77079_es-ES

liliconcom

Términos de tercer orden en modelo lineal.

Estimados expertos de JMP,

Me gustaría escuchar sus opiniones sobre los temas a continuación:

1) ¿Tiene sentido incluir términos de 3er orden (cúbico, interacción) en un modelo con corridas experimentales que consisten en factores investigados solo en 3 niveles?

2) ¿Bajo qué circunstancias incluiría los términos de 3er orden que con respecto al modelo de proceso industrial?

Muchas gracias,

Michal

Re: términos de tercer orden en modelo lineal

Para agregar a mi colega @markbailey ¿Recomendaciones y consejos con respecto a su segunda pregunta sobre 'cuándo' ?, agregaré la idea de que, si su conocimiento de física, química, biología o comportamiento socioeconómico o experiencia en el dominio general es tal que ANTES de realizar la experimentación, sospechas que puede haber efectos activos de interacción de 3 factores, bueno, ese es un momento en el que configuré un diseño que permitía la estimación de esos efectos. Puede hacer que esto suceda de la manera más eficiente dentro de la plataforma de diseño personalizado de JMP al articular explícitamente los efectos específicos de interacción de 3 factores que le gustaría estimar.

Re: términos de tercer orden en modelo lineal

Primero, no puede estimar los parámetros para los términos de tercer orden con solo tres niveles. Si tiene un experimento que se adapta con éxito al modelo de segundo orden, aunque no se ajusta, use DOE> Augment Design para agregar los nuevos términos y realizar las nuevas ejecuciones que complementen las ejecuciones originales.

 

Segundo, exploraría los términos de tercer orden si mi modelo de segundo orden exhibiera una falta de ajuste significativa o no pudiera verificar las predicciones del modelo de segundo orden. Este fallo indica un sesgo del modelo que no se puede probar como falta de ajuste.

 

El modelo de segundo orden modela con éxito la mayoría de los casos con una respuesta no lineal, pero en un rango extendido, ya sea un modelo lineal de orden superior u otro modelo completo (por ejemplo, una red neuronal) puede ser necesario para la eliminación del sesgo. Por ejemplo, si su respuesta muestra una asíntota, la función polinomial no modelará con éxito la respuesta.