Perfilador de predicciónHola,
Te escribo porque encontré algunas diferencias entre dos gráficos. El primer gráfico está hecho en el JMP y es un perfil de predicción y el segundo está hecho en minitab. Mi pregunta es porque encontré un resultado extraño en el gráfico JMP. Encontré un valor de resultado de tipo negativo cuando en realidad no lo tengo, así que encontré más coherente el resultado en Minitab. Sin embargo, prefiero mejor la forma en que JPM da los resultados. Por lo tanto, me gustaría saber por qué tengo tal variación.
JMP 14
resultado de Minitab
Re: perfilador de prediccionesHola @Arquitectura ,
Como mencionó Mark, el "Gráfico de efectos principales" de Minitab que ha mostrado aquí muestra algo bastante diferente del generador de perfiles de predicción en JMP * al ajustar su modelo con interacciones . Si ajusta un modelo de solo efectos principales, el Perfilador de predicción de JMP y el "Gráfico de efectos principales" de Minitab muestran esencialmente lo mismo (actualización: suponiendo datos equilibrados, un número igual de observaciones en cada celda del diseño; gracias por la nota, Mark).
Dispuse el generador de perfiles en filas de dos para que coincida lo más posible con Minitab para usted, Perfilador de predicciones Triángulo rojo > Apariencia > Organizar en filas:
Dicho esto, ¿por qué estas gráficas coinciden en este caso particular (un modelo de solo efectos principales con datos equilibrados), pero no en el modelo que ajustaste antes? @Mark_Bailey estaba explicando, y es un aspecto fundamental de entender acerca de las elecciones que hacemos en los modelos.
El generador de perfiles de predicción en JMP muestra el condicional relación entre Y y un predictor dado, dado el nivel seleccionado de los otros predictores, mientras que la gráfica de efectos principales de Minitab esencialmente ignora los otros factores y muestra la relación promedio entre Y y un predictor dado. Entonces, ¿qué significa eso y por qué la salida de JMP y Minitab coinciden en el caso anterior, donde ajusto un modelo de efectos principales únicamente en JMP? Tomemos el modelo inicial que mostró por primera vez (y lo que se guarda en su tabla de datos).
Dejando de lado por el momento el punto que Mark hizo acerca de que algunos de estos términos son inestimables (lo cual es ciertamente importante, pero es un punto aparte de esta publicación), este modelo tiene como objetivo comprender (es decir, estimar estadísticamente) los efectos principales para cada predictor también. como las interacciones bidireccionales entre cada par de predictores. Estas interacciones son clave para la diferencia entre una gráfica de efectos principales y el generador de perfiles de predicción porque las interacciones permiten que nuestro modelo capture las relaciones entre Y y cada predictor que puede ser diferente cuando cambia el nivel de otro predictor.Miremos el perfilador de este modelo, y voy a cambiar el nivel de Avance por diente. Mientras lo hago, mire la relación entre el desgaste de la herramienta y el tipo de herramienta en el extremo izquierdo:
Notará que la relación entre el desgaste de la herramienta (y) y el tipo de herramienta en el extremo izquierdo es diferente en diferentes niveles de avance por diente.Hay una interacción entre esas variables.También hay interacciones entre el tipo de herramienta y las otras variables.Una gráfica de "solo efectos principales" simplemente promedia esas diferentes relaciones para llegar a la relación incondicional promedio. Eso es lo que minitab muestra en la gráfica de efectos principales, y eso es lo que JMP mostrará en el generador de perfiles de predicción. si ajustas un modelo sin interacciones, como este:
Haré el mismo ejercicio con el perfilador de abajo cambiando el avance por diente. Una vez más, mire la relación entre el desgaste de la herramienta y el tipo de herramienta: 
Esta vez solo notará los cambios de intersección, es decir, la relación entre el desgaste de la herramienta y el tipo de herramienta es el mismo patrón, pero la predicción del desgaste de la herramienta es solo mayor o menor según la cantidad que contribuye el avance por diente. Estos efectos son simplemente aditivos... no hay posibilidad de interacción porque no le dimos al modelo la posibilidad de ajustar/encontrar una.
