Bonjour,
J'ai une petite question. Si vous analysez DSD, la littérature (instructions dans JMP) propose deux méthodes. Le premier est le filtrage par définition Fit et le second est la régression pas à pas avant, avec Règle d'arrêt: min AICc et règles: Combinez. Je pensais à utiliser la validation croisée k fois, si la régression pas à pas vers l'avant s'avère donner le meilleur modèle que le filtrage définitif Fit. Mais cela a-t-il même un sens avec DSD? DSD est une conception de repli et je pense que faire un modèle sur, par exemple, 3/4 des pistes, n’aurait aucun sens. Ai-je raison ou tort?
Merci pour votre réponse.
Danijel
Tout d’abord, il n’existe à ma connaissance aucune méthode qui garantisse le meilleur modèle. (C'est-à-dire, si vous pouvez même définir "mieux".)
Deuxièmement, il s’agit d’une expérience de criblage dans laquelle l’économie est l’une des caractéristiques les plus souhaitables de la conception. Cette économie signifie qu'un DSD est un modèle réduit, comparé au nombre minimal d'essais pour le modèle linéaire avec uniquement des effets principaux. La conservation des données affectera l'estimation et les tests (puissance). Vous pourrez peut-être compenser en ajoutant des cycles supplémentaires, mais vous pourrez tout aussi bien utiliser une conception personnalisée.
Troisièmement, la validation croisée des plis en K est utile avec de petits ensembles de données, mais l'analyse et l'ensemble unique d'avantages du DSD dépendent de la structure unique de cette conception. L'omission de chaque pli détruirait à son tour cette structure et compromettrait l'ajustement.
Cela fonctionnerait-il? Probablement. Cela fonctionnerait-il bien? Pas probable.
Il ne fait pas de mal d'essayer au lieu d'y penser. La simulation serait une approche précieuse. JMP facilite cette approche.
