Chiarimento del vocabolario DOE<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Sono stanco di ignorare semplicemente una fastidiosa preoccupazione che ho avuto sul vocabolario DOE, poiché mi chiedo se non comprendo appieno un concetto. Trovo che ALIASING, CORRELATION e CONFOUNDING compaiano in molte discussioni e talvolta sembrano essere usati in modo intercambiabile.Ad esempio, la piattaforma DOE in JMP fornisce meravigliose mappe di correlazione dei colori che utilizzo ampiamente quando valuto un potenziale progetto, ma ha anche una matrice di alias. In molti luoghi viene utilizzato il termine "confondimento" di un effetto principale con un'interazione a due fattori.
Capisco il concetto e l'importanza del confondimento, che è il termine che uso più spesso, quindi non sto chiedendo una discussione su cosa sia nel contesto, ad esempio, dei progetti RES III rispetto a RES V. La mia domanda riguarda la definizione precisa di ciascuno di questi tre termini. Come ho detto, a volte danno l'impressione di essere nomi diversi per la stessa cosa, ma non sono convinto che sia così.
Gradirei chiarimenti su questo punto. Se SONO tutti la stessa cosa, perché abbiamo termini diversi in uso? Se non lo sono, ho davvero bisogno di capire il significato preciso e l'uso di ogni termine.
Grazie in anticipo.
Ri: Chiarimento del vocabolario DOE
Se il disegno è ortogonale, le stime degli effetti non sono correlate tra loro. Quando il disegno non è ortogonale, potresti avere un parziale aliasing, nel qual caso alcune delle stime degli effetti sono correlate: tali stime cambiano a seconda che l'altro effetto sia presente o meno nel modello e potresti vedere errori standard più grandi sul tuo effetti se entrambi sono nel modello. Questo non significa che i fattori X1 e X3 sono correlati (a meno che tu non abbia alcuni vincoli sottostanti), ma che il modo in cui è stato scelto il design, le loro stime degli effetti sono correlate. La maggior parte dei libri DOE menziona la correlazione quando si discute delle stime degli effetti, ma cercando nell'indice è più probabile che si vedano alias e confusione.
Hai ancora 2 casi diversi, uno in cui è presente un aliasing parziale:
- Esiste una correlazione tra le stime dell'effetto principale di X1 e X3.
- Le stime dell'effetto principale di X1 e X3 sono parzialmente falsate.
E uno per l'aliasing completo:
- Le stime dell'effetto principale di X1 e X3 sono completamente correlate.
- Le stime dell'effetto principale di X1 e X3 sono confuse.
- Le stime dell'effetto principale di X1 e X3 sono completamente aliasate.
Alcuni autori hanno la loro preferenza per la loro terminologia e, a seconda del contesto, non fanno la distinzione tra aliasing parziale e completo. Ad esempio, nei progetti di screening classici, hai a che fare solo con ortogonali o completamente aliased/confused, quindi non è raro vedere il "completamente" abbandonato in un caso del genere. Il team della documentazione ha lavorato sodo per rimanere coerente nelle ultime (e prossime) versioni della documentazione DOE.
Ri: Chiarimento del vocabolario DOESe posso ripetermi: confusione, aliasing e correlazione NON sono la stessa cosa.Quando si imposta un DOE, i segni di colonna possono essere moltiplicati e il segno risultante è un'altra colonna che può essere utilizzata per un altro fattore.Quindi quel fattore è "aliasizzato" dalla nuova colonna.Ad esempio, potresti decidere che un'interazione a tre vie tra X1, X2 e X3 è molto improbabile, quindi imposti una colonna moltiplicando i segni di questi tre fattori e utilizzi la colonna per un quarto fattore.
La confusione è quando i segni di alcune colonne sembrano essere gli stessi.Ad esempio, potresti scoprire che quando imposti la matrice di prova, la colonna di interazione X1X2 potrebbe avere gli stessi segni di X2X3X4.In altre parole, l'effetto di X1X2 non può essere separato dall'effetto di X2X3X4: sono confusi.
La correlazione è diversa in quanto due (o più) fattori tendono a muoversi insieme o in percorsi opposti insieme.Ricorda che correlazione non significa "causa ed effetto".Potrebbero esserci altri fattori che fanno sì che i due (o più) fattori correlati si muovano nel modo in cui si muovono.
Ri: Chiarimento del vocabolario DOEProbabilmente non ho formulato bene la mia domanda. Capisco le mappe di correlazione dei colori, ma scopro che in molti casi i tre termini che ho citato sono usati quasi come se fossero nomi diversi per la stessa cosa.
Nello specifico, queste tre affermazioni dicono tutte la stessa cosa su un progetto che potrei aver creato?
