Ajuste DSD - etapa 1 vs cálculo de error estándar combinadoEn la captura de pantalla a continuación, el análisis de la etapa 1 muestra ~ 1.4 Error estándar para los efectos principales en la etapa 1.
El modelo combinado muestra ~ 2.4 Error estándar para los efectos principales.
Hacer modelo con solo resultados de efectos principales en ~ 2.8 SE.
¿Por qué la Etapa 1 tiene un error estándar más bajo para los efectos principales que la regresión con solo los efectos principales?
En este ejemplo, configuré el Ratio de la Etapa 2 en alto (5) para eliminar la mayoría de los efectos de segundo orden.
Gracias de antemano por cualquier explicación.
GAMARe: Fit DSD - etapa 1 vs cálculo de error estándar combinadoSupongo que ya ha leído la documentación sobre el Ajuste de detección definitiva procedimiento. El ejemplo proporcionado muestra las mismas diferencias en el error estándar de las estimaciones que su ejemplo.
La naturaleza secuencial del proceso de identificación o selección (es decir, las etapas 1 y 2) y la presencia de "factores falsos" es diferente de los métodos basados en la regresión del modelo completo. Ese modelo está supersaturado y conduce a una matriz modelo que es singular.
Re: Fit DSD - etapa 1 vs cálculo de error estándar combinadoGracias por responder a Mark.
Después de volver a leer la descripción del proceso de adaptación, es posible que tenga una pista. La primera etapa no agrupa factores inactivos, la segunda etapa lo hace. ¿Es esto correcto?
Adjunto encontrará otro ejemplo más simple que compara el modelo Fit DSD con Make con un efecto principal cuestionable de X7.
El cuadro de respuesta no permitía pegar imágenes.
