Auswahl von Faktoren bei der Modellbildung mit schrittweiser VorwärtsregressionHallo!
Ich verwende JMP 13 in meiner Masterarbeit, um ein statistisches Modell zu erstellen. Ich bin ein Neuling im Modellbau und entschuldige mich im Voraus, wenn meine Fragen ein wenig grundlegend erscheinen, aber jede Art von Hilfe würde mir wirklich viel bedeuten.
In meiner Masterarbeit habe ich ein Definitive Screening Design (6 Faktoren + 2 Fake-Faktoren, 7 Antworten, 17 Durchläufe) erstellt, um einen Prozess zu untersuchen. Nachdem ich alle notwendigen Experimente und Analysen abgeschlossen hatte, analysierte ich die gesammelten Daten mit zwei von Jones und Nachtsheim im Jahr 2016 vorgeschlagenen Analysemethoden (Methode der effektiven Modellauswahl für DSDs (EMS) oder Vorwärtsschrittweise Regression (FSR)). Sie sagen, dass EMS im Allgemeinen bevorzugt wird, FSR jedoch eine angemessene Leistung erbringt, wenn die Anzahl der aktiven Effekte nicht mehr als die Hälfte der Anzahl der Durchläufe beträgt und es höchstens zwei aktive Zwei-Wege-Wechselwirkungen oder höchstens einen aktiven quadratischen Effekt gibt (DOE-Leitfaden, S. 257). Diese Bedingungen gelten für alle unsere Antworten.
Ich habe einige Fragen zur Auswahl von Faktoren für die Modellbildung mit der FSR-Methode. Ich habe den FSR mit folgenden Bedingungen durchgeführt:
Stoppregel: Mindest-AICc
Richtung: Vorwärts
Regeln: Kombinieren
FSR wählte einige Faktoren aus und ich erstellte ein Modell mit standardmäßigen kleinsten Quadraten.
Hier also meine erste Frage:
In der Effektzusammenfassung (siehe Foto Effektzusammenfassung 1 unten) ist mir aufgefallen, dass der Faktor Temp (5,25) einen PV-Wert von 0,16260 hat. Ich weiß, dass dieser Faktor aufgrund der Kombinationsregel enthalten ist (Temp. ist in der Interaktion Konc.lakt*Temp. enthalten, die einen PV-Wert unter 0,05 hat). Ist es für das Modell notwendig, dass Temp. ist im Lieferumfang enthalten oder kann ich ein Modell ohne bauen, obwohl Temp. ist in der Interaktion enthalten? Wenn Temp. entfernt wird, warnt mich JMP immer wieder, dass Temp. wird vermisst.
Mir ist auch aufgefallen, dass sich das Modell nicht wesentlich ändert, wenn ich Temp lösche. als Faktor, was aufgrund des hohen PV-Wertes sinnvoll ist, was ich als Zeichen dafür verstehe, dass der Faktor unbedeutend ist. (oder liege ich falsch?). Die PV-Werte anderer einbezogener Faktoren haben sich ebenfalls geändert, sodass nun auch der Faktor Konc.lakt einen PV-Wert größer als 0,05 hatte (sollte ich ihn ebenfalls ausschließen?).
Ich habe die Modelle verglichen. (Siehe Fotos unten: Tatsächlich durch vorhergesagtes Diagramm 1 für das reduzierte Modell und Tatsächlich durch vorhergesagtes Diagramm 2 für das nicht reduzierte Modell). Ich habe das Modell mit allen Effekten auf dem Bild Effektzusammenfassung 1 und das Modell nur mit Faktoren verglichen, deren PV-Wert unter 0,05 liegt (siehe Foto Effektzusammenfassung 2). Die Modelle scheinen sehr ähnlich zu sein, das Modell mit mehr einbezogenen Effekten hat eine etwas bessere Anpassung (was Sinn macht), aber nicht sehr viel, die Restanalyse ist ebenfalls sehr ähnlich und Punkte aus zusätzlichen Experimenten, die nicht zur Erstellung eines Modells verwendet wurden (blau , lila und grüne Sterne) befinden sich an ähnlichen Positionen. Ist es richtig, dass ich die weniger aktiven Effekte im Modell behalte? Das glaube ich nicht, da diese Effekte das Modell nicht wesentlich verändern. Daher könnte ihre Einbeziehung irreführend sein und wir könnten das Modell überanpassen. Oder irre ich mich vielleicht?
Wenn ich mir eine andere Antwort anschaue, bei der ich nur einen Faktor mit einem Wert unter 0,05 erhalte, dann verbessert das Hinzufügen eines weiteren Faktors zum Modell das Modell etwas mehr als im vorherigen Beispiel (bessere Anpassung, bessere Residuenanalyse), aber immer noch nicht sehr viel (Siehe Foto unten: Tatsächlich durch vorhergesagtes Diagramm 3 für nicht reduziertes Modell und Tatsächlich durch vorhergesagtes Diagramm 4 für reduziertes Modell). Ändern sich die Dinge, wenn uns im reduzierten Modell nur noch ein Faktor bleibt?
