daha fazla pişirdikçe, ürettiği hamurun kalitesini etkileyen yorgunluk başlar. Her fırıncı somunları pişirmek için aynı modeli izlerse (yani hepsi ilk somunları T1 sıcaklığında t1 süresi boyunca pişirir vb.), o zaman yorgunluktan kaynaklanan sistematik hatalar, deneyin faktörlerine atfedilebilir farklılıklar olarak görünecektir.

Bu, her fırıncıya rastgele zaman ve sıcaklık dizileri atanarak önlenebilir. Yorgunluk sonuçları etkilemeye devam etse de, sistematik bir şekilde olmayacaktır.

Son olarak, deneyin ortaya koyduğu soruları yanıtlamak için gereken kesinliğe sahip olduğunu belirlemek için örnekleme prosedürünü birkaç kez tekrarlamak gerekebilir. İstatistiksel deney tasarımı deyimiyle, deneyi tekrarlama kavramına tekrarlama denir ve uygun rastgeleleştirmenin sağlanmasına ve deneysel doğruluğun sağlanmasına yardımcı olmak için kullanılabilir.

Bu nedenle, veri gruplandırma, rastgeleleştirme ve tekrarlanabilirlik veya çoğaltma kavramları, bir deney tasarlarken üzerinde çalışılması gereken temel araçlardır. İstatistiğin diğer alanlarında olduğu gibi, deney tasarımıyla ilgili belirli bir jargon geliştirilmiştir ve bu terimleri belirlemeli ve deney tasarımıyla ilgili bazı temel varsayımları tartışmalıyız.

Veri Tipleri
İnt veri tipi
Değişken tipleri
İnt değer aralığı
Basit veri tipleri
String veri Tipi
Özel veri tipi örnekleri
Char kaç byte

Deney Tasarımı Terminolojisi

İstatistikteki birçok konu gibi, deney tasarımı terminolojisinin de kökeni, istatistiksel analizin konunun özel analizi için geliştirildiği bir konudan gelir. Regresyon analizi terimi, genetik çalışmalardan ortaya çıktığından, tarım için deneysel tasarım formalizminin büyük bir kısmı geliştirilmiştir.

Deneyin kapsamını veya çevresini tanımlamak için kullanılan deney alanı terimi, başlangıçta üzerinde bir tarımsal deneyin yürütüleceği bir arazi alanıydı. Blok ve arsa terimleri, bu alanın alt bölümleri anlamına geliyordu. Benzer şekilde, tedavi kavramı deneyde bir faktör olarak bilinir ve genellikle daha önce bir değişkenle kastettiğimiz şeyle aynıdır.

Bir tedavi seviyesi daha sonra değişkenin değerini ifade eder. (Bununla birlikte, değişkenlerin ve faktörlerin göreli rolüyle ilgili olarak yukarıda belirtilen uyarıları unutmayın.) Son olarak, verim terimi tam da bir tarımsal deney için kullanılan terimdi. Bir olay örgüsüne uygulanan bir tedavinin sonuçlarıydı.

Burada verim teriminin kullanımında güçlü bir nedensel önyargı olduğuna dikkat edin. Birçok deney için bunun böyle olması gerekmez. Verim olarak bir faktör seçilebilir, ancak bağımlı değişken olarak rolü analiz sırasında değiştirilebilir. Belki biraz daha az önyargılı bir terim sonuç olabilir.

Tüm bu terimler hayatta kaldı ve deney tasarımı için çok genel anlamlar kazandı. Deney tasarımının gizeminin çoğu, tarımsal köken terimlerini çok farklı bağlamlarda yapılan deneylerle ilişkilendirmekte yatmaktadır.

Örneğin, faktöriyel deney terimi, birkaç faktörün (yani değişkenlerin) seviyelerinin (değerlerinin) birbirleri üzerindeki etkilerini araştırmak için iki veya daha fazla seviyede kontrol edildiği herhangi bir deney tasarımını ifade eder.

Böyle bir analiz, kalan faktörlerle kombinasyon halinde her bir faktörü içeren terimlerin varlığıyla sonuçlanacaktır. Bir seferde m alınan n şeyin kombinasyon sayısının ifadesi faktöriyelleri içerir, ancak bu, bu tür sistemleri “faktöriyel tasarımlar” olarak adlandırmak için hafif bir bahanedir. Yine de geleneği takip edeceğiz ve öyle yapacağız.

Deney tasarımlarının ayrıntılarına girmeden önce, yapılarının dayandığı bazı varsayımları ele alalım. Herhangi bir deneyin temelinde, faktörlerin sonucu veya verimi nasıl etkilediğinin varsayıldığını açıklayan bir model vardır.

Bu, fizik bilimcinin bir hipotezi çerçevelemek için kullanmaya alışkın olduğu türden tam gelişmiş, ayrıntılı bir denklem değildir. Daha ziyade, toplama ve doğrusallığın bir ifadesidir. Tüm faktörlerin sonuç üzerinde basit bir orantılı etkiye sahip olduğu varsayılır ve tüm faktörlerin katkısı basitçe toplanır.

Bu, bazı durumlarda son derece kısıtlayıcı bir varsayım gibi görünse de, önemsiz olmayan en basit davranıştır ve başka bilgilerin yokluğunda herhangi bir araştırmaya başlamak için iyi bir yer sağlar. Son bölümde, bir varyans analizi için verileri, her biri ayrı ayrı veri girişleri içeren deney kümelerine ayırdık.

Deney tasarımı için bir model oluşturmak amacıyla, gözlemlenen verileri benzer şekilde böleceğiz, böylece i işlem seviyesini temsil edecek ve j faktörü içeren bloğu temsil edecek ve işlem sırasını belirtmek için üçüncü bir alt simgeye ihtiyacımız olabilir.