Zwei Ebenen-Screening anpassen Verschiedene AusgängeIch finde, wenn ich ein "Fit Two Level Screening" -Skript für mein DoE ausführe, bekomme ich bei jeder Ausführung etwas andere Zahlen. Die Gesamtbewertung der Signifikanz für jeden Parameter bleibt gleich, aber die p-Werte und die t-Verhältnisse ändern sich, so dass einige Parameter in und aus dem signifikanten Bereich verschoben werden (p <0,05). Meine Daten sind etwas laut und ich habe nur 1-2 Parameter, die nur geringfügig von Bedeutung sind. Ich verwende ein klassisches Screening-Design für 7 zweistufige Faktoren (5 kontinuierliche, 2 kategoriale) mit einer Ausgangsantwort. Ich glaube, das Screening verwendet eine Simulationsmethode und ist daher nicht deterministisch. Liegt das daran, dass es viele Lösungen gibt, die zu den Daten passen?
Betreff: Passen Sie zwei Ausgänge anEs gibt gute Informationen zum Fit 2-Level-Screening im JMP-Dokumentation . Ich denke, das ist eine wirklich nützliche Plattform in Situationen wie der, die Sie beschreiben. In der Hilfedokumentation heißt es: "Ein Screening-Design bietet häufig keine Fehlerfreiheitsgrade, wenn das interessierende Modell Interaktionsterme enthält. Klassische Tests für Effekte stehen daher nicht zur Verfügung. In solchen Fällen ist die Plattform Fit Two Level Screening besonders nützlich. "
Ich habe festgestellt, dass dies ein nützlicher Weg ist, um mich dahingehend zu lenken, welche wichtigen Auswirkungen in meinem Modell wahrscheinlich sind. Ich würde dann diese Anleitung verwenden und ein Modell mit der Fit Model-Plattform anpassen. Dies ist auf der 2-Level-Screening-Plattform einfach zu bewerkstelligen: Wenn Ihre Effekte ausgewählt sind (ich würde alle Effekte auswählen, die eindeutig oder grenzwertig sind), klicken Sie auf "Run", oder erstellen Sie ein Modell nach "Vorgabe" diese hilfe anweisungen.
Der Fit Model-Bericht gibt Ihnen dann eine endgültigere Antwort auf die Bedeutung von Effekten. Du kannst auch Bearbeiten Sie das Modell In dieser Plattform aus der Effektzusammenfassung können Sie alle Effekte entfernen, die Sie als unwichtig erachten. Sie können die Auswirkungen auf das Modell sehen, um das nützlichste Modell zu finden.
