Quels modèles de sortie regarder? (Moindres carrés standard)Je prépare une rencontre client et je me demande si quelqu'un a déjà fait ça dans le passé ...
Ils aimeraient savoir quelles sorties regarder dans la sortie Ajuster les moindres carrés lors de l'analyse d'une expérience.Quelqu'un a-t-il déjà quelque chose avec des captures d'écran et une brève description de ce qu'il faut rechercher?
Merci d'avance.
Re: Quels modèles de sortie regarder? (Moindres carrés standard)Je n'ai rien de rassemblé, mais j'insiste sur ce qui suit (je choisis également le dépistage de la personnalité pour une présentation d'analyse du DOE):
- Regardez le réel par tracé prédit. Y a-t-il des groupes de points de données hors de la ligne rouge? Ceux-ci sont mal ajustés par le modèle, sélectionnez-les et examinez-les dans le générateur de graphiques. Les données sont-elles toutes sur la ligne bleue? Tout ce que votre modèle explique, c'est la moyenne. Les points se trouvent-ils sur la ligne rouge en haut et en bas? Sinon, votre modèle prédit mal où les points quittent la ligne. Souvent, les modèles ne fonctionnent pas bien sur toute la plage de données et l'utilisateur doit se demander si cela est important. Par exemple, se soucient-ils que le modèle fonctionne mal pour des mesures hors spécifications par rapport aux spécifications?
- Signification générale - ne jetez pas le bébé avec l'approche de l'eau du bain si c'est p = .1, etc. vous avez toujours le signal d'un DOE, mais procédez avec prudence. Surtout si vous avez dépensé beaucoup d'argent. Vous pouvez également partitionner les résultats pour comprendre un DOE non significatif.
- R-carré et r-carré ajusté = vous les voulez hauts et ensemble (max = 1, min = 0). Si le r-sq ajusté est proche de 0 ou négatif et éloigné du R-carré, votre modèle est trop complexe pour le nombre de passages et vous devez retirer quelque chose de votre modèle. R-Square = C'est la variation expliquée de votre variable Y par le modèle. R-carré bas signifie que vos facteurs et paramètres de facteur n'ont pas un impact élevé sur le résultat, ou il y a beaucoup de bruit sur le signal (ont-ils répliqué des analyses pour vérifier leur système)? De plus, quelques pistes n'ont pas beaucoup de puissance s'il y a beaucoup de bruit. Je n'aime pas que le résumé de l'ajustement n'apparaisse pas dans le dépistage, alors activez-le ou utilisez la personnalité de rapport minimal et activez quelques autres choses. Le R-carré ajusté est très courant dans le DOE pour descendre bien en dessous du R-carré avec des résultats marginaux et les gens sont SÛR de pouvoir tester chaque interaction avec des courses minimales.
- Manque d'ajustement - si cela est activé, ajoutez-en plus à votre modèle. Vous pouvez le montrer très facilement avec les données de pop-corn - les effets principaux ne font que l'activer. Les détails à ce sujet comptent rarement pour les clients, c'est simplement un signe que vous devez ajouter des interactions ou des polynômes d'ordre supérieur au modèle, d'où il manque / manque quelque chose. J'ai vu cela informer les gens d'ajouter des effets tertiaires avec des gaz, etc. Quelque chose qu'ils ne cherchaient même pas mais qui avait du sens.
- Regardez le tracé résiduel. Si cela semble étrange (sourires, sourcils froncés, cônes, examinez les données dans le générateur de graphiques. Peut-être corrigé par transformation en Y. Vous pouvez mentionner box-cox mais c'est dans les mauvaises herbes.
- Estimations à l'échelle (dans cet ordre!) - Leur faire comprendre l'image est plus facile à faire les 2 tableaux suivants - c'est SI utile - trier par l'estimation mise à l'échelle et c'est le Pareto des effets de haut en bas dans la DIRECTION de la variable Y! Demandez-leur de se concentrer sur les barres grises au milieu. Taille de l'écran 3 Augmente dissolution, tandis que la taille de l'écran 5 Diminue dissolution, etc. Ensuite, s'ils veulent plus de détails, les 2 sections suivantes, mais vous pouvez maintenant les garder brèves car ils ont une idée de ce qui se passe pour les résultats, ce qui leur importe vraiment. Le test statistique ici est identique au tableau des estimations des paramètres.
- Estimations des paramètres (après effets mis à l'échelle) - les coefficients du modèle qu'ils ont construit. Je leur montre l'expression de prédiction avec ceci. Ce test t vérifie s'il chevauche 0 (zéro).
- Test d'effet - chaque facteur était-il significatif? Le test d'effet est le même qu'une estimation de paramètre dans certains cas (variables continues), mais il teste à travers les niveaux pour les données nominales / ordinales. La manière dont les niveaux nominaux sont codés n'est pas indiquée. Vous pouvez l'ajuster avec la propriété de colonne d'ordre des valeurs (la dernière est laissée de côté).Plus facile à interpréter également lorsque vous avez une interaction de variable catégorielle avec une interaction continue (taille de l'écran x temps de millier par exemple), la façon dont celles-ci sont écrites dans les estimations de paramètres est une différence implicite entre l'une des catégories, donc l'une est laissée de côté.
