Hallo,
Ich habe eine kurze Frage. Wenn Sie DSD analysieren, schlägt die Literatur (Anweisungen in JMP) zwei Methoden vor. Das erste ist das defintive Fit-Screening und das zweite ist die schrittweise schrittweise Regression mit Stoppregel: min AICc und Regeln: Kombinieren. Ich habe darüber nachgedacht, die k-fache Kreuzvalidierung zu verwenden, wenn sich herausstellt, dass die schrittweise schrittweise Regression das bessere Modell ergibt als das endgültige Fit-Test. Aber macht das mit DSD überhaupt Sinn? DSD ist ein Foldover-Design, und ich denke, dass es nicht sinnvoll ist, das Modell nur für 3/4 der Läufe zu verwenden. Hab ich recht oder nicht?
Vielen Dank für Ihre Antwort.
Danijel
Vor allem gibt es keine Methode, von der ich weiß, dass sie garantiert das beste Modell findet. (Das heißt, wenn Sie sogar "am besten" definieren können.)
Zweitens handelt es sich bei diesem Fall um ein Screening-Experiment, bei dem die Wirtschaftlichkeit eines der wünschenswertesten Merkmale des Designs ist. Dies bedeutet, dass eine DSD eine kleine Konstruktion ist, verglichen mit der minimalen Anzahl von Läufen für das lineare Modell mit nur Haupteffekten. Das Durchhalten von Daten beeinflusst die Schätzung und das Testen (Leistung). Möglicherweise können Sie dies durch Hinzufügen zusätzlicher Läufe kompensieren, aber Sie können genauso gut auch benutzerdefiniertes Design verwenden.
Drittens ist die K-fache Kreuzvalidierung für kleine Datensätze nützlich, aber die Analyse und die einzigartigen Vorteile der DSD hängen von der einzigartigen Struktur dieses Designs ab. Das Weglassen jeder Falte wiederum würde diese Struktur zerstören und die Anpassung beeinträchtigen.
Würde es funktionieren? Höchstwahrscheinlich. Würde es gut funktionieren? Unwahrscheinlich.
Es kann nicht schaden, es zu versuchen, anstatt darüber nachzudenken. Simulation wäre ein wertvoller Ansatz. JMP macht diesen Ansatz einfach.
