14660_de-DE

liliconcom

Wie viele DFs sind erforderlich, um X Haupteffekte zu testen – JMP Fit Model<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />

Ich wurde gebeten, mehrere Haupteffekte und ihre verschiedenen Wechselwirkungen zu analysieren, glaube aber nicht, dass ich dazu in der Lage bin, da ich bei der Verwendung der Analyse „Anpassungsmodell“ die Fehlermeldung „Verlorene DFs“ erhalte. Falls es hilft, hier die Details der Daten. Haupteffekte (Größe): Standort (4), Sorte (4), Region (2, 2 Standorte gruppiert pro Region) und Jahr (3). Ich erhalte nur dann Ergebnisse bzw. scheine genügend DF zu haben, wenn ich maximal zwei beliebige Haupteffekte ausführe, aber niemals mit einer Interaktion.

Frage 1) Habe ich ein Problem mit dem Freiheitsgrad, weil ich nicht in der Lage bin, mehr als zwei Haupteffekte zu analysieren, in der Hoffnung, alle vier zu betrachten?

Frage 2) Wenn ich nur zwei Haupteffekte ausführen würde, ist es dann richtig, das Modell erneut auszuführen, wenn sich herausstellt, dass ein Haupteffekt nicht signifikant ist? Ich habe beispielsweise „Year Location“ ausgeführt und festgestellt, dass keines von beiden signifikant ist. Anschließend habe ich das Modell erneut ausgeführt und dabei „Year“ entfernt, da ich an „Location“ interessiert bin. Dabei habe ich erneut festgestellt, dass „Location“ nicht signifikant ist, aber einen niedrigeren p-Wert aufweist.

Ich bin für jeden Rat dankbar

Betreff: Wie viele DFs sind erforderlich, um X Haupteffekte zu testen – JMP Fit Model

Travis: Ich stimme allen Ratschlägen und Ratschlägen zu, die Sie oben von Martin und Mike erhalten haben. Ein weiterer Ansatz, den Sie vielleicht in Betracht ziehen sollten, ist, wenn Sie JMP Pro verwenden, die Generalized Regression Personality innerhalb der Fit Model-Plattform. Die generalisierte Regression kann in einer Vielzahl von Kontexten erfolgreich eingesetzt werden, und „nicht genug DF“ ist einer davon. Kein Allheilmittel, aber es könnte helfen.

Betreff: Wie viele DFs sind erforderlich, um X Haupteffekte zu testen – JMP Fit Model

Vielen Dank für Ihre Antwort.

Zu den von Ihnen gestellten Fragen:

- Ich habe 48 Beobachtungsreihen pro Antwort/Y (Tannin, pH, TA, SSC und SG), aber diese Beobachtungen sind auf 4 Sorten, 4 Standorte und über drei Jahre aufgeteilt, also 48/4/4/3 = 1, keine Replikationen.

- Um die fehlende Replikation noch komplizierter zu machen, fehlen mir für einige Jahre Daten. Beispielsweise habe ich für Sorte A im Jahr 2012 möglicherweise Daten für Standorte AC, aber nicht für D.

- Ich habe nicht den Eindruck, dass ich ein Sonderfallproblem habe, aber das lässt sich in meiner Situation wiederum schwer sagen

- Die Daten stammen aus einer Beobachtungsstudie; Die Früchte wurden von den teilnehmenden Erzeugern gesammelt, zu einem Komposit entsaftet und die fünf Messungen/Antworten aus dem Komposit entnommen. Dieser Prozess wurde für jede Sorte an den vier Standorten über einen Zeitraum von drei Jahren durchgeführt. Die einzige Randomisierung erfolgte bei der Auswahl der Früchte durch die Erzeuger für uns. Aber auch hier fehlte uns die Replikation, dh mehrere Obstgärten, die jeden Standort repräsentierten, und nicht nur einer.

Hier sind einige Ergebnisse des Fit-Modells (Persönlichkeit: Standard-Kleinste-Quadrate, Schwerpunkt: Effekthebel) mit einem vollfaktoriellen Faktor abzüglich der Drei-Wege-Interaktion. Sieht ziemlich gut aus, ich konnte den Drei-Wege-Test nur nicht testen, was möglicherweise nicht von Bedeutung ist.

