การวางแผนการทดลองทางสัตว์
Sponsored Links
This presentation is the property of its rightful owner.
1 / 47

การวางแผนการทดลองทางสัตว์ PowerPoint PPT Presentation


  • 101 Views
  • Uploaded on
  • Presentation posted in: General

การวางแผนการทดลองทางสัตว์. ผศ.ดร.มนต์ชัย ดวงจินดา. ภาควิชาสัตวศาสตร์ คณะเกษตรศาสตร์ มหาวิทยาลัยขอนแก่น. Contents. Planning Experiments Basic Experimental Design Frequently asked question Some useful technique for treatment analysis Example and SAS usage

Download Presentation

การวางแผนการทดลองทางสัตว์

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


การวางแผนการทดลองทางสัตว์

ผศ.ดร.มนต์ชัย ดวงจินดา

ภาควิชาสัตวศาสตร์ คณะเกษตรศาสตร์

มหาวิทยาลัยขอนแก่น


Contents

  • Planning Experiments

  • Basic Experimental Design

  • Frequently asked question

  • Some useful technique for treatment analysis

  • Example and SAS usage

  • Specific question for different species


ทำไมต้องทำการทดลอง?

  • ตอบข้อสงสัย

  • ขยายขอบเขตทางวิชาการ ค้นหาวิธีการใหม่ ปรับวิธีการเก่าหรือทดสอบหรือเปรียบเทียบกับสิ่งใหม่

  • พิสูจน์ทฤษฏี เพื่อยืนยันหรือล้มล้าง


STEPS IN PLANNING EXPERIMENT

กำหนดปัญหา

รวบรวมข้อมูล

จัดเตรียมข้อมูล

ตั้งวัตถุประสงค์

ทำการทดลอง

วิเคราะห์ทางสถิติ

ค้นคว้าเอกสาร

แปลผล

กำหนดทรีทเมนต์

กำหนดขนาดงานทดลอง

เขียนรายงาน

นำใช้

เลือกแผนการทดลอง


Ex งานทดลองหนึ่งผู้วิจัยต้องการทดสอบสารออกฤทธิ์ขับปัสสาวะ 2 ชนิดในสุนัข ดังนี้

เพศพันธุ์อายุสารปัสสาวะ

D10F260

B30F235

T100P115

D7C130

T120C200

B80P80

ทำไมต้องวางแผน ?

ค่าเฉลี่ย

=250

=100

=160

F: Furasimide

P: เหง้าสับปะรด

C: Control

D=dulmation, B=boxer, T=Thai


ความสำคัญของการวางแผนการทดลอง

  • หลีกเลี่ยงอิทธิพลพัวพัน เพื่อการสรุปผลที่แม่นยำ น่าเชื่อถือ

  • เพื่อสะดวกในการจัดการ

  • ทำให้สามารถเข้าใจเป็นสากล

  • เป็นการสร้างงานทดลองที่มีคุณภาพและมีมาตรฐาน


องค์ประกอบหลักของงานทดลอง

  • หน่วยทดลอง (Experimental units)

  • ทรีทเมนต์ (Treatments)

  • ซ้ำ (Replications)

  • การสุ่ม (Randomization)

  • การควบคุมความคลาดเคลื่อนงานทดลอง (Control of Experimental Error)


ค่าสังเกต

ค่าสังเกต

ทรีทเมนต์ชนิดยา

ทรีทเมนต์สูตรอาหาร

A,B,C

อัตราการเต้นของหัวใจ

ADG

อัตราการหายใจ

FCR

อื่น ๆ …..

อื่น ๆ …..

หน่วยทดลอง

แบบเดี่ยว

แบบกลุ่ม


ประเภทของทรีทเมนต์

1) ทรีทเมนต์คุณภาพ (Qualitative Treatment)- รูปแบบวิธีการ สูตรอาหารสายพันธุ์จุลินทรีย์ สารเคมีชนิดต่างๆ

2) ทรีทเมนต์ปริมาณ (Quantitative Treatment)

- ระดับยาปฏิชีวนะในสูตรอาหาร, อัตราเร็วของการให้น้ำเกลือ, ระยะเวลาในการเก็นน้ำเชื้อแช่แข็ง


