Fit Definitive Screening: Stimmt das Main Effects Plot nicht mit den Modellparameterschätzungen überein?Ich denke, dafür muss es eine einfache Erklärung geben, aber ich habe heute eine „Statistikerblockade“.
In den beigefügten Daten bin ich auf mindestens zwei Dinge neugierig.
1. Fit Definitive Screening identifiziert X__3 als signifikant und nicht X__2. Ich weiß, dass, wenn ich dazu Fit Model verwende, die Parameterschätzung von X__2 viel kleiner ist als die von X__3, sodass es ein kleineres t-Verhältnis gibt und X__2 daher nicht signifikant ist. Das ist in Ordnung, scheint aber dem hier gezeigten Main Effects Plot zu widersprechen:
2. Basierend auf dem Prediction Profiler hat die Parameterschätzung auf X__7 ein anderes Vorzeichen als das, was wir im Diagramm der Haupteffekte sehen.
Hypothesen, die ich in Betracht gezogen habe: (a) Irgendwie beeinflussen Wechselwirkungen die Haupteffektschätzungen (weshalb ich eine zweite y-Variable, X__9, erstellt habe), obwohl ich weiß, dass dies nicht passieren sollte, da Haupteffekte in definitiven Screening-Designs frei von Wechselwirkungen sind . Da die gleichen Phänomene sowohl in X__8 als auch in X__9 existieren, habe ich dies ausgeschlossen. (b) Das Vorhandensein kategorialer Faktoren in der DSD führt zu einer Verwechslung mit den kontinuierlichen Faktoren. Möglich, aber die Designdiagnostik auf dieser DSD zeigt eine sehr geringe Korrelation zwischen dem kontinuierlichen und dem kategorialen in Höhe von nur etwa r = 0,1. Außerdem ist es für mich schwer zu erkennen, wie dies dazu führen würde, dass X__3 vor X__2 ausgewählt wird (da keine Korrelation zwischen diesen beiden Spalten der Designmatrix besteht).
Daten sind beigefügt. Hinweis: Ich habe zwei y-Variablen. Das reelle y ist X__8. Ich habe X__9 so erstellt, dass signifikante Interaktionen entfernt werden.
Re: Fit Definitive Screening: Stimmt der Main Effects Plot nicht mit den Modellparameterschätzungen überein?Ich kann bestätigen, dass das von Bradley erwähnte Verhalten in JMP 14.1 behoben wurde, das sehr bald verfügbar sein wird.
Re: Fit Definitive Screening: Stimmt der Main Effects Plot nicht mit den Modellparameterschätzungen überein?Wenn die kategorialen Faktoren nicht aktiv sind, ist das Diagramm der Haupteffekte hilfreich. Wenn die kategorialen Faktoren jedoch große Auswirkungen haben, sollten Sie eher dem Profiler als dem Diagramm der Haupteffekte glauben.
Es ist zu spät, dieses unerwünschte Verhalten für JMP 14 zu ändern, aber ich hoffe, die Linie mit dem Koeffizienten aus der multiplen Regression der Haupteffekte in JMP 14.1 zeichnen zu können.
Re: Fit Definitive Screening: Stimmt der Main Effects Plot nicht mit den Modellparameterschätzungen überein?Also sollten wir das Diagramm der Haupteffekte im Wesentlichen ignorieren, wenn wir eine „DSD“ mit kategorischen Faktoren durchführen? Das reduzierte Modell "Fit Definitive Screening" liefert die besten Schätzungen, die wir bekommen können, ohne mehr Daten zu sammeln, um das Aliasing zu brechen?
Re: Fit Definitive Screening: Stimmt der Main Effects Plot nicht mit den Modellparameterschätzungen überein?Hier gibt es eine Reihe von Problemen.
Im Diagramm der Haupteffekte ist die angezeigte Anpassungslinie das Ergebnis der einfachen linearen Regression von y auf jedes einzelne x. Wenn es keine kategorialen Faktoren gibt, sind die Steigungen für alle Faktoren gleich, unabhängig davon, ob Sie eine lineare Regression oder eine multiple Regression durchgeführt haben, da alle Haupteffekte orthogonal sind. Sie haben zwei kategoriale Faktoren, also gibt es kleine Korrelationen zwischen diesen Faktoren und allen anderen.
X3 ist mit den kategorialen Faktoren X5 und X7 korreliert, sodass das Diagramm der Haupteffekte, das die Anpassung von X3 an Y mit nichts anderem im Modell zeigt, einen Koeffizienten von 0,08 aufgrund von Aliasing von X5 und X7 aufweist. Sein Koeffizient im Haupteffektmodell beträgt dagegen 0,22.
X2 ist auch mit X5 und X7 korreliert. Sein Koeffizient im Haupteffektdiagramm beträgt 0,157, während sein Koeffizient im Haupteffektmodell 0,014 beträgt. In diesem Fall sieht die einfache Steigung von X2 gegenüber Y aufgrund von Aliasing durch X5 und X7 wieder steiler aus.
Ich sollte darauf hinweisen, dass Ihre Datentabelle kein DSD ist. Es gibt Korrelationen zwischen Haupteffekten und Zwei-Faktor-Wechselwirkungen. Dies liegt daran, dass einige der Einträge in X5 und X7 zwischen Foldover-Paaren umgeschaltet wurden.
