Unterschiedliche Parameterschätzungen im Fit Defintive Screening und Standard-Least-SquaresHallo!
Ich möchte signifikante Faktoren im Prozess der sphärischen Kristallisation finden. Ich habe Definitive Screening Design mit 6 Faktoren auf drei Ebenen und vier zusätzlichen Durchläufen (2 Scheinfaktoren) erstellt. Ich messe verschiedene Antworten.
Ich habe die Daten mit Fit Definitive Screening analysiert und die sinnvollen Ergebnisse erhalten. Als ich mit Standard Least Squares ein Modell erstellte, fiel mir auf, dass sich die Parameterschätzungen in einem Modell, das mit Standard Least Squares erstellt wurde, und dem Fit Definitive Screening unterscheiden. Die p-Werte sind für einige Faktoren gleich und für andere sehr ähnlich. Es beunruhigt mich auch, dass in einem Faktor (V-Verhältnis) der Schätzer das Minuszeichen erhielt (siehe Foto unten). Das ändert das Modell sehr. (Das Zeichen + ist logischer, basierend auf dem Verständnis des Prozesses). Wie ich weiß, sollten die Parameterschätzungen gleich sein. Wie kann ich die gleichen Parameterschätzungen erhalten?
Bei der Analyse meiner anderen Antworten erhielt ich auch andere Parameterschätzungen, das Vorzeichen (+/-) blieb jedoch unverändert. Einige Ergebnisse im Standard Least Squares-Bericht in Prediction Profiler waren jedoch sehr unlogisch (ich habe die negative Zahl für den mittleren Durchmesser eines Partikels erhalten). Das lässt mich denken, dass mit dem Standard Least Squares-Bericht etwas nicht stimmt. Deswegen kann ich den Daten im Actual by Predicted Plot usw. auch nicht vertrauen. Gibt es eine bessere Möglichkeit, die Modellanpassung zu bewerten?
Ich habe auch bemerkt, dass der Prediction Profiler im Standard Least Squares Report Yield auf der Y-Achse hat, obwohl ich als Antwort in Root Square Yield eingegeben habe. Auf der Achse von Actual by Predicted Plot wird wie gewohnt der quadratische Ertrag verwendet. Wie kann ich das Problem beheben?
Vielen Dank
Betreff: Unterschiedliche Parameterschätzungen in Fit Defintive Screening und Standard-Least-SquaresIch habe das Problem gelöst. Das Problem war, dass ich das Datenblatt analysierte, wo ich den Minimalwert des Faktors als -1, einen Mittelwert als 0 und einen Maximalwert als 1 eingegeben habe. Bei den Ergebnissen von Fit Definitive Screening machte das keinen Unterschied, bei Standard Least Squares und Stepwise Regression war es anscheinend ein großer Unterschied. Als ich im Datenblatt "echte" Werte eingab, waren die Ergebnisse aus allen drei Analysen erwartungsgemäß die gleichen.
Danke für deine Hilfe.
Betreff: Unterschiedliche Parameterschätzungen in Fit Defintive Screening und Standard-Least-SquaresVielen Dank für Ihre Präposition. Ich werde das versuchen.Betreff: Unterschiedliche Parameterschätzungen in Fit Defintive Screening und Standard-Least-SquaresIch kenne die veröffentlichten Ergebnisse (Zeitschriften, JMP Help und Dr. Jones) und habe sie problemlos reproduziert. Dasselbe gilt für andere Experimente, die ich hier nicht teilen kann. Es hat nie eine Diskrepanz gegeben.
Sie haben Ihre Handlungen klar angegeben und Ihre Ergebnisse mitgeteilt, die ich nicht lösen kann. Ich schlage vor, dass Sie diesen Fall an den technischen Support von JMP (support@jmp.com) senden und ihn dann hier mit den Ergebnissen teilen. Sie sollten in der Lage sein, "Fit Definitive Screening" zuverlässig zu verwenden.
Betreff: Unterschiedliche Parameterschätzungen in Fit Defintive Screening und Standard-Least-SquaresNein, ich habe den Ertrag im Fenster umgewandelt, in dem Sie vor dem Anpassen des endgültigen Rasters die Antwort und die Faktoren auswählen müssen.
Ich klickte dann auf "Modell erstellen" und beließ alles wie es war ("Square Root Yield" wurde als Antwort ausgewählt und Faktoren, die in "Fit Definitive Screening" als Faktoren als aktiv eingestuft wurden). Wenn ich nur auf Modell ausführen klicke, bekomme ich dasselbe Ergebnis.
Ich möchte betonen, dass ich unterschiedliche Parameterschätzungen bekomme, auch wenn ich nicht transformierte Antworten analysiere. Die Parameterschätzungen im Standard Least Squares-Bericht sind jedoch dieselben, die ich bekomme, wenn ich dieselben Daten mit der schrittweisen Regression analysiere. Wenn ich das Ergebnis aus transformierten Daten vergleiche, unterscheiden sich alle drei Parameterschätzungen aus den verschiedenen Analysen.
Ich bin mir bewusst, dass es sich um unterschiedliche Analysen handelt, aber Dr. Bradley Jones gibt im Video an http://video.sas.com/detail/videos/analytics-in-action/video/4492688979001/a-new-analytical-approach-for-definitive-screening-designs , dass die Parameterschätzungen gleich sein sollten. Dies gilt auch für die Beispieldaten in JMP für Fit Definitive Screening (Extraktion 3). (In diesem Beispiel sind die Parameterschätzungen bei allen drei oben genannten Analysen gleich).
Betreff: Unterschiedliche Parameterschätzungen in Fit Defintive Screening und Standard-Least-SquaresDenken Sie daran, dass das Fit Definitive Screening und Fit Least Squares sehr unterschiedliche Analysen sind. Die erstere ist eine zweistufige Analyse, wobei die letztere eine Stufe ist. Ersteres kombiniert die Ergebnisse der beiden Stufen, in denen der zweite alle Ergebnisse gleichzeitig erhält.
Betreff: Unterschiedliche Parameterschätzungen in Fit Defintive Screening und Standard-Least-SquaresHaben Sie das Experiment für Yield entworfen und dann eine neue Spalte für Root Square Yield erstellt? Die Tabellenskripts erfassen diese Änderung nicht, sodass Sie möglicherweise 'Äpfel mit Orangen' vergleichen.
Haben Sie auch das Modellskript in der Datentabelle verwendet, um Fit-Least-Squares abzurufen, oder haben Sie unten in der Fit-Definitive-Screening-Plattform auf Modell ausführen geklickt? Wieder kann es einen Unterschied machen. Die Tatsache, dass Sie Yield beobachten, nicht Root Square Yield, lässt mich wundern.
Haben Sie andererseits Yield bei der Y-Variablen eingegeben und im Dialogfeld Fit-Modell eine Transformation angewendet? Diese Aktion würde auch die nicht transformierte Antwort im Vorhersageprofiler liefern.
Ich weiß, dass ich falsch liege, aber ich versuche nur herauszufinden, wo die Diskrepanz herkommt.
