VorhersageformelgleichungSehr geehrte und respektierte alle, bitte helfen Sie bei der Lösung dieses Problems beim Erhalten der endgültigen Vorhersagegleichung nach der Anwendung von RSM auf Daten. Ich habe mehrere Artikel gelesen, in denen tatsächliche Gleichungen in unterschiedlichen Begriffen mit Konstanten und Achsenabschnitten zitiert wurden (Bild im Anhang), während die von JMP angegebenen nur numerische Werte haben (Bild im Anhang).
Betreff: VorhersageformelgleichungHallo @Afnanyasir ,
Bevor ich den Mischungsterm A*B und die quadratischen Terme A^2 und B^2 verzichte, empfehle ich die Verwendung der Fit Model-Plattform und das Testen des RSM-Modells, aber die Verwendung von GLM, GenReg oder Stepwise „Persönlichkeiten“. Sehen Sie, welche Terme in der Polynomentwicklung des RSM im Modell wirklich unbedeutend sind. Probieren Sie andere Methoden aus, um die Daten anzupassen, und sehen Sie, was sie liefern. Wenn sie alle ähnliche Ergebnisse liefern und die A*B- und quadratischen Terme unbedeutend sind, lassen Sie sie im endgültigen Modell weg. Wenn die Daten über ein RSM-DOE erfasst wurden, müssen sie nicht über dieselbe Plattform analysiert werden. Sie können es auch auf andere Weise analysieren.
Hoffe das hilft,
DS
Betreff: VorhersageformelgleichungVielen Dank für eine ausführliche Antwort. Wie ich bereits sagte, erklärt das Datenregressionsdiagramm die Daten auf lineare Weise. Auch quadratische Modelle und andere Polynommodelle werden in Parameterschätzungen als nicht signifikant bezeichnet. nur der individuelle A-Faktor und der individuelle B-Faktor werden als signifikant bezeichnet. Meine Frage ist: Muss ich die nicht signifikanten Terme wie AxB oder A2B2 in mein RSM-Modell einbeziehen, um die endgültige Gleichung zu erhalten? Oder füge ich nur die signifikanten hinzu, die einzelne A- und B-Faktoren sind?
Betreff: VorhersageformelgleichungMuss ich also die nichtsignifikanten Parameterschätzungen in RSM hinzufügen, um die endgültige Gleichung zu erhalten? Oder muss ich sie einfach überspringen? weil sich die endgültige Gleichung ändert, wenn ich die nicht signifikanten Parameter einbeziehe oder ausschließe. Danke
Betreff: VorhersageformelgleichungEntschuldigen Sie meine Unwissenheit, aber einige Ihrer Informationen sind widersprüchlich. Sie sagen, Sie möchten die Daten aus Ihrem Datensatz mithilfe von RSM (vermutlich in der JMP-Modellkonstruktion integriert) analysieren ... dazu gehören Haupteffekte, Effekte 2. Ordnung (2-Faktor-Wechselwirkungen) und quadratische Effekte (z. B. A+B). +AB+A^2+B^2). Dieses Modell weist keine quadratischen Interaktionseffekte zu (z. B. A^2B, AB^2, A^2B^2), da davon ausgegangen wird, dass es sich dabei um Fehlerschätzungen handelt (darauf werde ich hier nicht näher eingehen). In Ihrer letzten Antwort schlagen Sie vor, dass das Modell nur linear ist? Sie erwähnen auch „Mischung“. Handelt es sich also um ein Mischdesign? RSM entspricht nicht der Art und Weise, wie man normalerweise einen Mischungsentwurf analysieren würde (mit den damit verbundenen Einschränkungen).
