¿Cuántos DF se requieren para probar X número de efectos principales? JMP Fit Model<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Me pidieron que analizara múltiples efectos principales y sus diversas interacciones, pero no creo que pueda hacerlo porque recibo mensajes de error Lost DFs cuando uso el análisis Ajustar modelo. Por si te ayuda, aquí el detalle de los datos. Efectos principales (tamaño): Ubicación (4), Cultivar (4), Región (2, 2 Ubicaciones agrupadas por región) y Año (3). Solo obtengo resultados/parezco tener suficiente DF cuando ejecuto dos efectos principales como máximo, pero nunca con una interacción.
Pregunta 1) ¿Tengo algún problema de grado de libertad en términos de no poder analizar más de dos efectos principales, con la esperanza de observar los cuatro?
Pregunta 2) Si tuviera que ejecutar solo dos efectos principales, ¿es correcto volver a ejecutar el modelo cuando se considera que un efecto principal no es significativo? Por ejemplo, ejecuté Año Ubicación y no encontré que ninguno fuera significativo, entonces volví a ejecutar el modelo eliminando Año porque estoy interesado en Ubicación y nuevamente encontré que Ubicación no es significativa, pero con un valor p más bajo.
Agradezco cualquier consejo
Re: ¿Cuántos DF se requieren para probar X número de efectos principales? JMP Fit ModelTravis: Estoy de acuerdo con todos los consejos y sugerencias que has recibido de Martin y Mike anteriormente. Otro enfoque que quizás quieras considerar es, si estás ejecutando JMP Pro, la personalidad de Regresión Generalizada dentro de la plataforma Fit Model. La regresión generalizada se puede utilizar con éxito en una amplia variedad de contextos y el "DF insuficiente" es uno de ellos. No es una panacea, pero podría ayudar.
Re: ¿Cuántos DF se requieren para probar X número de efectos principales? JMP Fit ModelMuchas gracias por responder.
En cuanto a las preguntas que planteaste:
- Tengo 48 filas de observaciones por Respuesta/Y (Tanino, pH, TA, SSC y SG), pero estas observaciones se dividen entre 4 cultivares, 4 ubicaciones y durante tres años, por lo que 48/4/4/3 = 1, sin réplicas.
- Para complicar la falta de replicación, me faltan datos de algunos de los años. Por ejemplo, para el Cultivar A en 2012 podría tener datos para las Ubicaciones AC, pero no para D.
- No parece que tenga un problema atípico, pero nuevamente es difícil saberlo con mi situación.
- Los datos provienen de un estudio observacional; Se recogió fruta de los productores participantes, se exprimió en un compuesto y se extrajeron las cinco mediciones/respuestas del compuesto. Este proceso se realizó para cada cultivar en las cuatro ubicaciones durante tres años. La única aleatorización se produjo en la selección de la fruta por parte de los productores para nosotros. Pero nuevamente nos faltó replicación, es decir, múltiples huertos que representaran cada ubicación en lugar de solo uno.
A continuación se muestran algunos resultados del modelo de ajuste (Personalidad: Mínimos cuadrados estándar, Énfasis: Apalancamiento del efecto) con un Factorial completo menos la interacción de tres vías. Se ve bastante bien, sólo que no puedo probar el sistema de tres vías, lo que puede no ser significativo.
Gracias
Re: ¿Cuántos DF se requieren para probar X número de efectos principales? JMP Fit Model¿Has probado la regresión gradual como personalidad?
Re: ¿Cuántos DF se requieren para probar X número de efectos principales? JMP Fit ModelMuchas gracias por tomarse el tiempo de responder. Espero que esto tenga sentido:
No tengo réplicas, un estudio observacional muy débil. Para la variable de respuesta de Acidez, por ejemplo, tengo 48 observaciones pero están divididas entre 4 ubicaciones, 4 cultivares, durante 3 años (48/4/4/3 = 1). Volví a analizar los datos con algunos cambios (corregí algunos errores del usuario) y pude probar tres de los cuatro efectos principales y la interacción bidireccional como se ve a continuación, pero no la interacción tripartita.
1) ¿Puedo probar la interacción de tres vías con el análisis de mínimos cuadrados parciales?
2) ¿La razón por la que no he podido probar el cuarto efecto principal, Región (una agrupación de las 4 ubicaciones en 2 regiones), con o sin interacciones, es porque es colineal con la Ubicación? Si es así, ¿debo proceder sin él en el modelo? Realmente no es necesario que esté en el modelo, pero sería bueno probarlo si es posible.
3) Suponiendo que 1) y 2) se resuelvan, ¿es correcto eliminar un efecto principal de un modelo si se considera que no es significativo o solo se permite para interacciones no significativas?
Gracias
Factorial completo: (modelo de ajuste, personalidad: mínimos cuadrados estándar, énfasis: apalancamiento del efecto)
Factorial completo menos interacción de tres vías:
Re: ¿Cuántos DF se requieren para probar X número de efectos principales? JMP Fit ModelUna regla general que siempre he usado es que necesitas 1 grado de libertad para cada término del modelo que intentas ejecutar más 1 grado adicional para la intersección (mínimo).Esta regla no le permitirá estimar los términos de error en su modelo, por lo que necesitará grados de libertad adicionales para ello.
De la primera tabla parece que está intentando describir un modelo con 10 términos (incluida la intersección) y solo tiene 7 u 8 filas en la tabla de datos.Esto significa que estás intentando proponer un modelo que estaría sobresaturado.En tales casos, los mínimos cuadrados parciales pueden ser útiles y es posible que desees echar un vistazo a esa opción en Analizar > Métodos multivariados > Mínimos cuadrados parciales.De lo contrario, no parece tener un número suficiente de observaciones para hacer lo que propone.
Re: ¿Cuántos DF se requieren para probar X número de efectos principales? JMP Fit ModelHola travis.alexander0!
Todo lo que respondo a continuación se basa en no tener datos para echarle un vistazo breve. Digo esto porque hay diferentes posibilidades de por qué usted puede encontrar o no que más efectos principales sean significativos.
Entonces, en primer lugar, supongo que estás utilizando mínimos cuadrados estándar como algoritmo de modelado y las pruebas de efecto resultantes del modelo, ¿verdad? Si es así, existen principalmente dos razones por las que tendrá un efecto principal que se muestra como no significativo. O no es significativo, significa que no tiene un efecto significativo en la respuesta, o hay colinealidades y, por ejemplo, la ubicación (que no es significativa en los tres modelos está, por ejemplo, en correlación con el año o el cultivar).
Nuevamente, sin tener la configuración completa de los datos, solo puedo adivinar. Pero eso es lo que haría primero antes de modelar:
1. Abra la plataforma de distribución y coloque todos los factores y variables de respuesta como Y. Luego haga clic en cualquier barra de histograma, por ejemplo, de Ubicación, y vea dónde se encuentra la distribución seleccionada y en qué se diferencia de la distribución general para todas las demás variables. ¿Ves alguna diferencia en las distribuciones de las distribuciones seleccionadas y generales? O Patrones, como una Ubicación tiene valores más bajos que la otra Ubicación y así sucesivamente. Esto le permitirá ver de una manera muy sencilla si hay algo sospechoso aquí que pueda resultar en un comportamiento significativo (incluso si aún no está probado estadísticamente).
2. Eche un vistazo a Fit Y by X. Supongo que Ubicación, Cultivar y Regional son categóricos, también pueden ser años. Utilice su respuesta como Y y las demás como X. Obtendrá un Anova para la X categórica (en caso de que su Y sea continua; de lo contrario, Análisis de contingencia). De cualquier manera, verá si hay un efecto significativo de una X en una Y. Esto puede ayudar a ver si puede haber algo significativo y no significativo en su modelo. Entonces es probable que se deba a algún efecto de interacción.
3. Eche un vistazo a Ajustar modelo. Ajuste un modelo RSM, de modo que todas las interacciones y efectos cuadráticos para todas sus variables X. Como probablemente todos sean categóricos, no necesitará los efectos cuadráticos y es posible que reciba una advertencia. No ejecute una regresión por mínimos cuadrados estándar sino por pasos. Utilice el umbral del valor p como criterio de parada y deje el resto como predeterminado. Ahora compruebe qué efectos son significativos. ¿Se diferencian de su modelo anterior?
Cree el modelo solo con los efectos seleccionados y ejecútelo nuevamente con mínimos cuadrados estándar. ¿Sigues teniendo un problema con DoF?
Además de lo anterior, puede observar la prueba de falta de ajuste en sus modelos, generalmente en el Informe debajo del Análisis de varianza. ¿Es significativa la probabilidad F? Si es así, le indica que al modelo le falta un efecto. Entonces, falta una interacción o alguna otra variable que no has utilizado o capturado. Pero el modelo no reflejará sus datos lo suficientemente bien. Puede echar un vistazo al gráfico real por predicho, así como a los gráficos de residuos en el generador de perfiles. para obtener una mejor comprensión del comportamiento de sus factores según el modelo.
Por lo tanto, el uso de elementos visuales de Graph Builder/Distribution u otras plataformas le brindará una comprensión general de los datos; las plataformas de modelado lo ayudarán a encontrar un buen modelo, pero solo podrán funcionar en lo que usted le proporcione. Existen modelos sofisticados que podrían hacer ese trabajo por usted basándose en el algoritmo, y si tiene JMP Pro podría usarlos (por ejemplo, bosque de arranque, regresión generalizada...).
Otro aspecto que no pregunté hasta ahora es sobre tus datos. ¿Cuántas observaciones (/filas) tienes? ¿Faltan datos en él? ¿Tiene valores atípicos (potenciales)? ¿Los datos provienen de un experimento diseñado o de una medición o datos de ventas recopilados?
Todo esto podría conducir a un enfoque ligeramente diferente que recomendaría, ya que cada uno de ellos tiene otros desafíos que superar y tener en cuenta.
Espero que esto ayude a dar el siguiente paso.
Martín
