Estimaciones de diferentes parámetros en la evaluación definitiva de ajuste y mínimos cuadrados estándar¡Hola!
Quiero encontrar factores significativos en el proceso de cristalización esférica. Hice el diseño de cribado definitivo con 6 factores en tres niveles, con cuatro ejecuciones adicionales (2 factores falsos). Estoy midiendo varias respuestas diferentes.
Analicé los datos con Fit Definitive Screening y obtuve los resultados que tienen sentido. Cuando continué e hice un modelo, utilizando mínimos cuadrados estándar, noté que las estimaciones de los parámetros son diferentes en un modelo hecho con mínimos cuadrados estándar y en la selección de ajuste definitivo. Los valores de p son los mismos para algunos factores y muy cercanos para otros. También me preocupa que, en un factor (relación V), la Estimación obtuvo el signo menos (vea la foto a continuación). Eso cambia mucho el modelo. (El signo + es más lógico, basado en la comprensión del proceso). Como sé, las estimaciones de los parámetros deberían ser las mismas. ¿Cómo puedo obtener las mismas estimaciones de parámetros?
Cuando analicé mis otras respuestas, también obtuve diferentes Estimaciones de Parámetros, pero el signo (+/-) se mantuvo igual. Sin embargo, algunos resultados en el informe de mínimos cuadrados estándar en el Perfil de predicción fueron muy poco lógicos (obtuve el número negativo para el diámetro medio de una partícula). Eso me hace pensar que hay algo mal con el informe de mínimos cuadrados estándar, por lo tanto, tampoco puedo confiar en los datos en la gráfica real por predicción, etc. ¿Hay alguna forma mejor de evaluar el ajuste del modelo?
También me di cuenta de que, en el informe Estándar mínimos cuadrados, el Perfil de predicción tiene Rendimiento en el eje Y, a pesar del hecho de que ingresé el Rendimiento de cuadrado raíz como respuesta. En el eje de Real por gráfico predicho, se utiliza el rendimiento de la raíz cuadrada, como se debería. ¿Cómo puedo solucionar ese problema?
Gracias
Re: Estimaciones de Parámetros Diferentes en Apantallamiento Defintivo Ajustado y mínimos cuadrados estándarResolví el problema. El problema era que estaba analizando la hoja de datos, donde ingresé el valor mínimo de factor como -1, un valor medio como 0 y un valor máximo como 1. Eso no hizo ninguna diferencia en los resultados de la selección definitiva definitiva, pero aparentemente una gran diferencia con los mínimos cuadrados estándar y la regresión por pasos. Cuando ingresé valores "reales" en la hoja de datos, los resultados de los tres análisis fueron los mismos, como se esperaba.
Gracias por tu ayuda.
Re: Estimaciones de Parámetros Diferentes en Apantallamiento Defintivo Ajustado y mínimos cuadrados estándarGracias por tu preposición. Probaré eso.Re: Estimaciones de Parámetros Diferentes en Apantallamiento Defintivo Ajustado y mínimos cuadrados estándarEstoy familiarizado con los resultados publicados (revistas, JMP Help y Dr. Jones) y los he reproducido sin ningún problema. Lo mismo ocurre con otros experimentos, que no puedo compartir aquí. Nunca ha habido una discrepancia.
Usted ha declarado claramente sus acciones y compartido sus resultados, que no puedo resolver. Le sugiero que envíe este caso al Soporte técnico de JMP (support@jmp.com) y luego comparta sus hallazgos aquí. Debería poder usar la Selección Definitiva Definitiva con confianza.
Re: Estimaciones de Parámetros Diferentes en Apantallamiento Defintivo Ajustado y mínimos cuadrados estándarNo, transformé el rendimiento en la ventana, donde tiene que seleccionar la respuesta y los factores, antes de ajustar el análisis definitivo.
Luego hice clic en Crear modelo y dejé todo como estaba (el Rendimiento de la raíz cuadrada se selecciona como Respuesta y factores, que se encontraron activos en la Evaluación de ajuste definitivo como factores). Si simplemente hago clic en Ejecutar modelo obtengo el mismo resultado.
Quiero enfatizar, que también obtengo diferentes Estimaciones de Parámetros cuando analizo respuestas no transformadas. Sin embargo, las estimaciones de parámetros en el informe de mínimos cuadrados estándar son las mismas que obtengo, si analizo los mismos datos con la regresión por pasos. Si comparo el resultado que obtengo de los datos transformados, las tres Estimaciones de Parámetros de diferentes análisis son diferentes.
Soy consciente de que estamos hablando de un análisis diferente, pero el Dr. Bradley Jones afirma en el video http://video.sas.com/detail/videos/analytics-in-action/video/4492688979001/a-new-analytical-approach-for-definitive-screening-designs , que las Estimaciones de Parámetros deberían ser las mismas. Esto también es cierto para los datos de ejemplo en JMP para el Ajuste Definitivo de Selección (Extracción 3). (En este ejemplo, las estimaciones de parámetros son las mismas con los tres análisis diferentes, que se mencionan anteriormente).
Re: Estimaciones de Parámetros Diferentes en Apantallamiento Defintivo Ajustado y mínimos cuadrados estándarRecuerde que el análisis de ajuste definitivo y los cuadrados mínimos ajustados son análisis muy diferentes. El primero es un análisis de dos etapas, mientras que el segundo es una etapa. El primero combina los resultados de las dos etapas, donde el segundo obtiene todos los resultados simultáneamente.
Re: Estimaciones de Parámetros Diferentes en Apantallamiento Defintivo Ajustado y mínimos cuadrados estándar¿Diseñó el experimento para Rendimiento y luego creó una nueva columna para Rendimiento de raíz cuadrada? Las secuencias de comandos de la tabla no capturarán ese cambio, por lo que podría estar comparando 'manzanas con naranjas'.
Además, ¿utilizó la secuencia de comandos del modelo en la tabla de datos para obtener Ajustar los cuadrados mínimos o hizo clic en Ejecutar modelo en la parte inferior de la plataforma de evaluación definitiva definitiva? Una vez más, podría hacer una diferencia. El hecho de que observes el rendimiento, no el rendimiento de la raíz cuadrada, me hace pensar.
Por otro lado, ¿ingresó el rendimiento en la variable Y y aplicó una transformación en el cuadro de diálogo Ajustar modelo? Esa acción también proporcionaría la respuesta no transformada en el generador de perfiles de predicción.
Sé que estoy equivocado, pero solo estoy tratando de encontrar de dónde proviene la discrepancia.
