Balance, ortogonalidad y Bootstrapping ponderado fraccionalmenteHola,
Para utilizar el enfoque de Bootstrap ponderado fraccional (el método se describe en el archivo adjunto y aquí ) Necesito usar la opción Freq en el menú Fit Model.
Sin embargo, Freq funciona de la siguiente manera: " Suponga que una fila tiene una frecuencia f. Luego, los resultados calculados son idénticos a los de una tabla de datos que contiene f copias de esa fila, cada uno con una frecuencia de uno. "
Mi pregunta es, al agregar copias de una fila en un contexto DoE, ¿no rompe el equilibrio y la ortogonalidad del DoE?
GAMARe: Balance, Ortogonalidad y Bootstrapping ponderado fraccionalmenteSuponiendo que el diseño fuera equilibrado y ortogonal, dichos cambios introducirán un desequilibrio y una pérdida de ortogonalidad.
Re: Balance, Ortogonalidad y Bootstrapping ponderado fraccionalmente @markbailey Esto es lo que también entiendo, y es por eso que bootstrapping o CV no es una opción en el contexto de DoE, sin embargo, el método boostrap ponderado fraccional afirma que es adecuado para DoE, entonces, ¿qué me estoy perdiendo?
Re: Balance, Ortogonalidad y Bootstrapping ponderado fraccionalmente¿Qué tiene de especial el "contexto DOE" con respecto al diseño ortogonal? ¿Por qué crees que el diseño debe ser ortogonal?
Re: Balance, Ortogonalidad y Bootstrapping ponderado fraccionalmenteDado que un diseño ortogonal resulta en factores independientes, entonces espero estimar el efecto de los "efectos principales" y sus interacciones en la respuesta sin tener problemas de confusión. ¿No es esto un gran beneficio para usar DoE?
Re: Balance, Ortogonalidad y Bootstrapping ponderado fraccionalmenteCada diseño representa compensaciones. Algunas compensaciones son fáciles, otras son difíciles. El beneficio de un diseño equilibrado y ortogonal es que minimiza la varianza de las estimaciones de los parámetros del modelo, pero el equilibrio puede tener un alto costo en términos del tamaño del diseño o las limitaciones del modelo y otras cosas. La confusión es una condición extrema que significa que dos efectos son inseparables; sus estimaciones tienen varianza infinita. Entre ortogonal y confundido se correlaciona. Todavía puede estimar los parámetros que están correlacionados, aunque con una mayor varianza. Compensación: debe soportar cierta correlación en las estimaciones si desea utilizar la técnica de selección de modelo que citó.
