Análisis del experimento factorial con datos faltantes.<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Prólogo a mi pregunta con el hecho de que soy nuevo en el DOE en general. Después de tratar de aprender lo básico, diseñé un experimento factorial completo de 2 ^ 5 con 5 puntos centrales (para obtener una estimación del error de proceso). En última instancia, el proceso está produciendo muestras, que estamos caracterizando de diferentes maneras. Estamos viendo MUCHAS respuestas. El problema es que para algunas de las muestras, no podemos hacer toda la caracterización, porque por alguna razón esa muestra no era viable para ese tipo de caracterización. Por lo tanto, me pregunto cómo analizar los resultados con algunos puntos de datos faltantes. Ahora mismo estoy tratando de hacer algo realmente simple y solo calculo los efectos principales, los efectos de interacción, etc. Saqué una hoja de cálculo para calcular a mano los resultados y también ejecuté los datos a través del software. Para las respuestas donde tenía todos los datos, los efectos que calculo son los mismos que los calculados por el software. Para las respuestas en las que me faltan algunos puntos de datos, los efectos son DIFERENTES. Están cerca, pero no son lo mismo. Todo lo que cambié en mi cálculo fue omitir los puntos de datos que no tenía (por lo que si tuviera que promediar ocho valores, promediaría siete, por ejemplo). Lo que realmente me gustaría saber es cómo el software calcula los efectos si faltan puntos de datos. ¿Cómo puedo reproducir este cálculo? No puedo por mi vida encontrar información sobre qué hacer en general con puntos de datos faltantes. Creo que todavía hay mucho valor en la minería de los resultados, ya que solo me faltan algunos puntos de datos de 32 ejecuciones ...
Re: Analizando el experimento factorial con datos faltantes.Michelle
Estoy seguro de que podría calcularlo sin embargo, implicaría algunos cálculos matriciales. Hablando en términos prácticos, sin embargo, el hecho de que haya completado un diseño factorial completo, ciertamente tiene suficientes grados de libertad para ajustar un modelo que delinee sus respuestas a pesar de que faltan valores. Las estimaciones de los parámetros pueden ser un tanto sesgadas, pero sus conclusiones sobre si un efecto es significativo o no deberían funcionar bien.
Lou
Re: Analizando el experimento factorial con datos faltantes.Gracias Lou - muy útil! ¿Sería justo decir, entonces, que:
(a) no es trivial calcular a mano los efectos de la misma manera que el software (es decir, no existe una fórmula (relativamente) simple para esto)
(b) los efectos calculados por el software son mejores (más precisos) que los que calculo a mano simplemente omitiendo los datos faltantes, así que debería usarlos
(c) que los resultados del software aún están bien, incluso con los datos faltantes (especialmente si la mayoría de los datos están ahí ...)
Realmente me molesta que no pueda calcular los efectos a mano; Me gustaría tener un poco más de control sobre el análisis, y usar el software más como una herramienta para el rendimiento en lugar de subcontratar la comprensión de cómo funcionan los cálculos.
Re: Analizando el experimento factorial con datos faltantes.Aquí hay un ejemplo de un diseño factorial completo de 3 factores. El primer caso es cuando se usan las 8 ejecuciones para la evaluación del diseño y el segundo es donde se excluye una fila debido a la respuesta faltante. Como puede ver, las propiedades son bastante diferentes e impactarían las estimaciones de los parámetros en el segundo caso.
Re: Analizando el experimento factorial con datos faltantes.Michelle
Muy buena pregunta! Cuando no faltan datos, las estimaciones de los parámetros de diseño se calculan fácilmente a mano y coinciden con la salida del software. Esto se debe a todas las maravillosas propiedades que muestran los diseños ortogonales. Sin embargo, tan pronto como faltan datos, el diseño se desequilibra y surgen correlaciones en los términos del modelo que pueden sesgar las estimaciones de los parámetros. Como mencionó, los cálculos están realmente cerca pero no están de acuerdo con la salida del software. Esto se debe a que la salida del software está calculando la estimación del parámetro que incluye el sesgo que se produce como resultado de la (s) fila (s) de datos que faltan. Si utiliza la capacidad de diseño de evaluación en JMP y observa el mapa de colores en las correlaciones con la tabla de datos con las filas de datos con valores perdidos excluidos, verá el sesgo que se incluye en la estimación del parámetro.
Espero que esto ayude.
