Queridos todos,
Al usar el mapa de colores en las correlaciones, me preguntaba si algún umbral de valor de correlación era comúnmente aceptado como un límite para no cruzar para estimar el efecto de un solo parámetro. 0.3? 0.2?
Gracias,
Hugo
@martindemel
En términos generales, las medidas de correlación son descriptivas, no inferenciales, estadísticas. Por lo tanto, no verá mucho en la literatura con respecto a un umbral de estadística de correlación para la estimación de parámetros. La estimación de parámetros está en su núcleo, una estadística inferencial, que requiere un enfoque metodológico estadístico diferente, como, entre otros, la regresión de mínimos cuadrados ordinarios.
Supongo que se está refiriendo a la trama que se proporciona en la parte del esquema de diagnóstico de diseño de una plataforma de diseño, como Diseño personalizado.
Yo diría que no hay un umbral teórico o práctico. No existe una 'regla general' para la correlación de las estimaciones. ¿Por qué?
Porque la correlación infla la varianza de sus estimaciones. Esta inflación puede expresarse de varias maneras, como el Factor de inflación de la varianza (VIF). Ese aumento reducirá el poder de sus pruebas de hipótesis para términos o parámetros individuales. Aumentará la duración de los intervalos de confianza para las mismas estimaciones. Todos estos cambios están generalmente en la dirección equivocada. Por lo tanto, debemos examinar las correlaciones como lo ha hecho para determinar si nuestro diseño es suficiente. Pero para evaluar las correlaciones se requiere cierta información sobre la varianza de respuesta con la que se está tratando. Si la variación de la respuesta es pequeña, puede tolerar un VIF más grande. Si de lo contrario es grande, puede tolerar solo un VIF más pequeño. (Entonces, la regla general que dice que "VIF <10" tampoco tiene sentido por la misma razón).
También depende de la naturaleza del experimento y la suerte. Por ejemplo, si se trata de un experimento de detección y, por suerte, su situación sigue los principios clave de detección, entonces no tendrá que estimar la mayoría de los parámetros. El diseño original ahora es mucho más grande en relación con los términos finales del modelo. La proyección del diseño en un modelo más pequeño cambiará la correlación para mejor. Entonces la correlación no es fatal.
Finalmente, asegúrese de usar una amplia gama de factores continuos. ¿Por qué? Producirá un efecto mayor en la respuesta, lo que aumentará la potencia y disminuirá la duración relativa de los intervalos de confianza. a pesar de la correlación .
Hola Mark y P-Bartell.
Muchas gracias por tu aporte.