Es gibt ein paar Gedanken:
1. Beginnen Sie mit einem gesättigten Modell (weisen Sie alle Freiheitsgrade zu). Vereinfachen Sie das Modell, indem Sie unbedeutende Terme entfernen (verwenden Sie wissenschaftliche Theorie, RSquare- und RSquare Adj-Werte und das Delta zwischen diesen, Standardfehler und Normaldiagramme, um die Auswahl der signifikanten Faktoren zu erleichtern). Führen Sie das vereinfachte Modell erneut aus, um Residuen zur Bewertung der Modellannahmen zu erhalten. Wenn die quadratischen Terme unbedeutend sind, entfernen Sie sie aus dem Modell.
2. Wenn Sie wirklich an einem Punkt angelangt sind, an dem Sie optimieren, um die beste Vorhersagegleichung zu entwickeln, ist die Signifikanz nicht das Hauptanliegen. Dies sollte bereits festgelegt sein und Sie füllen jetzt nur noch den Raum des optimalen Designbereichs aus.
Betreff: VorhersageformelgleichungHallo @Afnanyasir ,
Wenn Sie über Vorkenntnisse zu einem Modell verfügen, verwenden Sie einfach diese funktionale Form.
Wenn beispielsweise in der Physik ein Objekt aus der Höhe „h“ mit einer bestimmten Anfangsgeschwindigkeit (v0) fällt, dann beträgt die vertikale Position des Objekts (als Funktion der Zeit) (g ist die Gravitationskonstante):
y(t) = h + v0*t + (1/2)gt^2
Wenn das Experiment, das Sie durchführen, fallende Objekte beinhaltet, würden Sie diese Gleichung und keine andere verwenden, es handelt sich also nicht um eine empirische Formel, sondern um eine Formel nach dem Prinzip der ersten Prinzipien. Wenn Sie eine Grundformel aus der Physik oder Chemie haben, verwenden Sie sie.
Aber basierend auf dem, was Sie sagen, hört es sich so an, als hätten Sie aus früheren Arbeiten einen Hinweis darauf, dass es sich um ein lineares Modell handelt, das auf der Alkalidosierung und der Temperatur basiert, und wollten nur prüfen, ob es Kreuzterme oder Terme höherer Ordnung gibt. Indem Sie es durch ein RSM laufen lassen, können Sie einen guten Hinweis darauf erhalten, welche Faktoren wichtig sein könnten und welche nicht. Bei dem p-Wert, auf den Sie verweisen, geht es jedoch eher um den Parameterschätzwert und darum, ob er innerhalb des 95 %-Konfidenzintervalls liegt oder nicht. Das bedeutet also lediglich, dass die Parameterschätzung nicht sehr gut ist.
Wenn Sie wissen möchten, ob ein Begriff wie A*B oder A^2 oder B^2 in einem Modell enthalten sein sollte, empfehle ich, ihn schrittweise oder über die GenReg-Persönlichkeiten in der Fit Model-Plattform auszuführen. Sie könnten auch eine PLS- oder GLM-Persönlichkeit ausprobieren und sehen, was Sie dort finden.
Beispielsweise können Sie mit den Big Class.jmp-Beispieldaten einen RSM zum Alter ausführen und dabei Größe und Gewicht als „A“ und „B“ verwenden. Wenn Sie dies tun, erfahren Sie im Effektzusammenfassungsdiagramm, welche Faktoren (und Kombinationen) relevant sind, wenn ihr P-Wert << Alpha ist. Dies sind die p-Werte, die Sie betrachten möchten.
Für Ihre Arbeit klingt es so, als ob Ihre Antwort lautet: Der SCOD-Anstieg hängt einfach linear von der Temperatur und der Alkalidosis ab. Was auch immer das einfachste Modell ist und eines, das Sie überprüfen können, dann entscheiden Sie sich auf jeden Fall dafür.
Als letzter Ratschlag: Wenn Sie über einen kleinen Datensatz verfügen, sollten Sie die Validierung des Modells in Betracht ziehen. Schauen Sie sich das JMP-Add-in für die automatische Validierung an und sehen Sie, ob Ihnen das helfen kann.