Espero que esto ayude a aclarar la diferencia que está viendo entre la gráfica de efectos principales en minitab y el generador de perfiles de predicción en JMP.
@Julian
Re: perfilador de prediccionesNo sé a qué te refieres.
pero los resultados de ambos todavía se ven diferentes.
¿Cuales resultados? ¿Qué diferencia?
R: la tendencia de las líneas es diferente entre Minitab y ambos gráficos JMP
fue el desgaste de la herramienta en lugar de la temperatura de la herramienta.
Su solicitud se refería al desgaste de la herramienta. Ese análisis es el que mostraste.
Me gustaría tener el eje x como estaba antes porque usé esos valores para desarrollar mis experimentos.
R=Sí, lo fue pero trabajaste con la temperatura de la herramienta
¿Qué valores del eje x?
no quiero en el eje de 1 a 4.3, quiero 1 y 4.3
Atentamente
Re: perfilador de prediccionesNo sé a qué te refieres.
pero los resultados de ambos todavía se ven diferentes.
¿Cuales resultados? ¿Qué diferencia? ¿Está comparando el Prediction Profiler con otro tipo de gráfico? ¿Está comparando JMP con MINITAB?
fue el desgaste de la herramienta en lugar de la temperatura de la herramienta.
Su solicitud se refería al desgaste de la herramienta. Ese análisis es el que mostraste. Ese es el análisis que hice yo también.
Me gustaría tener el eje x como estaba antes porque usé esos valores para desarrollar mis experimentos.
Creo que lo que quiere decir con "antes" es cuando usaba el tipo de modelo nominal para sus factores cuantitativos. Esa elección, entre otras cosas, producirá un eje x del generador de perfiles de predicción para aceptar solo los niveles en la columna de datos. Tampoco le permite optimizar en ningún nivel de factor que no sean los que se utilizaron en el experimento. (Atascado con 'elegir al ganador'). También requiere el doble de parámetros para estos términos de factores en el modelo.
Por otro lado, la forma en que lo hice (use el tipo de modelado continuo) muestra el perfil de respuesta continuo (realista) y todavía le permite ingresar cualquier nivel de factor que desee, incluidos esos niveles en el experimento. También le permite encontrar un nivel óptimo, incluso si no fue uno de los tres niveles utilizados en el experimento. (Interpolación)
Re: perfilador de prediccionesMuchas gracias, pero los resultados de ambos aún se ven diferentes y fue el desgaste de la herramienta en lugar de la temperatura de la herramienta. Además, me gustaría tener el eje x como estaba antes porque usé esos valores para desarrollar mis experimentos. ¿Qué puedo hacer?
Atentamente
@Mark_Bailey escribió:
Aquí está la tabla de datos actualizada.
Re: perfilador de prediccionesAquí está la tabla de datos actualizada.
Re: perfilador de prediccionesEn primer lugar, cambié el tipo de modelado de todos los factores cuantitativos de nominal a continuo.
En segundo lugar, analicé la distribución de los niveles de los factores y descubrí que Tipo de herramienta = O se observó sólo cuando Ancho de corte = 1 , por lo que este defecto de diseño elimina una de las estimaciones de los parámetros de interacción. Ver:
Tercero, seleccioné un modelo usando regresión paso a paso en la dirección de avance. (Tenga en cuenta que sustituí el factor Tipo de herramienta original en lugar de los contrastes creados por Stepwise para el análisis de regresión final). Obtengo este Prediction Profiler:
Estos perfiles parecen razonables. Así que creo que hay un problema con su modelo.
En cuanto a la diferencia entre Prediction Profiler y la gráfica de efectos principales en MINITAB, está comparando dos gráficas completamente diferentes. El generador de perfiles de predicción muestra el perfil de cada factor en la respuesta. condicionado al nivel actual de los otros factores . Por lo tanto, es un predicción perfilador La gráfica de efectos principales en MINITAB, por otro lado, muestra la respuesta media incondicional en cada nivel de factor . Es el promedio de los datos (y sesgado cuando el diseño no está balanceado, como en este caso). No es la media de mínimos cuadrados (imparcial) del modelo.
