Fit Definitive Screening: il grafico degli effetti principali non è d'accordo con le stime dei parametri del modelloSto pensando che ci deve essere una semplice spiegazione per questo, ma oggi ho il "blocco dello statistico".
Nei dati allegati, sono curioso di almeno due cose.
1. Fit Definitive Screening identifica X__3 come significativo e non X__2. So che se utilizzo Fit Model per fare ciò, la stima del parametro di X__2 è molto più piccola di quella di X__3, quindi c'è un rapporto t più piccolo e quindi X__2 non è significativo. Va bene, ma sembra contraddire la trama degli effetti principali mostrata qui:
2. In base al Prediction Profiler, la stima del parametro su X__7 ha un segno diverso da quello che vediamo nel grafico degli effetti principali.
Ipotesi che ho considerato: (a) in qualche modo le interazioni stanno influenzando le stime degli effetti principali (motivo per cui ho creato una seconda variabile y, X__9), anche se so che ciò non dovrebbe accadere poiché gli effetti principali sono privi di interazioni nei progetti di screening definitivi . Dato che gli stessi fenomeni esistono sia in X__8 che in X__9, l'ho escluso. (b) La presenza di fattori categoriali nel DSD crea una confusione con i fattori continui. Possibile, ma la diagnostica di progettazione su questo DSD indica una correlazione molto minore tra il continuo e il categoriale pari solo a circa r=0,1. Inoltre, è difficile per me vedere come ciò causerebbe la selezione di X__3 prima di X__2 (poiché nessuna correlazione tra queste due colonne della matrice di progettazione).
I dati sono allegati. Nota che ho due variabili y. La vera y è X__8. Ho creato X__9 in un modo che rimuove le interazioni significative.
Re: Fit Definitive Screening: il grafico degli effetti principali non è d'accordo con le stime dei parametri del modelloPosso confermare che il comportamento menzionato da Bradley è stato affrontato in JMP 14.1, che sarà disponibile molto presto.
Re: Fit Definitive Screening: il grafico degli effetti principali non è d'accordo con le stime dei parametri del modelloSe i fattori categoriali non sono attivi, sarà utile il grafico degli effetti principali. Tuttavia, se i fattori categoriali hanno grandi effetti, dovresti credere al profiler piuttosto che alla trama degli effetti principali.
È troppo tardi per modificare questo comportamento indesiderato per JMP 14, ma spero di tracciare la linea utilizzando il coefficiente della regressione multipla degli effetti principali in JMP 14.1.
Re: Fit Definitive Screening: il grafico degli effetti principali non è d'accordo con le stime dei parametri del modelloQuindi essenzialmente dovremmo ignorare la trama degli effetti principali se stiamo eseguendo un "DSD" con fattori categoriali? Il modello ridotto "Fit Definitive Screening" fornisce le migliori stime che possiamo ottenere, a corto di raccogliere più dati per rompere l'aliasing?
Re: Fit Definitive Screening: il grafico degli effetti principali non è d'accordo con le stime dei parametri del modelloCi sono una serie di problemi qui.
Nel grafico degli effetti principali la linea di adattamento mostrata è il risultato della semplice regressione lineare di y su ogni individuo x. Se non ci sono fattori categoriali, le pendenze per tutti i fattori sarebbero le stesse sia che tu abbia fatto una regressione lineare o una regressione multipla perché tutti gli effetti principali sono ortogonali. Hai due fattori categoriali, quindi ci sono piccole correlazioni tra questi fattori e tutti gli altri.
X3 è correlato con i fattori categoriali X5 e X7 in modo che il grafico degli effetti principali che mostra l'adattamento di X3 su Y con nient'altro nel modello abbia un coefficiente di 0,08 a causa dell'alias di X5 e X7. Il suo coefficiente nel modello degli effetti principali, invece, è 0,22.
X2 è anche correlato con X5 e X7. Il suo coefficiente nel grafico degli effetti principali è 0,157, mentre il suo coefficiente nel modello degli effetti principali è 0,014. In questo caso la semplice pendenza di X2 rispetto a Y appare di nuovo più ripida a causa dell'alias di X5 e X7.
Dovrei sottolineare che la tua tabella di dati non è un DSD. Esistono correlazioni tra gli effetti principali e le interazioni a due fattori. Questo perché alcune delle voci in X5 e X7 sono state commutate tra le coppie di foldover.
