D DISEGNI OTTIMALICiao,
Sono un utente JMP e ho un dubbio in merito
come JMP scopre il significato di
effetti in DOE dopo aver eseguito un D OPTIMAL
disegno.
Se per esempio ho un design a 16 run e risulta
che posso eseguirne solo 13, quindi posso usare D-OPTIMAL
per scoprire quali saltare.
Il problema è che non so se l'unico modo per farlo
sta utilizzando la significatività per gli effetti
un p-value attraverso il minimo quadrato ordinario
regressione.
Se questo è il caso, lo vedo molto semplicistico,
poiché esistono alternative bayesiane
per farlo, più oltre possiamo stimare
i valori mancanti.
Apprezzerò molto il feedback su questo argomento.
Grazie.
Re: D DISEGNI OTTIMALICiao Dan,
Grazie mille per la risposta. Hai insistito nell'avere
ENORME cautela quando si tratta di imputare la scomparsa
i valori.
Ho provato con JMP ma non dà il
opzione ragionevole per imputarli mancanti
valori stimandoli utilizzando i contrasti che possono essere
considerato nullo, come ad esempio 3 e 4 fattori
interazioni.
Cosa ne pensi di questo modo di imputare i valori mancanti? Perché
Giorgio JP Box ha insistito sul fatto che questo è un buon modo per farlo
imputare i valori mancanti fino a 2, massimo 3.
Questi valori sono "costituiti" ma utilizzando un diverso e
forse la tecnica appropriata ha meno influenza
sul modello.
Apprezzerò la tua opinione a riguardo.
Grazie ancora,
Raffaele
Re: D DISEGNI OTTIMALIPenso che tu stia fraintendendo come funzionano i design D-optimal. I progetti D-Optimal possono essere creati solo per il modello che hai specificato e non devono "scegliere le tirature da saltare".
Ad esempio, supponiamo di avere 4 fattori e di voler adattare un modello con tutti gli effetti principali e tutte le interazioni a 2 vie. Questo mi darà 11 termini nel mio modello (compresa l'intercettazione). Un progetto D-optimal richiederà almeno 11 esecuzioni (che è il numero minimo di esecuzioni offerte da JMP nel processo di creazione del progetto). Questo è un requisito perché la D in D-ottimale si riferisce a un determinante di una matrice che deve essere invertita.
Ora, se prendo la stessa situazione ma elenco tutte le mie interazioni a 2 vie come "Se possibile" anziché "Necessario", vedrai il numero minimo di corse scendere a 5 (solo intercettazione ed effetti principali). Quando si esegue questa operazione, si sta effettivamente dicendo a JMP di creare un design D-Optimal bayesiano. In una situazione del genere non è possibile adattare il modello con gli effetti principali e tutte le interazioni a 2 vie. Sarà necessario utilizzare qualcosa come la regressione graduale in avanti (o alcune altre tecniche offerte da JMP) per determinare quali delle interazioni a 2 vie sono considerate "attive".
Ora forse la tua domanda riguarda più un design D-optimal a 16 run che consente la stima di tutti gli effetti principali e tutte le interazioni a 2 vie, ma per qualche motivo 3 run non vengono completate. Per questa situazione hai 13 corse, che è più delle 11 corse richieste. Pertanto, la normale regressione dei minimi quadrati funzionerà e fornirà test per tutti i parametri. Sfortunatamente, il design non è ottimale per 13 corse, è ottimale per 16. Pertanto, è probabile che tu abbia una maggiore multicollinearità delle stime dei parametri e una maggiore varianza delle stime dei parametri. Questa non è una limitazione di JMP, è una limitazione della regressione dei minimi quadrati e del mancato completamento del progetto come originariamente stabilito.
JMP offre alternative in tali situazioni. Puoi imputare i valori mancanti. Puoi provare tecniche di modellazione alternative che gestiscono la multicollinearità e i valori mancanti in modo diverso (PLS, reti neurali, modelli di partizione, ecc.). Se passi a JMP Pro, hai ancora PIÙ opzioni per adattare i modelli a gestire queste situazioni in modo diverso.
Una ENORME cautela però, soprattutto quando si tratta di imputare valori mancanti. Se si tratta di un esperimento progettato, ogni prova viene scelta per avere un'elevata influenza sui risultati. Dopotutto, stai cercando di ottenere il massimo delle informazioni per un numero minimo di punti dati. NON consiglierei di imputare valori per un esperimento progettato perché non ci sono molti dati per determinare una struttura appropriata per imputare accuratamente i valori e quel risultato "creato" avrà molta influenza sul modello.