Danke

Betreff: Wie viele DFs sind erforderlich, um X Haupteffekte zu testen – JMP Fit Model

Haben Sie als Persönlichkeit eine schrittweise Regression versucht?

Betreff: Wie viele DFs sind erforderlich, um X Haupteffekte zu testen – JMP Fit Model

Vielen Dank, dass Sie sich die Zeit genommen haben, zu antworten. Ich hoffe das macht Sinn:

Ich habe keine Replikationen, eine sehr schwache Beobachtungsstudie. Für die Antwortvariable Säure habe ich beispielsweise 48 Beobachtungen, aber diese verteilen sich auf 4 Standorte, 4 Sorten, über 3 Jahre (48/4/4/3 = 1). Ich habe die Daten mit einigen Änderungen erneut analysiert (einige Benutzerfehler behoben) und konnte drei der vier Haupteffekte und die Zwei-Wege-Interaktion testen, wie unten gezeigt, aber nicht die Drei-Wege-Interaktion.

1) Kann ich die Drei-Wege-Interaktion mit der Analyse der partiellen kleinsten Quadrate testen?

2) Liegt der Grund dafür, dass ich den vierten Haupteffekt, Region (eine Gruppierung der 4 Standorte in 2 Regionen), mit oder ohne Interaktionen nicht testen konnte, darin, dass er kolinear mit dem Standort ist? Wenn ja, mache ich einfach ohne es im Modell weiter? Es muss nicht unbedingt im Modell enthalten sein, wäre aber nach Möglichkeit schön zu testen.

3) Unter der Annahme, dass 1) und 2) gelöst sind, ist es dann korrekt, einen Haupteffekt aus einem Modell zu entfernen, wenn er als nicht signifikant befunden wird, oder ist dies nur für nicht signifikante Interaktionen zulässig?

Danke

Vollfaktoriell: (Anpassungsmodell, Persönlichkeit: Standard-Kleinste-Quadrate, Schwerpunkt: Effekthebel)

Vollfaktorielle minus Drei-Wege-Interaktion:

Betreff: Wie viele DFs sind erforderlich, um X Haupteffekte zu testen – JMP Fit Model

Eine Faustregel, die ich immer verwendet habe, ist, dass Sie 1 Freiheitsgrad für jeden Term im Modell, das Sie ausführen möchten, plus 1 zusätzlichen Freiheitsgrad für den Achsenabschnitt benötigen – mindestens.Mit dieser Regel können Sie die Fehlerterme in Ihrem Modell nicht schätzen, daher benötigen Sie dafür zusätzliche Freiheitsgrade.

Aus der ersten Tabelle geht hervor, dass Sie versuchen, ein Modell mit 10 Termen (einschließlich des Achsenabschnitts) zu beschreiben, und dass die Datentabelle nur 7 oder 8 Zeilen enthält.Das bedeutet, dass Sie versuchen, ein Modell vorzuschlagen, das übersättigt wäre.In solchen Fällen können partielle kleinste Quadrate hilfreich sein. Vielleicht möchten Sie sich diese Option unter „Analysieren“ > „Multivariate Methoden“ > „Partielle kleinste Quadrate“ ansehen.Ansonsten scheinen Sie nicht über genügend Beobachtungen zu verfügen, um das umzusetzen, was Sie vorschlagen.

Betreff: Wie viele DFs sind erforderlich, um X Haupteffekte zu testen – JMP Fit Model

Hallo travis.alexander0!

Alles, was ich unten antworte, basiert darauf, dass ich keine Daten habe, um einen kurzen Blick darauf zu werfen. Ich sage das, weil es verschiedene Möglichkeiten gibt, warum Sie mehr Haupteffekte als signifikant empfinden oder nicht.

Ich vermute also, dass Sie zunächst die Standard-Kleinste-Quadrate-Methode als Modellierungsalgorithmus verwenden und die resultierenden Modelleffekte testen, oder? Wenn ja, gibt es hauptsächlich zwei Gründe, warum ein Haupteffekt als nicht signifikant angezeigt wird. Entweder ist es nicht signifikant, was bedeutet, dass es keinen signifikanten Einfluss auf die Reaktion hat, oder es gibt Kolinearitäten und z. B. der Standort (der in allen drei Modellen nicht signifikant ist, korreliert z. B. entweder mit dem Jahr oder der Sorte.

