Equilibrio, ortogonalità e bootstraping frazionatoCiao,
Per utilizzare l'approccio Bootstrap ponderato frazionario (il metodo è descritto nel file allegato e Qui ) Devo utilizzare l'opzione Freq nel menu Modello adattato.
Tuttavia, Freq funziona come segue, " Supponiamo che una riga abbia una frequenza f. Quindi i risultati calcolati sono identici a quelli per una tabella di dati contenente f copie di quella riga, ciascuna con una frequenza di una. ”
La mia domanda è: aggiungendo copie di una riga in un contesto DoE non si rompe l'equilibrio e l'ortogonalità del DoE?
DOERi: Equilibrio, ortogonalità e Bootstrapping a peso parzialeSupponendo che il design fosse equilibrato e ortogonale, tali cambiamenti introdurranno uno squilibrio e una perdita di ortogonalità.
Ri: Equilibrio, ortogonalità e Bootstrapping a peso parziale @markbailey Questo è quello che capisco anche io, ed è per questo che il bootstrap o CV non è una scelta nel contesto DoE, tuttavia il metodo boostrap a peso ponderato afferma che è adatto a DoE, quindi cosa mi sto perdendo?
Ri: Equilibrio, ortogonalità e Bootstrapping a peso parzialeCosa rende unico il "contesto DOE" per quanto riguarda la progettazione ortogonale? Perché pensi che il design debba essere ortogonale?
Ri: Equilibrio, ortogonalità e Bootstrapping a peso parzialeDato che un disegno ortogonale determina fattori indipendenti, quindi mi aspetto di stimare l'effetto degli "effetti principali" e le loro interazioni nella risposta senza avere problemi di confusione. Non è questo un vantaggio enorme per l'utilizzo di DoE?
Ri: Equilibrio, ortogonalità e Bootstrapping a peso parzialeOgni design rappresenta un compromesso. Alcuni compromessi sono facili, alcuni sono difficili. Il vantaggio di un design bilanciato e ortogonale è che riduce al minimo la varianza delle stime dei parametri del modello, ma l'equilibrio può avere un costo elevato in termini di dimensioni del progetto o vincoli sul modello e altre cose. La confusione è una condizione estrema che significa che due effetti sono inseparabili; le loro stime hanno una varianza infinita. Tra ortogonale e confuso è correlata. È ancora possibile stimare i parametri correlati, sebbene con una varianza più elevata. Trade-off: è necessario sopportare una certa correlazione nelle stime se si desidera utilizzare la tecnica di selezione del modello citata.
