Pb设计应注意的问题教学总结.doc

图片： 图片： 图片： 请教:PB-design,最陡爬坡实验,CCD等中的响应面分析的相关问题0 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，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，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2008-06-05 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 附件： 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 附件： 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 附件： 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PlackettBurman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PlackettBurman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0 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AnalysistStatisticsRegressionLinear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。8311 ”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PB试验设计0 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0 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。做了响应曲面分析，图形不对，麻烦大家看看哪里出了问题0 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0 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=ej 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0 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0 It is possible to separate an optimization study using RSM into three stages. The 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 the experimental design and the prediction and verification of the model equation. The lastone is obtaining the response surface plot and contour plot of the response as a function 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0 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 43787903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！0 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0 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（0r1）、负相关（-1r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0 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