Transforming Unreplicated Factorial Designs into Replicated Structures through Factor Projection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In factorial experiments, unreplicated design is limited by the absence of error estimation, which complicates the identification of significant effects. This often leads to reliance on the sparsity-of-effects principle, where only a few main effects and lower-order interactions are considered meaningful, while most higher-order interactions are assumed negligible. To address this challenge, this study introduces a method for projecting unreplicated factorial designs into replicated design by reducing the number of factors and increase the number of replicates. This approach utilizes factorial effect estimation, normal probability plotting, and significance testing to identify influential factors. A full factorial design involving five binary factors (A, B, C, D, and E) was analyzed in an unreplicated 2⁵ setup. The analysis indicated that factors A and E do not significantly affect the outcome, while AE interaction was minimal. However, factor B, and interactions AB, BE, and ABE shows significant effects. Based on these findings, the original 2⁵ unreplicated design was projected into a 23 factorial design involving factors A, B, and E, including AE and BE interactions, with four replicates to enable error estimation. The results demonstrate that decreasing the number of factors (k) in the design enables an increase in the number of replicates, enhancing the reliability of inference through better error estimation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,004 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle