Factor numérico continuo vs discretoAl buscar una respuesta máxima para un factor en un cierto rango, por ejemplo; ADN total 100ug a 400ug, ¿cuál es una forma más precisa y eficiente (mayor potencia menos corridas) para hacerlo?
- Asigne el factor como un factor continuo con 2ª potencia (X1*X1)
- Asignar como numérico discreto en 3 niveles (100, 250, 400)
En el pasado, siempre ejecuté la opción A, pero durante el análisis de diseño, la potencia que obtengo para X1*X1 es bastante baja (~0.4) en comparación con los efectos principales y las segundas interacciones (por encima de 0.8), así que soy el asistente para elegir esta opción. ¿Me equivoco en esta noción?
Gracias por tu ayuda,
Re: Factor Numérico Continuo Vs DiscretoEn primer lugar, el diseño del experimento (el conjunto de tratamientos) no no afectar la precisión de las estimaciones. Es decir, el sesgo de las estimaciones (parámetro o respuesta) no depende del diseño. El sesgo de las estimaciones depende de la forma del modelo.
En segundo lugar, el diseño afecta la varianza de las estimaciones. Este efecto, a su vez, afecta a la potencia. A medida que aumenta la varianza de las estimaciones, la potencia disminuye.
En tercer lugar, el poder no está relacionado con el sesgo del modelo. La potencia se define como la probabilidad de no cometer un error tipo II. Solo es posible si la hipótesis alternativa (el parámetro no es cero) es verdadera. La potencia depende del tamaño del efecto, la varianza de la respuesta, el tamaño de la muestra (en realidad, DF) y el nivel de significancia. Bajo poder significa que hay una pequeña posibilidad de encontrar un efecto real (distinto de cero) que sea estadísticamente significativo.
No confiaría en un modelo hasta que, después de haberlo ajustado, haya sido validado de forma independiente con nuevas observaciones. Recomiendo probar dos condiciones: la condición que se predice que entregará el resultado deseado y otra condición que predice un resultado terrible. Puede confiar en que el modelo predirá generalmente bien todos los resultados de esa manera.
Como nota al margen, tenga cuidado al comparar diseños. No vi una gran diferencia en la potencia usando factores continuos versus factores discretos numéricos si tenía cuidado de anular las acciones automáticas de JMP que cambiaban la cantidad de ejecuciones, los términos del modelo, etc. No estoy diciendo que el poder que observaste sea incorrecto. Solo digo que es fácil obtener valores de potencia que no son comparables.
Re: Factor Numérico Continuo Vs Discretogracias marca,
Solo para entender mejor, si el poder del término X1*X1 es bajo, ¿eso significa que lo más probable es que JMP no se ajuste a la línea con precisión al usar el generador de perfiles? por ejemplo: un factor continuo en 15 ejecuciones daría 0,827 para el efecto principal y 0,39 para el término, digamos que al analizar los resultados usando un modelo de ajuste y un generador de perfiles, le pedí a JMP que maximizara el resultado y la respuesta que obtuve fue 300 , ¿puedo confiar en él? (o cualquier otro resultado entre los puntos probados 0, 250 y 400).
Numérico discreto en 3 o 4 niveles y 15 ejecuciones daría una potencia de 0.946, ¿es esa una opción mucho mejor?
Re: Factor Numérico Continuo Vs DiscretoNo hará mucha diferencia. Puede especificar el modelo y JMP elige los niveles o puede especificar los niveles y JMP elige los términos. El factor continuo le da al diseñador personalizado más libertad (sin restricciones en los niveles) y, por lo tanto, probablemente será mejor, pero no por mucho. El factor numérico discreto fija los niveles y los términos adicionales necesarios para la optimización del diseño tienen su estimabilidad establecida en 'si es posible', por lo que cuentan de manera diferente en los cálculos de potencia. I. sugiero que lo pruebes por ti mismo. Diseñe el experimento en ambos sentidos y examine la información de evaluación. Solo asegúrese de que sea una comparación justa (número de ejecuciones, criterio de optimización, términos del modelo y estimabilidad, etc.).
La potencia de los términos que son potencias siempre es mucho menor que la potencia de los términos de primer orden y las interacciones de dos factores. Es posible que se requiera una gran cantidad de ejecuciones que ya no sean económicas para lograr una alta potencia para dichos términos.