การวิเคราะห์ค่าเฉลี่ยทรีทเมนต์

  • Multiple comparisons

  • Orthogonal contrasts

  • Orthogonal polynomials


LSDDUNCANSNKTUKEY SCHEFFE

Highest

Critical Value

Smallest

Critical Value

Easy to Non-Sig

Easy to Significant

Multiple Comparisons

  • การเปรียบเทียบค่าเฉลี่ยแบบเป็นคู่

  • ไม่ควรใช้หาก F-test จาก ANOVA ไม่พบนัยสำคัญ

  • ตัวทดสอบแต่ละตัวให้ผลการทดสอบแตกต่างกันได้


Orthogonal Contrast

  • ใช้ในกรณีที่ทรีทเมนต์สามารถจัดเป็นกลุ่มในการ เปรียบเทียบได้

  • เป็น Pre-Plan comparisons โดยใช้ตัวสถิติ F เป็นตัวทดสอบ

  • ใน SAS ใช้ PROC GLM


Example

  • การเปรียบเทียบอาหารโคนม 4 สูตร

  • T1 = 16% CP (control)

  • T2 = 16% CP + Monensin

  • T3 = 16% CP + Virginiamycin

  • T4 = 16% CP + Yeast


Source DF Type III SS Mean Square F Value Pr > F

PERIOD 1 0.0416667 0.0416667 0.01 0.9286

TRT 3 128.4583333 42.8194444 8.46 0.0009**

Contrast DF Contrast SS Mean Square F Value Pr > F

T1 VS T2,T3,T4 1 1.68055556 1.68055556 0.33 0.5711

T3 VS T2,T4 1 93.44444444 93.44444444 18.47 0.0004**

T2 VS T4 1 33.33333333 33.33333333 6.59 0.0189**


Orthogonal Polynomials

  • ใช้ในกรณีที่ทรีทเมนต์เป็นค่าตัวเลขแสดงปริมาณ

  • การเปรียบเทียบค่าเฉลี่ยแบบเป็นคู่ ไม่สามารถสรุปแนวโน้มการตอบสนอง (trend) ได้

  • ใน SAS ใช้ PROC GLM


0

10

20

30

Example

  • การทดสอบการใช้ฮอร์โมน GnRH ต่อขนาดรังไข่ปลานิล

  • T1 = 0 IU

  • T2 = 10 IU

  • T3 = 20 IU

  • T4 = 30 IU

นน.รังไข่


Source DF Type III SS Mean Square F Value Pr > F

GNRH 3 206394.0000 68798.0000 7.05 0.0055**

Contrast DF Contrast SS Mean Square F Value Pr > F

Linear 1 199200.8000 199200.8000 20.42 0.0007**

Quadratic 1 6241.0000 6241.0000 0.64 0.0093**

Cubic 1 952.2000 952.2000 0.10 0.7601


ปัจจัย (Factor)T1T2T3

การใช้ embryo MEDIATCM199Whittingham H&P

การลด AflatoxinPropronateผึ่งแดด Control

การใช้ antibioticStreptomycinOxytocinTylosin

การใช้วัคซีนrec-Vac con-VacControl

ลักษณะการจัดทรีทเมนต์

1) Single factor การศึกษาเพียงปัจจัยเดียวในการทดลอง


การเสริมไขมัน

(Factor B)

แหล่งโปรตีน(Factor A)

กากถั่วเหลืองปลาป่น

(a1) (a2)

0%2% 4%

(b1) (b2) (b3)

2) Multifactor การศึกษาหลายปัจจัยร่วมกันในการทดลอง treatment ที่จะใช้จึงเป็น combination ของทุกปัจจัย


