Combien de DF sont nécessaires pour tester un nombre X d'effets principaux - JMP Fit Model<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />On m'a demandé d'analyser plusieurs effets principaux et leurs diverses interactions, mais je ne pense pas pouvoir le faire car j'obtiens des messages d'erreur Lost DF lorsque j'utilise l'analyse Fit Model. Au cas où cela pourrait aider, voici les détails des données. Principaux effets (taille) : Localisation (4), Cultivar (4), Région (2, 2 Localisations regroupées par région) et Année (3). Je n'obtiens des résultats/semble avoir suffisamment de DF que lorsque j'exécute deux effets principaux au maximum, mais jamais avec une interaction.
Question 1) Ai-je un certain degré de liberté en ce sens que je ne suis pas en mesure d'analyser plus de deux effets principaux, dans l'espoir d'examiner les quatre ?
Question 2) Si je devais exécuter seulement deux effets principaux, est-il correct de réexécuter le modèle lorsqu'un effet principal ne s'avère pas significatif ? Par exemple, j'ai exécuté Year Location et j'ai trouvé qu'aucun des deux n'était significatif, alors j'ai réexécuté le modèle en supprimant Year car je suis intéressé par Location et j'ai de nouveau trouvé que Location n'était pas significatif, mais avec une valeur p inférieure.
J'apprécie tout conseil
Re : Combien de DF sont nécessaires pour tester un nombre X d'effets principaux - JMP Fit ModelTravis : Je suis d'accord avec tous les conseils et conseils que vous avez reçus de Martin et Mike ci-dessus. Une autre approche que vous pourriez envisager est, si vous exécutez JMP Pro, la personnalité de régression généralisée au sein de la plateforme Ajuster le modèle. La régression généralisée peut être utilisée avec succès dans une grande variété de contextes et le « pas assez de DF » en fait partie. Ce n’est pas une panacée, mais cela pourrait aider.
Re : Combien de DF sont nécessaires pour tester un nombre X d'effets principaux - JMP Fit ModelMerci beaucoup d'avoir répondu.
Au regard des questions que vous avez posées :
- J'ai 48 lignes d'observations par Réponse/Y (Tanin, pH, TA, SSC et SG), mais ces observations sont réparties sur 4 cultivars, 4 localisations et sur trois ans, donc 48/4/4/3 = 1, pas de réplications.
- Pour compliquer le manque de réplication, j'ai des données manquantes pour certaines années. Par exemple, pour le cultivar A en 2012, je pourrais avoir des données pour les emplacements AC, mais pas D.
- Il ne semble pas y avoir de problème aberrant, mais encore une fois, difficile à dire compte tenu de ma situation
- Les données proviennent d'une étude observationnelle ; les fruits ont été collectés auprès des producteurs participants, pressés dans un composite, et les cinq mesures/réponses ont été tirées du composite. Ce processus a été effectué pour chaque cultivar pour les quatre sites sur trois ans. La seule randomisation s'est produite dans la sélection des fruits par les producteurs pour nous. Mais encore une fois, nous avons manqué de réplication, c'est-à-dire plusieurs vergers représentant chaque emplacement plutôt qu'un seul.
Voici quelques résultats du modèle d'ajustement (Personnalité : Moindres carrés standard, Accentuation : Effet de levier) avec une factorielle complète moins l'interaction à trois voies. Ça a l'air plutôt bien, mais je n'ai pas pu tester le trio, ce qui n'est peut-être pas significatif.
Merci
Re : Combien de DF sont nécessaires pour tester un nombre X d'effets principaux - JMP Fit ModelAvez-vous essayé la régression pas à pas en tant que personnalité ?
Re : Combien de DF sont nécessaires pour tester un nombre X d'effets principaux - JMP Fit ModelMerci beaucoup d'avoir pris le temps de répondre. J'espère que cela a du sens:
Je n'ai pas de réplications, une étude observationnelle très faible. Pour la variable réponse Acidité par exemple, j'ai 48 observations mais celles-ci sont réparties sur 4 localités, 4 cultivars, sur 3 ans (48/4/4/3 = 1). J'ai réanalysé les données avec quelques modifications (corrigé quelques erreurs d'utilisateur) et j'ai pu tester trois des quatre effets principaux et l'interaction bidirectionnelle comme indiqué ci-dessous, mais pas l'interaction à trois.
1) Suis-je capable de tester l'interaction à trois voies avec l'analyse des moindres carrés partiels ?
2) La raison pour laquelle je n'ai pas pu tester le quatrième effet principal, Région (un regroupement des 4 emplacements en 2 régions), avec ou sans interactions, est-elle parce qu'elle est colinéaire avec l'emplacement ? Si tel est le cas, dois-je simplement procéder sans cela dans le modèle ? Il n'est pas vraiment nécessaire que cela figure dans le modèle, mais ce serait bien de le tester si possible.
3) En supposant que 1) et 2) soient résolus, est-il correct de supprimer un effet principal d'un modèle s'il s'avère non significatif ou est-ce autorisé uniquement pour les interactions non significatives ?
Merci
Factorielle complète : (Modèle d'ajustement, Personnalité : Moindres carrés standard, Accentuation : Effet de levier)
Factorielle complète moins interaction à trois :
Re : Combien de DF sont nécessaires pour tester un nombre X d'effets principaux - JMP Fit ModelUne règle empirique que j'ai toujours utilisée est que vous avez besoin d'un degré de liberté pour chaque terme du modèle que vous essayez d'exécuter, plus un degré supplémentaire pour l'interception - minimum.Cette règle ne vous permettra pas d'estimer les termes d'erreur dans votre modèle, vous aurez donc besoin de degrés de liberté supplémentaires pour cela.
