Hola,
Tengo una pregunta rápida. Si analiza DSD, la literatura (instrucciones en JMP) propone dos métodos. El primero es el análisis defintivo Fit y el segundo es la regresión por pasos hacia adelante, con Regla de parada: min AICc y Reglas: Combinar. Estaba pensando en usar la validación cruzada de k fold, si la regresión progresiva hacia adelante resulta para dar el mejor modelo que el ajuste definitivo de Fit. ¿Pero eso tiene sentido con DSD? DSD es un diseño plegable y creo que hacer el modelo solo en, por ejemplo, 3/4 de las carreras, no tendría sentido. ¿Estoy en lo correcto o incorrecto?
Gracias por su respuesta.
Danijel
En primer lugar, no hay ningún método que yo conozca que garantice encontrar el mejor modelo. (Es decir, si puedes definir "mejor").
En segundo lugar, este caso es un experimento de detección en el que la economía es una de las características más deseables del diseño. Esa economía significa que un DSD es un diseño pequeño, comparado con el número mínimo de ejecuciones para el modelo lineal con solo los efectos principales. La retención de datos afectará la estimación y las pruebas (potencia). Es posible que pueda compensar agregando ejecuciones adicionales, pero también puede utilizar el diseño personalizado.
En tercer lugar, la validación cruzada K-fold es útil con conjuntos de datos pequeños, pero el análisis y el conjunto único de beneficios del DSD dependen de la estructura única de este diseño. La omisión de cada pliegue a su vez destruiría esta estructura y comprometería el ajuste.
¿Funcionaría? Más probable. ¿Funcionaría bien? No es probable.
No puede hacer daño intentarlo, en lugar de pensarlo. La simulación sería un valioso enfoque. JMP hace que el enfoque sea fácil.