b1a1b1= T1SB+ 0% FAT

b2a1b2= T2SB+ 2% FAT

b3a1b3= T3SB+ 4% FAT

b1a2b1= T4FM+ 0% FAT

b2a2b2= T5FM+ 2% FAT

b3a2b3= T6FM+ 4% FAT

a1

a2

Treatment Combination

SB=กากถั่วเหลืองFM=ปลาป่น

Factor AFactor BTreatment


SB

FM

%Fat

การอ่านผล factorial experiments

Source DF Anova SS Mean Square F Value Pr > F

PROT 1 12.32450000 12.32450000 51.41 0.0001**

FAT 2 0.08450000 0.08450000 0.35 0.5610

PROT*FAT 2 2.66450000 2.66450000 11.11 0.0042 **

Interaction significant ต้องแปลผลแยก

เปรียบเทียบผลการเสริมไขมันแยกในแต่ละแหล่งโปรตีน


Replications

  • ความสำคัญของ replication

  • ประเมิน MSE

  • –หากไม่มี rep , DF error = 0

  • เพิ่ม precision ให้กับค่าเฉลี่ยทรีทเมนต์

  • – การเพิ่ม rep ช่วยทำให้ค่า SEM ลดลง ค่าเฉลี่ยที่ได้มีความ ถูกต้องมากขึ้น

  • ช่วยควบคุมความคลาดเคลื่อนงานทดลอง

  • – ในกรณีที่เพิ่ม block จะช่วยลด MS(block) ออกจาก MSE

  • เพิ่ม power of test

  • – เพิ่มประสิทธิภาพการทดสอบ


การประเมิน Replications1

Steel &Terri ต้องการ DF error > 9


การประเมิน Replications 2

Starting step

กำหนดค่า CV และ DF(ERR) เริ่มต้นสำหรับ t-alpha และ t-power of test

CV = coefficient of variation

= ความแตกต่างที่ต้องการ detect ได้ (%of mean

1- = power of test

= ระดับนัยสำคัญ

Iterative step

นำค่าซ้ำที่ได้มาประเมินค่า DF(ERR) จากนั้นคำนวณซ้ำอีกครั้ง ทำจนกระทั่งได้ค่าซ้ำคงที่


Step1: ลองกำหนด DF(Err) = 9, t.025(9) = 2.69, t.80(9) = 0.261

Step 2: DF(Err) = t(r-1) = 4*(5-1) = 16, t.025(16) = 2.47, t.80(16) = 0.256

EX

ต้องการสร้างงานทดลอง CRD 4 ทรีทเมนต์ กำหนดลักษณะมี Cv=10%, ต้องการทดสอบพบความแตกต่างหากความแตกต่างมากกวา 20%


Step 2: DF(Err) = t(r-1) = 4*(4-1) = 12, t.025(12) = 2.59, t.80(12) = 0.259

สรุปต้องใช้ rep เท่ากับ 4

EX (‘Cont)


Group t-TEST

Two Groups

Paired t-TEST

Equal or Greater than Two Groups

CRD, RCBD

Simple Cross-over, Latin Square

Split-plot in Time

ANOVA

Basic Experimental Design

  • Continuous Trial

  • Cross-over Trial

  • Repeated Measurement Trial


t-TEST

  • ใช้กับการเปรียบเทียบ 2 ทรีทเมนต์

    • Unrelated treatments => group t-TEST

    • Related treatments=> paired t-TEST

  • การเลือกใช้ให้สังเกตว่า:

    • 2 ทรีทเมนต์ ที่ศึกษาเป็นอิสระต่อกันหรือมีความสัมพันธ์กัน


E.U. = 10

T2

TRT = 2 (T1 = Drug1, T2 = Drug2)

T2

T2

T1

T1

T2

T1

T1

T2

T1

T1

T2

T2

T1

T2

T1

T2

T2

T1

T1

Rep = 5 ตัว/TRT

Group t-TEST

Drug1 และ Drug2 อิสระต่อกัน


E.U. = 5

TRT = 2 (T1 = Normal, T2 = Stress)

ทำให้เครียด

สภาพปกติ

สภาพเครียด

T1

T2

T1

T2

T2

T1

T1

T2

T2

T1

Rep = 5 ค่าสังเกต/TRT

Paired t-TEST

ค่าสังเกตจาก T1 และ T2 มาจากหน่วยทดลองเดียวกัน


CRD

  • แผนงานทดลองแบบสุ่มสมบูรณ์ (Completely Randomized Design)

  • ใช้กับการเปรียบเทียบตั้งแต่ 2 ทรีทเมนต์ขึ้นไป

    • หน่วยทดลองหรือสัตว์มีความสม่ำเสมอกัน

    • จัดทรีทเมนต์ให้กับหน่วยทดลองอย่างสุ่ม


E.U. = 9

TRT = 3 (T1 = สูตร1, T2 = สูตร2, T3 = สูตร3)

