Équilibre, orthogonalité et amorçage fractionnéSalut,
Pour utiliser l'approche Bootstrap pondérée fractionnaire (la méthode est décrite dans le fichier joint et ici ) Je dois utiliser l'option Freq du menu Fit Model.
Cependant, Freq fonctionne comme suit, " Supposons qu'une ligne ait une fréquence f. Les résultats calculés sont alors identiques à ceux d'un tableau de données contenant f copies de cette ligne, chacune ayant une fréquence de un. "
Ma question est la suivante: l'ajout de copies d'une ligne dans un contexte DoE ne rompt-il pas l'équilibre et l'orthogonalité du DoE?
BICHERe: équilibre, orthogonalité et amorçage fractionnéEn supposant que la conception était équilibrée et orthogonale, de tels changements introduiront un déséquilibre et une perte d'orthogonalité.
Re: équilibre, orthogonalité et amorçage fractionné @markbailey C'est ce que je comprends aussi, et c'est pourquoi le bootstrapping ou le CV n'est pas un choix dans le contexte DoE cependant, la méthode de boostrap Fractional Weighted prétend qui convient pour DoE donc, qu'est-ce qui me manque?
Re: équilibre, orthogonalité et amorçage fractionnéQuelle est la particularité du «contexte DOE» en ce qui concerne la conception orthogonale? Pourquoi pensez-vous que le dessin doit être orthogonal?
Re: équilibre, orthogonalité et amorçage fractionnéÉtant donné qu'un plan orthogonal produit des facteurs indépendants, je m'attends à estimer l'effet des «effets principaux» et leurs interactions dans la réponse sans avoir de problèmes de confusion. N'est-ce pas un énorme avantage pour utiliser DoE?
Re: équilibre, orthogonalité et amorçage fractionnéChaque conception représente des compromis. Certains compromis sont faciles, certains sont difficiles. L'avantage d'une conception équilibrée et orthogonale est qu'elle minimise la variance des estimations des paramètres du modèle, mais l'équilibre peut avoir un coût élevé en termes de taille de la conception ou de contraintes sur le modèle et d'autres choses. La confusion est une condition extrême qui signifie que deux effets sont indissociables; leurs estimations ont une variance infinie. Entre orthogonal et confondu est corrélé. Vous pouvez toujours estimer les paramètres qui sont corrélés, mais avec une variance plus élevée. Compromis: vous devez subir une certaine corrélation dans les estimations si vous souhaitez utiliser la technique de sélection de modèle que vous avez citée.