- Alors le profileur! Je commence généralement par évaluer l'importance variable, et je ne vois pas de gens faire cela. Cela aide votre présentation parce que les choses sont maintenant dans le bon ordre d'importantes à sans importance, et les choses sans importance sont loin de l'axe Y. Vous pouvez également le colorier et il met en valeur ce que vous venez de traverser. Regardez à quel point la taille de l'écran est importante! - pas besoin d'aller au fond ici, c'est un outil visuel. Puis optimisation et simulation.
- Une note pour faire des tests statistiques parmi les niveaux nominaux (comme la taille de l'écran) - utilisez les graphiques d'effet de levier car tous les outils sont là.
Re: Quels modèles de sortie regarder? (Moindres carrés standard)Merci pour l'excellente discussion, Laura.
J'ai créé des diapositives que d'autres peuvent commenter / modifier / réutiliser.
Re: Quels modèles de sortie regarder? (Moindres carrés standard)C'est vraiment sympa, @wendytseng . En fait, cette semaine, un client a demandé exactement la même chose.
Je ne pense pas que quelque chose de semblable existe ailleurs dans nos ressources. Il serait peut-être bon de le partager plus largement, par exemple dans un Câble JMPer Publier.
Merci,
Phil
Re: Quels modèles de sortie regarder? (Moindres carrés standard)Bien dit, @phil_kay ! Je suis d'accord. Le contenu de votre PowerPoint fera un joli article de blog, @wendytseng !
Re: Quels modèles de sortie regarder? (Moindres carrés standard)Je sais que cela devient compliqué, mais j'ajouterais également sur la diapositive Manque d'ajustement que vous avez besoin de répliques pures ET d'un niveau supplémentaire de facteurs. Je pourrais reproduire entièrement une conception factorielle complète, mais si j'adapte le modèle complet, je n'obtiendrai pas le test de manque d'ajustement.
Re: Quels modèles de sortie regarder? (Moindres carrés standard)@phil_kay et @Jeff_Perkinson ,
@Jason_Wiggins et je vais travailler à mettre quelque chose ensemble.Si cela est utile, nous pouvons le partager et obtenir des commentaires lors d'une prochaine réunion SE (pensées @chuck_boiler et @MaryLoveless ?).
Nous envisageons de diviser les sorties en 2 classes:
- Vérifications de l'état "Mon modèle est-il suffisamment sain"?
- Interprétation «Quelles déclarations puis-je faire? Quelles actions puis-je entreprendre? "
Avec ces 2 classes de sorties, les mettre dans un cadre "menu".Choisissez le repas que vous voulez en fonction du temps dont vous disposez / des implications de vos décisions, de la complexité des données et de votre «tempérament» (certains ingénieurs et scientifiques adorent entrer dans les mauvaises herbes et d'autres non):
- Happy Meal (plus petit ensemble de sorties): juste le strict minimum
- Cheeseburger Combo (moyen): un bon équilibre
- Big Mac Combo (grand ou ... "Super Sized"): Toutes les sorties clés en supposant que vous ayez besoin d'y aller vu les résultats et / ou avoir le tempérament
Pour être clair, je ne dis pas que l'utilisation de notre logiciel équivaut à manger des aliments transformés.
Re: Quels modèles de sortie regarder? (Moindres carrés standard)Ça pourrait aussi être un blog sympa!:)
Re: Quels modèles de sortie regarder? (Moindres carrés standard)Excellente idée, Chuck!Merci d'être l'un de mes rédacteurs!
Voici le post au cas où d'autres seraient intéressés.Il y a 5 parties et c'est la partie 1:
https://community.jmp.com/t5/JMP-Blog/An-analyst-s-new-year-s-resolution-Use-models-to-solve-more/ba-p/346098
Le dernier sera publié la semaine prochaine le 11 février.
Re: Quels modèles de sortie regarder? (Moindres carrés standard)Wendy
J'ai deux commentaires.
1. Interprétation des estimations échelonnées.
Vous dites que Par exemple: "La solution saline augmente l'abrasion 29,2 * 2 = 58,4 unités lorsqu'elle passe de faible (33,67) à élevée (66,33)"
Je vous suggère d'ajouter " et les autres variables (c.-à-d. silice et soufre) sont maintenues constantes à leur moyenne "à la phrase ci-dessus.
2. Profileurs de prédiction
En plus de ce que vous avez énuméré sur les profileurs, j'envisage de visualiser les estimations et d'optimiser une autre fonctionnalité importante. Pour ce RSM, je peux demander à JMP de calculer l'abrasion prévue à différentes valeurs des variables d'entrée. Par exemple, le changement d'abrasion dû à la solution saline est de 58,3986 (= 159,1262 -100,7276) lorsqu'il est augmenté de la valeur minimale à la valeur maximale.(La même valeur que vous avez calculée à partir du rapport Estimations échelonnées.)
