Fit Screen Level Leveling Différents résultatsJe trouve que, lors de l'exécution d'un script "Fit Two Level Screening" pour mon DoE, j'obtiens des chiffres légèrement différents chaque fois que je l'exécute. Le classement global de l'importance pour chaque paramètre reste le même, mais les valeurs p et les rapports t changent, de sorte que certains paramètres entrent et sortent de manière significative (p <0,05). Mes données sont quelque peu bruitées et je n'ai qu'un ou deux paramètres légèrement significatifs. J'exécute un plan de dépistage classique pour 7 facteurs à deux niveaux (5 continus, 2 catégoriels) avec une réponse en sortie. Je pense que le criblage utilise une méthode de simulation et n'est donc pas déterministe. Est-ce dû au fait qu'il existe de nombreuses solutions pour adapter les données?
Re: Fit Screening sur deux niveauxIl y a de bonnes informations sur le dépistage Fit sur 2 niveaux dans le Documentation JMP . Je pense que c'est une plate-forme vraiment utile dans des situations comme celle que vous décrivez. La documentation d’aide indique: "Une conception de dépistage ne fournit souvent aucun degré de liberté en cas d’erreur lorsque le modèle en question comprend des termes d’interaction. Par conséquent, les tests classiques pour les effets ne sont pas disponibles. Dans ce cas, la plate-forme Fit Two Level Screening est particulièrement utile. "
J'ai trouvé que c'était un moyen utile de me guider quant aux effets susceptibles d'être importants à inclure dans mon modèle. J'utiliserais ensuite ces conseils pour adapter un modèle à l'aide de la plateforme Fit Model. Ceci est facile à faire à partir de la plate-forme de filtrage à 2 niveaux: avec vos effets sélectionnés (je sélectionnerais tous les effets clairement ou marginalement significatifs) ces instructions d'aide.
Le rapport Fit Model vous donne ensuite une réponse plus précise sur la signification des effets. Vous pouvez également éditer le modèle dans cette plate-forme, à partir du résumé des effets, supprimez tous les effets que vous trouvez sans importance. Vous pouvez voir l'effet sur le modèle pour vous aider à trouver le modèle le plus utile.
