46423_de-DE

liliconcom

D OPTIMALE DESIGNS

Hallo,

Ich bin ein JMP-Benutzer und habe Zweifel
wie JMP die Bedeutung des herausfindet
Auswirkungen im DOE nach Durchführung eines D OPTIMAL
Design.

Wenn ich zum Beispiel ein 16-Run-Design habe und es klappt

dass ich nur 13 ausführen kann, dann kann ich D-OPTIMAL verwenden

um herauszufinden, welche Sie überspringen sollten.

 

Das Problem ist, dass ich nicht weiß, ob das der einzige Weg ist

beurteilt die Bedeutung der verwendeten Effekte

ein p-Wert durch das gewöhnliche kleinste Quadrat

Rückschritt.

 

Wenn das der Fall ist, halte ich es für sehr einfach,

da es bayesianische Alternativen gibt

Um das zu tun, können wir mehr darüber abschätzen

die fehlenden Werte.

 

Ich freue mich sehr über Rückmeldungen zu diesem Thema.

Danke.

Betreff: D OPTIMALE DESIGNS

Hallo Dan,

 

Vielen Dank für die Antwort. Du hast darin bestanden

RIESIGE Vorsicht bei der Anrechnung von Vermissten

Werte.

 

Ich habe es mit JMP versucht, aber es funktioniert nicht

vernünftige Möglichkeit, diese fehlenden zu unterstellen

Werte schätzen sie anhand der möglichen Kontraste ab

als null betrachtet, z. B. Faktor 3 und 4

Interaktionen.

 

Was halten Sie von dieser Art der Zuschreibung fehlender Werte? Weil

George JP Box bestand darauf, dass dies ein guter Weg sei

Ersetzen Sie die fehlenden Werte bis zu 2, maximal 3.

 

Diese Werte sind „erfunden“, verwenden jedoch ein anderes und

Vielleicht hat eine geeignete Technik weniger Einfluss

am Modell.

 

Ich würde mich über Ihre Meinung dazu freuen.

 

Danke noch einmal,

 

Rafel

 

Betreff: D OPTIMALE DESIGNS

Ich glaube, Sie verstehen falsch, wie D-optimale Designs funktionieren. D-Optimal-Designs können nur für das von Ihnen angegebene Modell erstellt werden und dürfen keine Läufe zum Überspringen auswählen.

 

Angenommen, ich habe 4 Faktoren und möchte ein Modell mit allen Haupteffekten und allen wechselseitigen Wechselwirkungen anpassen. Dadurch erhalte ich 11 Terme in meinem Modell (einschließlich des Achsenabschnitts). Ein D-optimales Design erfordert mindestens 11 Durchläufe (das ist die Mindestanzahl an Durchläufen, die JMP im Designerstellungsprozess anbietet). Dies ist eine Voraussetzung, da sich das D in D-optimal auf eine Determinante einer Matrix bezieht, die invertiert werden muss.

 

Wenn ich nun die gleiche Situation annehme, aber alle meine 2-Wege-Interaktionen als „Wenn möglich“ statt als „Notwendig“ auflistee, sinkt die Mindestanzahl der Durchläufe auf 5 (nur Abfangen und Haupteffekte). Dabei weisen Sie JMP tatsächlich an, ein Bayesianisches D-Optimal-Design zu erstellen. In einer solchen Situation können Sie das Modell nicht mit Haupteffekten und allen Wechselwirkungen in beide Richtungen anpassen. Sie müssen so etwas wie die schrittweise Vorwärtsregression (oder andere von JMP angebotene Techniken) verwenden, um zu bestimmen, welche der 2-Wege-Interaktionen als „aktiv“ gelten.

 

Nun geht es bei Ihrer Frage vielleicht eher um ein D-optimales Design mit 16 Durchläufen, das die Schätzung aller Haupteffekte und aller Wechselwirkungen in beide Richtungen ermöglicht, aber aus irgendeinem Grund werden 3 Durchläufe nicht abgeschlossen. In dieser Situation haben Sie 13 Läufe, also mehr als die 11 erforderlichen Läufe. Daher funktioniert die gewöhnliche Regression der kleinsten Quadrate und ermöglicht Tests für alle Parameter. Leider ist das Design nicht für 13 Läufe optimal, sondern für 16. Daher ist es wahrscheinlich, dass Sie eine höhere Multikollinearität der Parameterschätzungen und eine größere Varianz der Parameterschätzungen haben. Hierbei handelt es sich nicht um eine JMP-Einschränkung, sondern um eine Einschränkung der Regression der kleinsten Quadrate und nicht um die Vervollständigung des Entwurfs wie ursprünglich geplant.

 

JMP bietet in solchen Situationen Alternativen. Sie können fehlende Werte imputieren. Sie können alternative Modellierungstechniken ausprobieren, die Multikollinearität und fehlende Werte unterschiedlich behandeln (PLS, neuronale Netze, Partitionsmodelle usw.). Wenn Sie zu JMP Pro wechseln, haben Sie noch MEHR Möglichkeiten, Modelle anzupassen, um diese Situationen anders zu bewältigen.

 

Allerdings ist große Vorsicht geboten, insbesondere wenn es um die Imputation fehlender Werte geht. Wenn es sich um ein geplantes Experiment handelt, wird jeder Versuch so ausgewählt, dass er einen großen Einfluss auf die Ergebnisse hat. Schließlich versuchen Sie, maximale Informationen für eine minimale Anzahl von Datenpunkten zu erhalten. Ich würde NICHT empfehlen, Werte für ein geplantes Experiment zu imputieren, da es nicht viele Daten gibt, um eine geeignete Struktur zur genauen Imputation der Werte zu bestimmen, und dieses „erfundene“ Ergebnis großen Einfluss auf das Modell haben wird.