Me estoy preparando para una reunión con un cliente y me pregunto si alguien ya ha hecho esto en el pasado ...
Les gustaría saber qué salidas buscar en la salida Ajustar mínimos cuadrados al analizar un experimento.¿Alguien ya tiene algo junto con capturas de pantalla y una breve descripción de qué buscar?
Gracias por adelantado.
No tengo nada armado, pero hago hincapié en lo siguiente (también elijo Screening de personalidad para una presentación de análisis DOE):
- Mira la trama real por predicha. ¿Hay grupos de puntos de datos fuera de la línea roja? Estos no se ajustan correctamente al modelo, selecciónelos e investigue en el generador de gráficos. ¿Están todos los datos en la línea azul? Todo lo que explica tu modelo es la media. ¿Los puntos se encuentran en la línea roja en la parte superior e inferior? Si no es así, su modelo predice mal dónde los puntos salen de la línea. Con frecuencia, los modelos no funcionan bien en todo el rango de datos y el usuario debe pensar si esto es importante. Por ejemplo, ¿les importa que el modelo funcione mal para medidas fuera de especificación en comparación con las medidas dentro de las especificaciones?
- Importancia general: no arroje al bebé con el método del agua de la bañera si es p = .1, etc., todavía tiene la señal de un DOE, pero proceda con precaución. Especialmente si gastaste mucho dinero. También puede dividir los resultados para comprender un DOE no significativo.
- R-cuadrado y r-cuadrado ajustado = los quieres altos y juntos (max = 1, min = 0). Si el r-cuadrado ajustado es cercano a 0 o negativo y está lejos de R-cuadrado, su modelo es demasiado complejo para el número de corridas y necesita sacar algo de su modelo. R-Cuadrado = Esta es la cantidad de variación que el modelo explica sobre su variable Y. Un cuadrado r bajo significa que sus factores y la configuración de los factores no tienen un gran impacto en el resultado, o hay mucho ruido en la señal (¿replicaron ejecuciones para verificar su sistema)? Además, unas pocas carreras no tienen mucha potencia si hay mucho ruido. No me gusta que el Resumen de ajuste no aparezca en Screening, así que actívelo o use la personalidad de Informe mínimo y active algunas otras cosas. El cuadrado R ajustado es muy común en DOE para caer muy por debajo del cuadrado R con resultados marginales y las personas están SEGURAS de que pueden probar cada interacción con ejecuciones mínimas.
- Falta de ajuste: si está activado, agregue más a su modelo. Puede mostrar esto con los datos de las palomitas de maíz muy fácilmente: los efectos principales solo lo encienden. Los detalles sobre esto rara vez son importantes para los clientes, es simplemente una señal de que necesita agregar interacciones o polinomios de orden superior al modelo, por lo tanto, algo falta / falta. He visto esto informar a la gente para que agreguen efectos terciarios con gases, etc. Algo que ni siquiera estaban buscando pero que tenía sentido.
- Mira la parcela residual. Si se ve extraño (sonríe, frunce el ceño, conos, investiga los datos en el generador de gráficos. Quizás arreglado por la transformación Y. Puedes mencionar box-cox pero eso está entre las malas hierbas.
- Estimaciones escaladas (¡en este orden!) - Hacer que comprendan la imagen es más fácil de hacer las siguientes 2 tablas - esto es MUY útil - ordene por la estimación escalada y es el Pareto de los efectos hacia arriba y hacia abajo en la DIRECCIÓN de la variable Y! Haz que se concentren en las barras grises del medio. Tamaño de pantalla 3 Aumenta disolución, mientras que el tamaño de la pantalla 5 Disminuye disolución, etc. Entonces, si quieren más detalles, las próximas 2 secciones, pero ahora puede ser breve porque tienen una idea de lo que está sucediendo con los resultados, que es realmente lo que les importa. La prueba estadística aquí es la misma que la tabla Estimaciones de parámetros.
- Estimaciones de parámetros (después de efectos escalados): los coeficientes en el modelo que construyeron. Les muestro la expresión de predicción con esto. Esa prueba t verifica si se superpone con 0 (cero).
- Prueba de efecto: ¿fue significativo cada factor? La prueba de efecto es la misma que una estimación de parámetro en algunos casos (variables continuas) pero está probando a través de niveles para datos nominales / ordinales. No se informa la forma en que se codifican los niveles nominales uno. Puede ajustar esto con la propiedad de la columna de orden de valor (la última se deja fuera).También es más fácil de interpretar cuando tiene una interacción de variable categórica con una continua (tamaño de pantalla x tiempo de molienda, por ejemplo). La forma en que se escriben en las estimaciones de los parámetros es una diferencia implícita entre una de las categorías, por lo que una se deja fuera.
- ¡Entonces el perfilador! Por lo general, empiezo por evaluar la importancia de las variables, y no veo que la gente lo haga. Ayuda a su presentación porque las cosas ahora están en el orden correcto de importantes a no importantes, y las cosas sin importancia están lejos del eje Y. También puede colorearlo y enfatiza lo que acaba de pasar "¡mira lo importante que es el tamaño de la pantalla! - No es necesario profundizar aquí, es una herramienta visual. Luego optimización y simulación.
- Una nota para hacer pruebas estadísticas entre niveles nominales (como el tamaño de la pantalla): use los gráficos de apalancamiento ya que todas las herramientas están ahí.
Gracias por la gran discusión, Laura.
He creado algunas diapositivas que otros pueden comentar, editar o reutilizar.
Wendy
Tengo dos comentarios.
1. Interpretación de las estimaciones escaladas.
Dices que Por ejemplo: "La solución salina aumenta la abrasión 29,2 * 2 = 58,4 unidades cuando se aumenta de baja (33,67) a alta (66,33)"
Sugiero que agregue " y las otras variables (es decir, sílice y azufre) se mantienen constantes en su media "a la oración anterior.
2. Perfiladores de predicciones
Además de lo que ha enumerado sobre los perfiladores, considero visualizar las estimaciones y optimizar otra característica importante. Para este RSM, puedo hacer que JMP calcule la abrasión pronosticada en diferentes valores de las variables de entrada. Por ejemplo, el cambio en la abrasión debida a la solución salina es 58,3986 (= 159,1262 -100,7276) cuando se incrementa del valor mínimo al valor máximo.(El mismo valor que calculó a partir del informe Estimaciones escaladas).
Bien dicho, @phil_kay ! Estoy de acuerdo. El contenido de su PowerPoint será una buena publicación de blog, @wendytseng !
Sé que se pone complicado, pero también agregaría en la diapositiva de Falta de ajuste que necesita réplicas puras Y un nivel adicional de los factores. Podría replicar completamente un diseño factorial completo, pero si encajo el modelo completo no obtendré la prueba de falta de ajuste.
¡Gran idea, Chuck!¡Gracias por ser uno de mis editores!
Aquí está la publicación en caso de que otros estén interesados.Hay 5 partes y esta es la parte 1:
https://community.jmp.com/t5/JMP-Blog/An-analyst-s-new-year-s-resolution-Use-models-to-solve-more/ba-p/346098
El último se publicará la próxima semana el 11 de febrero.