T2

T3

T3

T1

T1

T2

T2

T3

T1

T1

T2

T1

T2

T3

T1

T2

T3

T3

Rep = 3 ตัว/TRT

CRD

สูตร1, สูตร2 และ สูตร3 อิสระต่อกัน


MODEL:Yij = µ + Ti + Eij


RCBD

  • แผนงานทดลองแบบบล็อกสมบูรณ์ (Randomized Complete Block Design)

  • ใช้กับการเปรียบเทียบตั้งแต่ 2 ทรีทเมนต์ขึ้นไป

    • สัตว์ที่ใช้สามารถแยกปัจจัยผันแปรได้ 1 อย่างที่สามารถจัดเป็นกลุ่มได้ก่อนให้ทรีทเมนต์

    • หน่วยทดลองต้องมีความสม่ำเสมอภายในบล็อก

    • จัดทรีทเมนต์ให้กับหน่วยทดลองอย่างสุ่มภายในแต่ละบล็อก


E.U. = 9

TRT = 3 (T1 = Drug1, T2 = Drug2, T3 = Drug3)

T1

T1

T3

T2

T2

T3

T2

T3

T1

RCBD

Drug1, Drug2 และ Drug 3 ถูกสุ่มภายในแต่ละบล็อก


MODEL:Yij = µ + BKi + Tj + Eij


Simple Cross-over Design

  • แผนงานทดลองแบบเปลี่ยนสลับอย่างง่าย

  • ใช้กับการเปรียบเทียบ2 ทรีทเมนต์

    • สัตว์แต่ละตัวจะได้รับทั้ง 2 ทรีทเมนต์ โดยมีการเปลี่ยนสลับใน period ถัดไป

    • ดังนั้นจึงใช้เวลา 2 period


E.U. = 6

TRT = 2 (T1 = Feed1, T2 = Feed2)

T1

T2

T2

T1

T2

T1

Period 1

Period 2

T2

T1

T1

T2

T1

T2

Simple Cross-over

ค่าสังเกตจาก T1 และ T2 มาจากหน่วยทดลองเดียวกัน


Split-Plot Design

  • แผนงานทดลองแบบสปลิทพลอท (Split plot Design)

  • มี 2 ปัจจัย แต่มีการสุ่มทีละปัจจัยให้กับหน่วยทดลอง


E.U.(Main plot) = 9

A = 3 (A1 = สูตร1, A2 = สูตร2, A3 = สูตร3)

A2

A3

A3

A1

A1

A2

A2

A3

A1

A1

A2

A1

A2

A3

A1

A2

A3

A3

A2

A3

A1

B1B2

B1B2

B2 B1

B1B2

B1B2

B1B2

B2 B1

B2 B1

B2 B1

Split-PlotMain plot CRD

Subplot B = 2 (B1,B2)


MODEL:Yijk = µ + Ai + Err(a) +Bj + ABij + Eijk


Repeated Measurement Design

  • แผนงานทดลองที่มีการวัดซ้า

  • เป็นการวางแผนแบบ CRD หรือ RCBD ตามปกติ แต่มีวัดค่าสังเกตซ้ำเป็นระยะ เช่น ทุกสัปดาห์ ทุกเดือน ฯลฯ

  • ใช้ข้อมูลทั้งหมดในการวิเคราะห์ ทำให้ทราบเพิ่มถึงการตอบสนองของแต่ละทรีทเมนต์เมื่อเวลาเปลี่ยนไป


T1

T1

T2

T2

T2

T2

T1

T1

T2

T1

T2

T2

T2

T1

T1

T1

T1

T2

T1

T2

T2

T1

T2

T1

T2

T1

T1

T1

T2

T1

T2

T2

Repeated Measurement

WK1

WK2

WK3

WK4


Spherecity test for correlated error

YES

NO

Multivariate Technique

Split-plot in time

Pseudo F adjustedby G-G or H-F method

RegularSplit-plot in time

Wilk’s lambda statistics

Repeated measurement analysis


T2

T1

Repeated Measurement

WK1

WK2

WK3

WK4


Simple reg.

Chi-square

Censor data

Regression

Multiple reg.

Logistics model

Probit analysis

Non-linear model, Time series model

Other Statistical Analysis in Animal Research

  • Prediction

  • Categorical Data analysis

  • Survival analysis

  • Cluster analysis, discriminant etc.


EMAIL: [email protected]

TEL : 01-872-4207


  • Login