D'après le premier tableau, il apparaît que vous essayez de décrire un modèle avec 10 termes (y compris l'interception) et que vous n'avez que 7 ou 8 lignes dans le tableau de données.Cela signifie que vous essayez de proposer un modèle qui serait sursaturé.Dans de tels cas, les moindres carrés partiels peuvent être utiles, et vous souhaiterez peut-être jeter un œil à cette option sous Analyser > Méthodes multivariées > Moindres carrés partiels.Sinon, vous ne semblez pas disposer d'un nombre suffisant d'observations pour faire ce que vous proposez.
Re : Combien de DF sont nécessaires pour tester un nombre X d'effets principaux - JMP Fit ModelSalut travis.alexander0 !
tout ce que je réponds ci-dessous est basé sur l'absence de données pour y jeter un bref coup d'œil. Je dis cela car il existe différentes possibilités pour lesquelles vous pouvez ou non trouver des effets plus principaux significatifs.
Donc, tout d'abord, je suppose que vous utilisez les moindres carrés standard comme algorithme de modélisation et les tests d'effets résultants du modèle, n'est-ce pas ? Si tel est le cas, il y a principalement deux raisons pour lesquelles un effet principal apparaîtra comme non significatif. Soit ce n'est pas significatif, cela signifie qu'il n'a pas d'effet significatif sur la réponse, soit il existe des colinéarités et, par exemple, l'emplacement (qui n'est pas significatif dans les trois modèles est par exemple en corrélation avec l'année ou le cultivar.
Encore une fois, sans avoir la configuration complète des données, je peux simplement deviner. Mais c'est ce que je ferais avant de modéliser :
1. Ouvrez la plateforme de distribution et mettez tous les facteurs et variables de réponse comme Y. Cliquez ensuite sur n'importe quelle barre d'histogramme, par exemple sur Emplacement et voyez où se situe la distribution sélectionnée et en quoi elle diffère de la distribution globale pour toutes les autres variables. Voyez-vous des différences dans les distributions des distributions sélectionnées et globales ? Ou des modèles, comme un emplacement a des valeurs inférieures à celles de l'autre emplacement, etc. Cela vous permettra de voir très facilement s'il se passe ici des éléments suspects qui pourraient entraîner un comportement significatif (même si cela n'est pas encore prouvé statistiquement).
2. Jetez un œil à la Fit Y de X. Je suppose que l'emplacement, le cultivar et la région sont catégoriques, mai également l'année. Utilisez votre réponse comme Y et les autres comme X. Vous obtiendrez une Anova pour le X catégorique (dans le cas où votre Y est continu, sinon analyse de contingence). Dans tous les cas, vous verrez s'il y a un effet significatif d'un X sur un Y. Cela peut aider à voir s'il peut y avoir quelque chose d'important qui ne l'est pas dans votre modèle. Cela est probablement dû à un effet d’interaction.
3. Jetez un œil à Fit Model. Ajustez un modèle RSM, donc toutes les interactions et effets quadratiques pour toutes vos variables X. Comme ils sont probablement tous catégoriques, vous n'aurez pas besoin des effets quadratiques et pourrez recevoir un avertissement. N'exécutez pas une méthode des moindres carrés standard mais une régression pas à pas. Utilisez le seuil de valeur p comme critère d'arrêt et laissez le reste par défaut. Vérifiez maintenant quels effets sont significatifs. Est-ce qu'ils diffèrent de votre modèle précédent ?
Créez le modèle avec les effets sélectionnés uniquement et exécutez-le à nouveau avec les moindres carrés standard. Avez-vous toujours un problème DoF ?
En plus de ce qui précède, vous pouvez examiner l'absence de test d'ajustement dans vos modèles, généralement dans le rapport situé sous l'analyse de la variance. La probabilité F est-elle significative ? Si c'est le cas, cela vous indique qu'il manque un effet au modèle. Donc, soit il manque une interaction, soit une autre variable que vous n'avez pas utilisée ou capturée. Mais le modèle ne reflétera pas suffisamment vos données. Vous pouvez jeter un œil au tracé réel par prévu, ainsi qu'aux tracés des résidus sur le profileur. pour mieux comprendre le comportement de vos facteurs en fonction du modèle.
Ainsi, l'utilisation de visuels de Graph Builder/Distribution ou d'autres plates-formes vous fournira une certaine compréhension générale des données, les plates-formes de modélisation vous aideront à trouver un bon modèle mais ne pourront travailler que sur ce que vous leur fournissez. Il existe des modèles sophistiqués qui pourraient faire ce travail pour vous en fonction de l'algorithme, et si vous disposez de JMP Pro, vous pouvez les utiliser (par exemple, forêt d'amorçage, régression généralisée...).
Un autre aspect que je n'ai pas posé jusqu'à présent concerne vos données. Combien d’observations (/lignes) avez-vous ? Y a-t-il des données manquantes ? avez-vous des valeurs aberrantes (potentielles). Les données proviennent-elles d'une expérience conçue ou d'une mesure ou de données de ventes collectées ?
Tout cela pourrait conduire à une approche légèrement différente que je recommanderais car chacun d'eux a d'autres défis à surmonter et à prendre en compte,
J'espère que cela aidera à passer à l'étape suivante,
Martin
