Valutazione dei risultati in base alla progettazione personalizzataCiao a tutti!
Vorrei il tuo aiuto su questo argomento:
Di recente ho creato un design personalizzato con JMP utilizzando 5 parametri. Devo valutare i principali effetti dei parametri e la non linearità e anche le interazioni dei parametri in base ai risultati con tre parametri di output.
Ora, il design personalizzato mi dà un suggerimento su come valutare i miei risultati o posso scegliere me stesso. In questo esempio che ho caricato troverai il suggerimento JMP e la mia seconda scelta, entrambi salvati nella tabella dei dati nell'angolo in alto a sinistra. Per favore aiutatemi su come avreste scelto la valutazione giusta, poiché le impostazioni ottimizzate sembrano leggermente diverse per entrambi, anche se secondo me i valori sono buoni per entrambi i metodi di valutazione.
Grazie in anticipo!
-su
@martindemel
Ri: Valutazione dei risultati in base alla progettazione personalizzataLa selezione del modello migliore non è sempre chiara. Hai incluso molti termini di ordine elevato dei quali è probabile che solo alcuni siano attivi. Ho usato la piattaforma di regressione generalizzata in JMP Pro 15 con il metodo adattivo LASSO per la selezione di termini basati su AICc minimo. Ecco il profiler di previsione con i modelli montati salvati come formule di colonna.
Ho allegato la tabella dei dati con gli script per l'adattamento e le colonne con le formule del modello per l'esame.
Ri: Valutazione dei risultati in base alla progettazione personalizzataSolo per aggiungere, un buon modello può essere confermato. Consiglio di confermare le previsioni per le impostazioni che dovrebbero produrre i risultati desiderati e le impostazioni che producono risultati negativi. Un buon modello può prevedere risultati positivi e negativi.
Ri: Valutazione dei risultati in base alla progettazione personalizzataGrazie mille signor Bailey!Ri: Valutazione dei risultati in base alla progettazione personalizzataIntendi qui impostare i valori di desiderabilità per i parametri di output e vedere se è possibile raggiungere il livello di desiderabilità di "1"? O c'è un altro modo per confermare un buon modello?Ri: Valutazione dei risultati in base alla progettazione personalizzataIl profiler di previsione è un modo per farlo sfruttare il modello selezionato. Suggerisco di usarlo per trovare le impostazioni che prevedono i risultati più desiderabili e le impostazioni che prevedono un risultato indesiderato.
confermando il modello richiede nuove prove empiriche: esegui il tuo sistema / processo utilizzando entrambi i set di impostazioni e determina se il risultato medio concorda con la previsione. Questo è l'unico modo per confermare che io conosca.
Ri: Valutazione dei risultati in base alla progettazione personalizzataMettere @markbailey Raccomandazioni di conferma in un altro modo cito un ingegnere saggio con cui una volta ho lavorato durante il mio mandato presso la Eastman Kodak Company ... il suo nome era Dave Neimeyer ... e la sua citazione era qualcosa del genere ... "Fino a quando non puoi un meccanismo di fallimento acceso e spento, non capisci la causa principale. "
Ri: Valutazione dei risultati in base alla progettazione personalizzataImmagino volesse dire che puoi controllare l'impostazione migliore per ottenere l'output più desiderato eseguendo uno o due esperimenti aggiuntivi con esattamente quelle migliori. Quindi trovi l'impostazione per i risultati negativi (usando il profiler) e fai altri uno o due esperimenti con queste (di solito) nuove impostazioni.
Se gli esperimenti per le buone impostazioni e le cattive impostazioni corrispondono entrambi ai risultati del tuo modello rispettivamente per ciascuna delle impostazioni, puoi giudicare di avere un buon modello predittivo ed esplicativo. Se riesci solo a prevedere risultati positivi o negativi, il tuo modello potrebbe tendere a prevedere solo un lato positivo. Questo a volte accade se si verificano eventi rari e si utilizzano i dati completi per prevedere il risultato. Questi eventi rari possono essere previsti, ad esempio, come buoni anche se sono cattivi solo perché l'errore dovuto alla previsione di questi errori è così piccolo a causa della rarità, anche se dici che tutto va bene (ovvero non ci sono risultati negativi). Questo è un argomento che molte persone cadono in una trappola. Spero che sia di aiuto.
