DOE - Quel est le type de modélisation du facteur symbolisé?Salut,
Lorsque je conçois DOE, il y a une question sur le type de modélisation du facteur.
La valeur réelle du facteur à utiliser dans cette expérience est une donnée continue, mais elle est dymbolisée afin que l'utilisateur ne puisse sélectionner que certaines valeurs spécifiques.
La valeur symbolisée du facteur (x) est de 0 à 16. (entier) Mais les valeurs réelles sont diminuées en tant que fonction exponentielle. (1 / e ^ x)
Si j'utilise la valeur symbolisée du facteur, quel type de modélisation faut-il sélectionner? continu ou discret ou catégorique?
Re: DOE - Quel est le type de modélisation du facteur symbolisé?Je ne connais pas la réponse, mais voici quelques considérations pour vous aider à trouver la réponse.
Comment allez-vous modéliser l'effet de ce facteur? Produira-t-il une réponse linéaire ou non linéaire? Va-t-il interagir avec d'autres facteurs?
De combien de niveaux avez-vous besoin? Voulez-vous des niveaux optimaux pour le modèle spécifié ou souhaitez-vous spécifier les niveaux vous-même?
J'utiliserais le type de facteur continu en général et je laisserais JMP déterminer les niveaux optimaux pour estimer les paramètres du modèle. J'utiliserais le type de facteur numérique discret si je dois spécifier les niveaux de facteur et modéliser un facteur continu. Le type de facteur catégoriel est également possible, mais d'après votre brève description, il ne semble pas être un bon choix.
Je ne comprends pas votre sens du terme "symbolisé", donc je peux me tromper sur ce que vous voulez faire. Donc, le niveau de facteur n'est que la puissance de la fonction exponentielle réciproque? Je suggère que vous utilisiez une fonction p pour le modèle de régression linéaire si le facteur va changer de façon exponentielle.
Re: DOE - Quel est le type de modélisation du facteur symbolisé?Je vais ajouter une question à celles apportées par @markbailey :
1. Du point de vue de la communication et de l'interprétation des résultats, les valeurs transformées créeront-elles de la confusion ou de l'eau boueuse par rapport à l'utilisation pratique du modèle pour la prise de décision ou la compréhension explicative? Beaucoup, sinon toutes les visualisations de JMP utiliseront les valeurs contenues dans le tableau de données brutes qui ont été utilisées pour la modélisation en tant que valeurs des axes x et y et si ces valeurs ne sont pas significatives ou masquent votre message, alors vous voudrez peut-être réfléchir à la façon dont vous créer ces visualisations et les partager avec d'autres. Je peux penser à des solutions de contournement, mais celles-ci sont contextuellement dépendantes et difficiles à généraliser.
je suis d'accord avec @markbailey d'après ce que vous avez partagé jusqu'à présent, je pense que continuer à traiter les valeurs transformées comme continues devrait être l'endroit où vous commencez votre analyse.
