<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Dans l'ensemble, j'essaie de trouver une belle explication qualitative pour la carte des couleurs sur le tracé des corrélations dans l'évaluation de la conception du DOE.Ma meilleure explication jusqu’à présent est qu’il s’agit d’une mesure de la distinction entre deux effets.Par exemple, pour le graphique de corrélation ci-dessous, nous pouvons dire que les effets principaux x1 et x2 ne sont pas corrélés mais que les effets x1*x1 et x2*X2 ont une valeur de corrélation proche de 0,5.
Serait-ce proche de la réalité si je disais que cela signifiait que 50 % de l'énergie de l'effet x2*x2 (ou coefficient d'ajustement) pourrait potentiellement se répercuter dans l'effet x1*x1 et vice versa ?Cela augmente la variance et bien sûr l'intervalle de confiance de toutes les prédictions faites.
Comment l’expliqueriez-vous ?
Merci d'avance,
Orthogonal
J'ai vérifié auprès d'un expert du DOE dont réponse est inférieure à. Mon interprétation : l'essentiel est que les chiffres de la matrice de corrélation ne sont pas interprétables quantitativement. Ils suggèrent uniquement où vous êtes susceptible de trouver des problèmes dans les mesures « réelles » (matrice d'alias et facteurs d'inflation de variance). En effet, la matrice de corrélation est basée sur la matrice de conception multipliée par sa transposition, mais l'estimation est basée sur l'inverse de celle-ci. Ce n’est que lorsque la matrice est très clairsemée que les nombres ont des correspondances directes dans l’estimation, car l’inverse est simple dans ce cas.
La carte des couleurs sur les corrélations correspond aux corrélations résultant de la matrice de conception (une propriété de table si vous sélectionnez Enregistrer la matrice X avant de créer le tableau de données) et est utile pour vérifier dans quelle mesure une conception peut être non orthogonale. Quantifier la manière dont cette corrélation se manifeste dépend de la manière dont les effets sont traités - nous pouvons jeter un œil dans l'évaluation de la conception.
Si les termes sont tous deux dans le modèle, la variance de ces estimations d'effet et la variance de prédiction seront augmentées - pour voir la différence entre les estimations d'effet par rapport à un plan parfaitement orthogonal (qui peut ne pas exister), regardez sous Évaluation du plan et examinez la variance. Facteurs d'inflation (JMP 10) ou efficacités d'estimation (JMP 11).
Si un effet n’est pas estimé, cela induit un biais sur les effets estimés. La façon dont les effets sont biaisés peut être observée grâce à la matrice d'alias sous Évaluation de la conception.
Il y a une très belle discussion à ce sujet dans le chapitre 2 de Goos et Jones (2011).
La carte des couleurs sur les corrélations est idéale pour obtenir un aperçu de l'orthogonalité d'une conception (on pourrait même utiliser les corrélations comme métrique), mais l'efficacité de l'alias et de l'estimation implique l'inverse de (transpose(X) * X), c'est pourquoi il faut se tourner vers les autres diagnostics si l’on essaie de le quantifier de cette manière.