Vielen Dank für alle Antworten und Bemühungen im Voraus.
Danijel
Betreff: Auswahl von Faktoren bei der Modellbildung mit schrittweiser VorwärtsregressionJa, das habe ich bei jeder meiner Messungen getan. Ich habe bei Bedarf auch Transformationen durchgeführt (bessere Datenanpassung und bessere Residuenanalyse). Was halten Sie von meinen anderen Vorschlägen zur Verbesserung des Modells?
Betreff: Auswahl von Faktoren bei der Modellbildung mit schrittweiser VorwärtsregressionHäufig werden Antworttests (Messungen) mehrmals durchgeführt (3) und die resultierende Antwort wird gemittelt, um den vom Messsystem verursachten Fehler zu reduzieren.
Informationen zur Modelltransformation finden Sie auch in der JMP-Hilfe
Anpassen linearer Modelle > Standardbericht und Optionen der kleinsten Quadrate > Faktorprofilierung > Box Cox Y-Transformation
Betreff: Auswahl von Faktoren bei der Modellbildung mit schrittweiser VorwärtsregressionDas ist ein guter Punkt. Ich denke schon, aber ich muss es überprüfen. In einigen anderen Antworten sieht das Modell viel besser aus. Ich habe tatsächlich die beiden schlechtesten Modelle ausgewählt, weil ich mich frage, wie ich diese Modelle verbessern könnte. Die Antwortsolidität wurde aus Neugier gemessen und sollte sich als gute oder schlechte Analysemethode herausstellen. Ich denke, die Methode ist nicht so gut ...
Ich habe auch darüber nachgedacht, was getan werden könnte, um das Modell zu verbessern. Ich denke, wenn die Analysemethode schlecht ist, gibt es außer der Wiederholung von Messungen nicht viel zu tun. Könnte ich auch versuchen, ein Modell mit einer anderen Methode als der Standardmethode der kleinsten Quadrate zu erstellen, zum Beispiel der loglinearen Varianz? Könnte ich mein Modell durch weitere Experimente verbessern und wenn ja, wie kann ich die Faktorwerte auswählen, die das Modell am meisten verbessern (falls das überhaupt möglich ist)? Gibt es eine andere Möglichkeit, das Modell zu verbessern?
Betreff: Auswahl von Faktoren bei der Modellbildung mit schrittweiser VorwärtsregressionVielen Dank für deine Antwort, sie hat mir sehr geholfen.Betreff: Auswahl von Faktoren bei der Modellbildung mit schrittweiser VorwärtsregressionDanijel,
Ist Ihre Testmethode für Ihre Antworten, nämlich Rundheit und Festigkeit, ausreichend leistungsfähig? Wenn Sie Ihre Proben mehrmals am selben Tag und über einen längeren Zeitraum analysiert haben, erhalten Sie reproduzierbare Ergebnisse. Ich bin neugierig, da wir oft feststellen, dass viele Signale aus dem Rauschen entstehen, wenn wir unsere Testmethode „Rauschen“ verstanden haben.
Betreff: Auswahl von Faktoren bei der Modellbildung mit schrittweiser VorwärtsregressionZu Ihrer ersten Frage: Es ist keine absolute Notwendigkeit, aber diese Kombinationsregel soll das Prinzip der Effektvererbung respektieren.Im Allgemeinen ist es keine gute Praxis, Haupteffekte zu entfernen und Interaktionen, die diesen Effekt enthalten, im Modell zu belassen.Wenn Sie es jedoch entfernen, sagen Sie effektiv, dass der durchschnittliche Effekt der Temperatur auf alle anderen Faktorstufen 0 ist, dass die Effektgröße jedoch je nach Stufe(n) anderer Faktoren (durch die) ungleich Null sein kann Interaktionen).
Wenn Faktoren in hohem Maße miteinander korrelieren, können sich die p-Werte dramatisch ändern, je nachdem, was in das Modell ein- und ausgeht.Da Sie ein DSD gemacht haben, sollten Ihre Haupteffekte alle völlig orthogonal sein, also glaube ich nicht, dass das der Fall ist Konc.lakt.Alpha-Level sind nicht heilig.Es ist in Ordnung, Ihr Urteilsvermögen zu nutzen, wenn der p-Wert marginal ist.
Ein weiterer Ratschlag, den ich Ihnen geben würde, ist, bei dieser Art von Design großzügig mit Alpha umzugehen.DSDs haben nicht die größte statistische Aussagekraft, da es sich im Allgemeinen um sehr wirtschaftliche Designs handelt.Es wäre ziemlich einfach, ein paar tatsächlich wichtige Faktoren herauszustreichen.Ich bin lieber überfit als unterfit.Ihr Modell scheint in „Actual by Predicted 4“ nicht fit zu sein. Es empfiehlt sich auch, Bestätigungsläufe an einigen verschiedenen Punkten in Ihrem Entwurfsbereich durchzuführen, um sicherzustellen, dass Ihr Modell vernünftige Vorhersagen liefert.