1) esiste una correlazione tra X1 e X3
2) c'è confusione tra X1 e X3
3) X1 e X3 sono alias
A volte, leggendo un post o qualche documentazione, ho visto questi termini scambiati anche nello stesso paragrafo.
Ri: Chiarimento del vocabolario DOEDi seguito è riportata un'immagine di come appare l'aliasing/confondimento per i fattori continui a 2 livelli.Moltiplica i segni degli effetti principali come mostrato per ottenere il segno corrispondente per quell'interazione.* = per la riga 1 X1*X2 come esempio.Come puoi vedere nell'immagine ogni effetto principale è completamente confuso con uno dei termini di interazione che illustra quanto detto sopra. Pertanto, non è possibile utilizzare in modo affidabile i termini di interazione nel modello sapendo che non vi è alcuna distinzione tra l'effetto principale e il corrispondente termine di interazione (colore).
Ri: Chiarimento del vocabolario DOELa mappa dei colori sulle correlazioni ti dà un'idea della relazione tra gli effetti nel tuo modello e quelli che non sono nel tuo modello, ma possono avere un effetto sulla risposta (termini alias). Oltre alla guida DOE citata sopra, puoi dare un'occhiata a questo blog: Grafico delle celle di correlazione per il confronto dei progetti in JMP
La confusione di due effetti significa che non c'è modo di distinguere tra i due effetti. Sarebbero necessarie corse di follow-up per differenziare questi effetti e/o si dovranno fare ipotesi su quali effetti siano trascurabili. Vedrai questo anche chiamato aliasing, ma mi piace pensare a questo come pieno aliasing. Puoi avere un aliasing parziale, in cui gli effetti non sono né ortogonali né completamente aliasati/confusi (si pensi alle voci nella mappa dei colori sulle correlazioni che non sono 0 o 1).
La matrice di alias riflette il grado in cui gli effetti non presenti nel modello possono influenzare le stime degli effetti. Se si dispone di aliasing parziale per gli effetti nel modello, gli errori standard per le stime degli effetti sono maggiori. Maggiori informazioni in questo blog: http://blogs.sas.com/content/jmp/2014/06/05/what-is-an-alias-matrix/
Spero che aiuti a chiarire le cose.
Saluti,
Ryan
Ri: Chiarimento del vocabolario DOEIl mio modo semplicistico di pensare a questi concetti è il seguente:
È coinvolto un flusso di lavoro in due fasi:
Passaggio 1: valutare un progetto per la presenza di confusione e aliasing tra tutti gli effetti che si intende stimare. Considero questa azione e le frasi come sinonimi. Un po' come chiedere: "Sei incinta/aspetti un bambino?"... o lo sei o non lo sei. Ovvero, qualsiasi progetto ha confusione/aliasing presente per almeno un effetto oppure no. Allora, se la risposta è no. Stop ... non c'è correlazione zero tra due effetti. Se la risposta è "Sì, c'è confusione o correlazione all'interno di questo progetto". Quindi procedere al passaggio 2.
Passaggio 2: la domanda logica successiva è quali effetti sono confusi o aliasati con quali? E qual è il grado di bias associato a questi effetti? È qui che entra in gioco la correlazione. Questo è il motivo per cui molti trovano la mappa dei colori di JMP sulle correlazioni un ottimo aiuto visivo per valutare un progetto. La correlazione è una misura della distorsione associata alle stime dei parametri.
C'è una spiegazione di questi problemi nella Guida nativa di JMP versione 12 con il software se si richiama dal menu principale di JMP:
Guida -> Cerca nella Guida, inserisci Finestra di valutazione del progetto nel campo Cerca e seleziona l'argomento Finestra di valutazione del progetto.
Ri: Chiarimento del vocabolario DOEPer me confusione, aliasing e correlazione NON sono la stessa cosa.Quando si imposta un DOE, i segni di colonna possono essere moltiplicati e il segno risultante è un'altra colonna che può essere utilizzata per un altro fattore.Quindi quel fattore è "aliasizzato" dalla nuova colonna.Ad esempio, potresti decidere che un'interazione a tre vie tra X1, X2 e X3 è molto improbabile, quindi imposti una colonna moltiplicando i segni di questi tre fattori e utilizzi la colonna per un quarto fattore.
La confusione è quando i segni di alcune colonne sembrano essere gli stessi.Ad esempio, potresti scoprire che quando imposti la matrice di prova, la colonna di interazione X1X2 potrebbe avere gli stessi segni di X2X3X4.In altre parole, l'effetto di X1X2 non può essere separato dall'effetto di X2X3X4: sono confusi.
La correlazione è diversa in quanto due (o più) fattori tendono a muoversi insieme o in percorsi opposti insieme.Ricorda che correlazione non significa "causa ed effetto".Potrebbero esserci altri fattori che fanno sì che i due (o più) fattori correlati si muovano nel modo in cui si muovono.
