Fit Definitive Screening : le graphique des effets principaux est-il en désaccord avec les estimations des paramètres du modèle ?Je pense qu'il doit y avoir une explication simple à cela, mais j'ai un "blocage de statisticien" aujourd'hui.
Dans les données ci-jointes, je suis curieux d'au moins deux choses.
1. Fit Definitive Screening identifie X__3 comme significatif et non X__2. Je sais que si j'utilise Fit Model pour ce faire, l'estimation du paramètre de X__2 est beaucoup plus petite que celle de X__3, il y a donc un rapport t plus petit et donc X__2 n'est pas significatif. C'est bien, mais cela semble contredire le tracé des effets principaux illustré ici :
2. Sur la base du Prediction Profiler, l'estimation du paramètre sur X__7 a un signe différent de ce que nous voyons dans le graphique des effets principaux.
Hypothèses que j'ai envisagées : (a) D'une manière ou d'une autre, les interactions ont un impact sur les estimations de l'effet principal (c'est pourquoi j'ai créé une deuxième variable y, X__9), même si je sais que cela ne devrait pas se produire puisque les effets principaux sont exempts d'interactions dans les plans de dépistage définitifs . Étant donné que les mêmes phénomènes existent à la fois dans X__8 et X__9, j'ai exclu cette possibilité. (b) La présence de facteurs catégoriels dans le DSD crée une confusion avec les facteurs continus. Possible, mais les diagnostics de conception sur ce DSD indiquent une corrélation très mineure entre le continu et le catégorique ne s'élevant qu'à environ r = 0,1. De plus, il m'est difficile de voir comment cela entraînerait la sélection de X__3 avant X__2 (puisqu'il n'y a pas de corrélation entre ces deux colonnes de la matrice de conception).
Les données sont jointes. Notez que j'ai deux variables y. Le vrai y est X__8. J'ai créé X__9 d'une manière qui supprime les interactions importantes.
Re : Fit Definitive Screening : le graphique des effets principaux n'est-il pas en désaccord avec les estimations des paramètres du modèle ?Je peux confirmer que le comportement mentionné par Bradley a été corrigé dans JMP 14.1, qui sera disponible très prochainement.
Re : Fit Definitive Screening : le graphique des effets principaux n'est-il pas en désaccord avec les estimations des paramètres du modèle ?Si les facteurs catégoriels ne sont pas actifs, le tracé des effets principaux sera utile. Cependant, si les facteurs catégoriels ont des effets importants, vous devez croire le profileur plutôt que le graphique des effets principaux.
Il est trop tard pour modifier ce comportement indésirable pour JMP 14 mais j'espère tracer la ligne en utilisant le coefficient de la régression multiple des effets principaux dans JMP 14.1.
Re : Fit Definitive Screening : le graphique des effets principaux n'est-il pas en désaccord avec les estimations des paramètres du modèle ?Donc, essentiellement, nous devrions ignorer le tracé des effets principaux si nous exécutons un "DSD" avec des facteurs catégoriels ? Le modèle réduit "Fit Definitive Screening" donne les meilleures estimations que nous pouvons obtenir, à moins de collecter plus de données pour briser le crénelage ?
Re : Fit Definitive Screening : le graphique des effets principaux n'est-il pas en désaccord avec les estimations des paramètres du modèle ?Il y a un certain nombre de problèmes ici.
Dans le graphique des effets principaux, la ligne d'ajustement qui est montrée est le résultat de la régression linéaire simple de y sur chaque x individuel. S'il n'y a pas de facteurs catégoriels, les pentes de tous les facteurs seraient les mêmes, que vous ayez effectué une régression linéaire ou une régression multiple, car tous les effets principaux sont orthogonaux. Vous avez deux facteurs catégoriels, il existe donc de petites corrélations entre ces facteurs et tous les autres.
X3 est corrélé avec les facteurs catégoriels X5 et X7 de sorte que le graphique des effets principaux montrant l'ajustement de X3 sur Y avec rien d'autre dans le modèle a un coefficient de 0,08 en raison du crénelage de X5 et X7. Son coefficient dans le modèle des effets principaux, en revanche, est de 0,22.
X2 est également corrélé avec X5 et X7. Son coefficient dans le graphique des effets principaux est de 0,157, tandis que son coefficient dans le modèle des effets principaux est de 0,014. Dans ce cas, la pente simple de X2 par rapport à Y semble à nouveau plus raide en raison du repliement par X5 et X7.
Je dois souligner que votre tableau de données n'est pas un DSD. Il existe une corrélation entre les effets principaux et les interactions à deux facteurs. C'est parce que quelques-unes des entrées dans X5 et X7 ont été basculées entre les paires de repli.
