Ajuste dos niveles de cribado diferentes salidasEncuentro que cuando ejecuto un script 'Ajustar dos niveles de detección' para mi DoE, obtengo números ligeramente diferentes cada vez que lo ejecuto. La clasificación general de significación para cada parámetro sigue siendo la misma, pero los valores de p y las relaciones de t cambian, de modo que algunos parámetros se mueven dentro y fuera de lo significativo (p <0.05). Mis datos son algo ruidosos y solo tengo uno o dos parámetros que son apenas significativos. Estoy ejecutando un diseño de detección clásico para 7 factores de dos niveles (5 continuos, 2 categóricos) con una respuesta de salida. Creo que la detección utiliza un método de simulación, por lo que no es determinista. ¿Esto se debe a que hay muchas soluciones para ajustar los datos?
Re: Ajustar dos niveles de cribado diferentes salidasHay buena información sobre la prueba de ajuste de 2 niveles en el Documentación de JMP . Creo que esta es una plataforma realmente útil en situaciones como la que usted describe. La documentación de ayuda dice: "Un diseño de detección a menudo no proporciona grados de libertad de error cuando el modelo de interés incluye términos de interacción. En consecuencia, las pruebas clásicas de efectos no están disponibles. En tales casos, la plataforma de detección de dos niveles es particularmente útil ".
He descubierto que es una forma útil de guiarme en cuanto a los efectos que probablemente se incluirán en mi modelo. Luego usaría esa guía y ajustaría un modelo utilizando la plataforma Fit Model. Esto es fácil de hacer desde la plataforma de selección de 2 niveles: con sus efectos seleccionados (seleccionaría todos los efectos que son claramente o significativos en la línea de borde) pulse Ejecutar o haga un modelo según estas instrucciones de ayuda
El informe Fit Model le brinda una respuesta más definitiva sobre la importancia de los efectos. Tú también puedes editar el modelo en esta plataforma del Resumen de efectos para eliminar cualquier efecto que encuentre que no es importante. Puede ver el efecto en el modelo para ayudarlo a encontrar el modelo más útil.
