¡Hola!
Estoy usando JMP 13 en mi tesis de maestría para construir un modelo estadístico. Soy nuevo en la construcción de modelos, así que me disculpo por adelantado si mis preguntas parecen un poco básicas, pero cualquier tipo de ayuda realmente significaría mucho para mí.
En mi tesis de maestría, hice un Diseño de Evaluación Definitivo (6 factores + 2 factores falsos, 7 respuestas, 17 ejecuciones) para estudiar algún proceso. Después de completar todo el experimento y el análisis necesario, analicé los datos recopilados con dos metodologías analíticas propuestas por Jones y Nachtsheim en 2016 (método de selección efectiva de modelo para DSD (EMS) o regresión progresiva por pasos (FSR)). Dicen que generalmente se prefiere el EMS, pero el FSR funciona adecuadamente si el número de efectos activos no es más que la mitad del número de ejecuciones y hay como máximo dos interacciones activas de dos vías o como máximo un efecto cuadrático activo (DOE Guide pág. 257). Estas condiciones son válidas para todas nuestras respuestas.
Tengo algunas preguntas con respecto a la selección de factores para la construcción de modelos con el método FSR. Hice el FSR con las siguientes condiciones:
Regla de detención: AICc mínimo
Dirección: Delantero
Reglas: Combinar
FSR eligió algunos factores e hice un modelo con mínimos cuadrados estándar.
Así que aquí está mi primera pregunta:
En Resumen de efectos (vea la foto Resumen de efectos 1 más abajo) Noté que el factor Temp (5,25) tiene un PValue 0,16260. Sé que este factor está incluido debido a la regla de combinación (Temp. Se incluye en la interacción Konc.lakt * Temp. que tiene un PValue por debajo de 0,05). ¿Es necesario para el modelo que Temp. Se incluye o puedo construir un modelo sin él, aunque Temp. ¿Está incluido en la interacción? Si temp. se retira, JMP me sigue advirtiendo, que Temp. Está perdido.
También noté que no cambia mucho el modelo si borro Temp. como factor, lo cual tiene sentido debido al alto PValue, que entiendo como una señal de que el factor es insignificante. (o me equivoco?). Los valores de PV de otros factores incluidos también cambiaron, por lo que ahora el factor Konc.lakt también tuvo un valor de PValue mayor a 0,05 (¿debería excluirlo también?).
Comparé los modelos. (Vea las fotos a continuación: Actual por el gráfico predicho 1 para el modelo reducido y Actual por el gráfico predicho 2 para el modelo no reducido). Comparé el modelo con todos los efectos en el Resumen de efectos de la imagen 1 y el modelo con solo factores que tienen un valor de PValue inferior a 0,05 (ver foto Resumen de efectos 2). Los modelos parecen muy similares, el modelo con más efectos incluidos tiene un mejor ajuste (lo que tiene sentido), pero no mucho, el análisis residual también es muy similar y los puntos de experimentos adicionales, que no se utilizaron para hacer un modelo (azul , estrellas púrpuras y verdes) están en las posiciones similares. ¿Es correcto, que mantengo los efectos menos activos en el modelo? No lo creo, ya que estos efectos no cambian mucho el modelo, por lo que incluirlos podría ser engañoso y podríamos sobreajustar el modelo. ¿O tal vez estoy equivocado?
Si observo otra respuesta, donde solo obtengo un factor con un valor inferior a 0,05, luego agregar otro factor al modelo mejora un poco más el modelo que en el ejemplo anterior (mejor ajuste, mejor análisis residual) pero aún no muy mucho (vea la foto a continuación: Actual por el gráfico predicho 3 para el modelo no reducido y Actual por el gráfico predicho 4 para el modelo reducido). ¿Cambian las cosas si solo nos queda un factor en el modelo reducido?
Gracias por todas sus respuestas y esfuerzo por adelantado.
Danijel
Sí, lo hice para cada medida. También hice transformaciones cuando fue apropiado (mejor ajuste de datos y mejor análisis residual). ¿Qué piensas de mis otras propuestas para mejorar el modelo?
Muchas veces las pruebas de respuesta (mediciones) se ejecutan varias veces (3) y la respuesta resultante se promedia para reducir el error contribuido por el sistema de medición.
También puede consultar la Ayuda de JMP para obtener información sobre la transformación del modelo.
Montaje de modelos lineales > Informe de mínimos cuadrados estándar y opciones > Perfil de Factor > Box Cox Y Transformation
Ese es un buen punto. Creo que sí, pero tendré que comprobarlo. El modelo se ve mucho mejor en algunas otras respuestas, en realidad elegí los dos peores modelos, porque me pregunto cómo podría mejorar estos modelos. La solidez de la respuesta se midió por curiosidad y debería ser un método analítico bueno o malo. Supongo que el método no es tan bueno ...
También estaba pensando qué se podría hacer para mejorar el modelo. Supongo que si el método analítico es malo, no hay mucho que hacer además de repetir mediciones. ¿También podría intentar construir un modelo con algún otro método que no sea el de mínimos cuadrados estándar, por ejemplo, la variación Loglinear? ¿Puedo mejorar mi modelo haciendo más experimentos y, de ser así, cómo puedo elegir los valores de los factores que mejorará el modelo (si es que es posible)? ¿Hay alguna otra manera de mejorar el modelo?
Danijel,
¿Su método de prueba para sus respuestas, es decir, la redondez y la solidez tienen la capacidad adecuada? Si analizó sus muestras varias veces en el mismo día y con el tiempo, ¿obtiene resultados reproducibles? Soy curioso ya que a menudo nos encontramos con que muchas señales aumentan del ruido una vez que entendemos el ruido del método de prueba.
Para su primera pregunta, no es una necesidad absoluta, pero esa regla combinada tiene la intención de respetar el principio de la herencia de efectos. En general, es una mala práctica eliminar los efectos principales y dejar las interacciones que contienen ese efecto en el modelo. Dicho esto, si lo elimina, efectivamente está diciendo que el efecto promedio de la temperatura en todos los demás niveles de factor es 0, pero que el tamaño del efecto puede ser distinto de cero dependiendo del nivel o niveles de otros factores (a través del interacciones).
Si los factores tienen un alto grado de correlación entre sí, los valores de p pueden cambiar dramáticamente dependiendo de lo que entra y sale del modelo. Desde que hiciste un DSD, tus efectos principales deberían ser completamente ortogonales, así que no creo que eso sea lo que está pasando. Konc.lakt. Los niveles alfa no son sagrados. Está bien usar su juicio si el valor p es marginal.
Otro consejo que le daría es ser generoso con alfa para este tipo de diseño. Los DSD no tienen el mayor poder estadístico porque generalmente son diseños muy económicos. Sería bastante fácil cortar algunos factores que realmente importan. Prefiero ser overfit que underfit. Tu modelo parece estar desvestido en Actual by Predicted 4. También es una buena idea hacer ejecuciones de confirmación en algunos puntos diferentes dentro de su espacio de diseño para asegurarse de que su modelo proporcione predicciones razonables.
