Ajustar el análisis definitivo: ¿el gráfico de efectos principales no está de acuerdo con las estimaciones del parámetro del modelo?Estoy pensando que debe haber una explicación simple para esto, pero hoy tengo el "bloqueo estadístico".
En los datos adjuntos, tengo curiosidad por al menos dos cosas.
1. La selección de ajuste definitivo identifica X__3 como significativo y no X__2. Sé que si uso Fit Model para hacer esto, la estimación del parámetro de X__2 es mucho menor que la de X__3, por lo que hay una relación t más pequeña y, por lo tanto, X__2 no es significativo. Eso está bien, pero parece contradecir el gráfico de efectos principales que se muestra aquí:
2. Basado en el Perfil de Predicción, el parámetro estimado en X__7 tiene un signo diferente al que vemos en el gráfico de efectos principales.
Hipótesis que he considerado: (a) De alguna manera, las interacciones están afectando las estimaciones del efecto principal (razón por la cual creé una segunda variable, X__9), aunque sé que esto no debería suceder, ya que los efectos principales no tienen interacciones en los diseños de detección definitivos. . Dado que existen los mismos fenómenos tanto en X__8 como en X__9, he descartado esto. (b) La presencia de factores categóricos en el DSD está creando una confusión con los factores continuos. Posible, pero los diagnósticos de diseño en este DSD indican una correlación muy pequeña entre el continuo y el categórico que asciende a solo alrededor de r = 0.1. Además, es difícil para mí ver cómo esto haría que X__3 seleccionara antes de X__2 (ya que no hay correlación entre estas dos columnas de la matriz de diseño).
Se adjuntan los datos. Note que tengo dos variables y. La y real es X__8. Creé X__9 de una manera que elimina interacciones significativas.
Re: Ajustar el análisis definitivo: ¿El gráfico de efectos principales no está de acuerdo con el modelo Estimaciones de parámetrosPuedo confirmar que el comportamiento que Bradley menciona se ha abordado en JMP 14.1, que estará disponible muy pronto.
Re: Ajustar el análisis definitivo: ¿El gráfico de efectos principales no está de acuerdo con el modelo Estimaciones de parámetrosSi los factores categóricos no están activos, la gráfica de efectos principales será útil. Sin embargo, si los factores categóricos tienen grandes efectos, entonces debería creer el generador de perfiles en lugar de la trama de efectos principales.
Es demasiado tarde para cambiar este comportamiento no deseado para JMP 14, pero espero trazar la línea usando el coeficiente de la regresión múltiple de los efectos principales en JMP 14.1.
Re: Ajustar el análisis definitivo: ¿El gráfico de efectos principales no está de acuerdo con el modelo Estimaciones de parámetros¿Básicamente, deberíamos ignorar el gráfico de efectos principales si estamos ejecutando un "DSD" con factores categóricos? ¿El modelo reducido de "Ajuste definitivo" está dando las mejores estimaciones que podemos obtener, en lugar de recopilar más datos para romper el alias?
Re: Ajustar el análisis definitivo: ¿El gráfico de efectos principales no está de acuerdo con el modelo Estimaciones de parámetrosHay una serie de cuestiones aquí.
En el gráfico de efectos principales, la línea de ajuste que se muestra es el resultado de la regresión lineal simple de y en cada x individual. Si no hay factores categóricos, entonces las pendientes para todos los factores serían las mismas si hiciera una regresión lineal o una regresión múltiple porque todos los efectos principales son ortogonales. Tiene dos factores categóricos, por lo que existen pequeñas correlaciones entre estos factores y todos los demás.
X3 se correlaciona con los factores categóricos X5 y X7, de modo que la gráfica de efectos principales que muestra el ajuste de X3 en Y con nada más en el modelo tiene un coeficiente de 0.08 debido al alias de X5 y X7. Su coeficiente en el modelo de efectos principales, por el contrario, es de 0,22.
X2 también está correlacionado con X5 y X7. Su coeficiente en la gráfica de efectos principales es 0.157, mientras que su coeficiente en el modelo de efectos principales es 0.014. En este caso, la pendiente simple de X2 frente a Y parece más pronunciada debido al aliasing de X5 y X7.
Debo señalar que su tabla de datos no es un DSD. Existe una correlación entre los efectos principales y las interacciones de dos factores. Esto se debe a que algunas de las entradas en X5 y X7 se cambiaron entre pares de plegadores.