Hoffe das hilft!,
DS
Betreff: VorhersageformelgleichungHallo @SDF1 Herr/Frau. Vielen Dank für Ihre ausführliche Antwort. Ja, mit RSM meine ich das Antwortoberflächenmodell und ich hatte Vorkenntnisse über das Modell, das ich gemäß meinen Daten verwenden wollte. Zur Gegenprüfung ließ mein Vorgesetzter dieselben Daten durch eine andere Software laufen, die bestätigte, dass sich die Daten linear verhielten (zunehmend) und auch das Regressionsdiagramm in JMP die Daten linear erklärte. Wenn ich alle meine Terme einbeziehe oder unabhängige Variablen und ihre Mischung sage, wird die Gleichung komplizierter (Bild im Anhang) und wird als nicht signifikant aufgeführt. Daher habe ich sie im Grunde genommen nicht in die Ausführung von RSM einbezogen, da sie als nicht signifikant beschrieben wurden. Die Faktoren A und B sind signifikant, während A*B, A2 und B2 als nicht signifikant bezeichnet werden (Bild im Anhang). Muss ich also auch die nicht signifikanten Terme ausführen, um eine vollständige Formel zu erhalten? Und wenn ich alle Terme addiere, wie drücke ich dann die endgültige Gleichung aus (Bild im Anhang)?
Betreff: VorhersageformelgleichungHallo @Afnanyasir ,
Nur um sicherzugehen: Wenn Sie sagen, dass Sie RSM auf die Daten angewendet haben, meinen Sie dann ein Antwortoberflächenmodell? Wissen Sie vor der Anwendung dieses spezifischen Modells a priori, dass dies das richtige zu verwendende Modell ist, vielleicht aufgrund einer physikalischen oder chemischen Gleichung, die bekanntermaßen die spezifische Art von Verhalten modelliert? Wenn nicht, was ist der Grund für die Wahl dieses bestimmten Modells? Wenn es nicht auf einem physikalischen/chemischen Modell basiert, empfehle ich die Analyse mit GenReg, was Sie tun können, da Sie über JMP Pro verfügen.
Das von Ihnen gezeigte Modell sieht nicht wie ein vollständiges RSM aus, da Ihr Modell, wie Sie in der Gleichung unten zeigen, nicht über den Mischungsterm A*B verfügt und einer der quadratischen Terme fehlt. Ansonsten ist deine Gleichung vollkommen in Ordnung. Sie haben den Achsenabschnitt, die erste Zahl, die Steigung für die Abhängigkeit von der Alkalidosis, die Steigung für die Abhängigkeit von der Temperatur und die Steigung für die Abhängigkeit von Temp^2. Sind die anderen Begriffe herausgefallen, weil sie nicht zum Modell beigetragen haben?
Sie können die anderen Begriffe jederzeit manuell eingeben, um den vollständigen RSM zu erhalten und das Modell erneut auszuführen. Hinweis zur Vorsicht: Achten Sie darauf, wie viele Begriffe Sie in Ihr Modell aufnehmen, damit Sie nicht zu sehr anpassen. Ihr aktuelles Modell enthält drei Begriffe. Sie benötigen also mindestens vier Zeilen in Ihrer Datentabelle, um sicherzustellen, dass Sie über mindestens einen Freiheitsgrad verfügen. Wenn Sie versuchen, ein Ergebnis vorherzusagen, sollten Sie es anhand einiger Daten testen, die nicht zur Anpassung an das Modell verwendet wurden, oder zumindest einige Überprüfungsläufe durchführen, um sicherzustellen, dass Ihr Modell korrekt ist. Wenn Ihre Datentabelle über genügend Zeilen verfügt (vielleicht >100 oder so), können Sie möglicherweise eine Kreuzvalidierung durchführen und ein am besten geeignetes empirisches Modell finden.
Hoffe das hilft,
DS