Auch hier kann ich die Daten nur erraten, ohne das vollständige Setup zu haben. Aber das würde ich vor dem Modellieren zuerst tun:

1. Öffnen Sie die Distributionsplattform und geben Sie alle Faktoren und Antwortvariablen als Y ein. Klicken Sie dann auf eine beliebige Histogrammleiste, z. B. den Standort, und sehen Sie, wo die ausgewählte Verteilung liegt und wie sie sich von der Gesamtverteilung für alle anderen Variablen unterscheidet. Sehen Sie Unterschiede in der Verteilung der ausgewählten und der Gesamtverteilung? Oder Muster, wie z. B. ein Standort hat niedrigere Werte als der andere Standort und so weiter. Auf diese Weise können Sie ganz einfach erkennen, ob hier verdächtige Vorgänge vorliegen, die zu einem signifikanten Verhalten führen könnten (auch wenn dies statistisch noch nicht nachgewiesen ist).

2. Schauen Sie sich „Fit Y by X“ an. Ich denke, Standort, Sorte und Region sind kategorisch, möglicherweise auch Jahr. Verwenden Sie Ihre Antwort als Y und die anderen als X. Sie erhalten eine Anova für das kategoriale Dies kann dabei helfen, festzustellen, ob es in Ihrem Modell möglicherweise etwas Bedeutendes gibt, das nicht von Bedeutung ist. Dann liegt es wahrscheinlich an einem Interaktionseffekt.

3. Schauen Sie sich Fit Model an. Passen Sie ein RSM-Modell an, also alle Interaktionen und quadratischen Effekte für alle Ihre X-Variablen. Da sie wahrscheinlich alle kategorisch sind, benötigen Sie die quadratischen Effekte nicht und erhalten möglicherweise eine Warnung. Führen Sie keine standardmäßige Methode der kleinsten Quadrate durch, sondern eine schrittweise Regression. Verwenden Sie den p-Wert-Schwellenwert als Stoppkriterium und belassen Sie den Rest auf der Standardeinstellung. Prüfen Sie nun, welche Auswirkungen erheblich sind. Unterscheiden sie sich von Ihrem Vorgängermodell?

Erstellen Sie das Modell nur mit den ausgewählten Effekten und führen Sie es erneut mit der Standardmethode der kleinsten Quadrate aus. Haben Sie immer noch ein DoF-Problem?

Zusätzlich zu den oben genannten Punkten können Sie sich den fehlenden Anpassungstest in Ihren Modellen ansehen, normalerweise im Bericht unter der Varianzanalyse. Ist die F-Wahrscheinlichkeit signifikant? Wenn ja, wird Ihnen angezeigt, dass dem Modell ein Effekt fehlt. Entweder fehlt also eine Interaktion oder eine andere Variable, die Sie nicht verwendet oder erfasst haben. Das Modell wird Ihre Daten jedoch nicht gut genug wiedergeben. Sie können einen Blick auf das tatsächliche Diagramm und die vorhergesagten Diagramme sowie auf die Residuendiagramme im Profiler werfen. um ein besseres Verständnis des Verhaltens Ihrer Faktoren basierend auf dem Modell zu erhalten.

Wenn Sie also Visuals aus dem Graph Builder/Distribution oder anderen Plattformen verwenden, erhalten Sie ein allgemeines Verständnis der Daten. Die Modellierungsplattformen helfen Ihnen dabei, ein gutes Modell zu finden, können aber nur an dem arbeiten, was Sie bereitstellen. Es gibt ausgefeilte Modelle, die diese Arbeit basierend auf dem Algorithmus für Sie erledigen können, und wenn Sie über JMP Pro verfügen, können Sie diese verwenden (z. B. Bootstrap Forest, generalisierte Regression ...).

Ein weiterer Aspekt, den ich bisher nicht gefragt habe, betrifft Ihre Daten. Wie viele Beobachtungen (/Zeilen) haben Sie? Fehlen darin Daten? Gibt es (potenzielle) Ausreißer? Stammen die Daten aus einem geplanten Experiment oder aus einer Messung oder gesammelten Verkaufsdaten?

All dies könnte zu einem etwas anderen Ansatz führen, den ich empfehlen würde, da jeder von ihnen andere Herausforderungen zu bewältigen und zu berücksichtigen hat.

Ich hoffe, das hilft, den nächsten Schritt zu machen,

Martin