非常に高いRの正方形と、適合性の重大な欠如の問題こんにちは、
主効果、相互作用、2次の累乗を含むモデルを使用して、7つの因子のカスタム設計を作成しました。 サンプルサイズの数は150です。 3つの要因が重要であり、これら3つの変数のモデルになっていることがわかります。
しかし、フィットの問題と0.99 R ^ 2値の大幅な不足に直面しました。
私はこの状況の理由についてたくさん調べましたが、明確な答えを見つけることができませんでした。
あなたはそれについて考えがありますか、何がこの問題を引き起こしますか？
敬具。
分析DOEその他再：非常に高いRの正方形とフィットの問題の重大な欠如データとスクリプトを共有することは可能ですか？再：非常に高いRの正方形とフィットの問題の重大な欠如適合性の欠如テストでは、「モデルが適合しない」からの分散を複製されたポイントの分散と比較します（純粋なエラー）。 重要な結果は、「モデルが適合しない」分散が純粋な誤差よりも大きいことを意味します。 最も可能性の高い原因は、使用しているモデルフォームがデータに適していないことです。
この写真を考えてみましょう：
RSquare値は高いですが、直線が関係を表していないため、適合性が大幅に不足しています。 高いRSquare自体は、優れたモデルを持っていることを意味するわけではないことを忘れないでください。 RSquareが高いということは、応答の分散の多くを説明したが、それでも適切なモデルがない可能性があることを意味します。良いモデルがあるかどうかを判断するには、モデルの有意性、残差分析などの他の項目を考慮する必要があります。
したがって、モデルの残差をプロットして、パターンがあるかどうかを確認することをお勧めします。 パターンは、現在のモデルフォームのどこが悪いのかを示します。 また、残差が正規分布に従うことを確認してください。これは、適合性の欠如につながる可能性もあります。
最後に、モデル形式が正しくないのではなく、複製されたポイントの分散が非常に小さい場合、適合テストが大幅に不足する可能性があります。 これはそれほど頻繁には起こりませんが、私はそれが起こるのを見てきました。 このような状況では、なぜ、またはどのようにしてこのような低い分散を達成したのかを判断する必要があります。 それはいくつかの良い洞察を提供することができます。
再：非常に高いRの正方形とフィットの問題の重大な欠如ダンありがとうございます、
私はあなたが述べたすべての問題に正確に直面しています。
エラー用語での正規性の問題、私は私のエラー用語にいくつかの傾向があると思います（異なる意見がある場合は私と共有してください）そして非常に小さな純粋なエラーの変動。
実験を再設計し、因子の3次項を含めると、この問題は解決しますか？
（ちなみに、従属変数はモデルに含まれていない他の要因に依存していることは知っていますが、DOEを作成して実験を実行するときにそれらを一定に設定します。 これはこの問題を引き起こさないと思いますよね？）
再：非常に高いRの正方形とフィットの問題の重大な欠如私はすべてに同意します@Dan_Obermiller貢献しました。 残差プロットから、適合性の欠如の根本的な原因は、合計応答分散と比較して比較的小さい複製応答分散であるように見えます。
ここにあなたが考慮すべき別の考えがあります...実験/研究の目的は何ですか？ 因子空間全体の予測である場合、実用的な観点から、実験空間全体の予測誤差の大きさはどの程度影響しますか？ それが実際的な違いをほとんどもたらさないのであれば、率直に言って、私はあなたがLOFを持っていることをそれほど気にすることはできませんでした。
再：非常に高いRの正方形とフィットの問題の重大な欠如LOFの正確な理由は、純粋なエラー値にも見られるように、レプリケートの分散が非常に小さいことです。
この研究の目的は、従属変数をモデル化し、最適化を行って、depを返す最適な因子レベルを見つけることです。 変数は0.35から0.36の間です。
現在のモデルエラー値を見ると、-0.3から0.3の間で変化しており、これは私のターゲットにとって非常に大きな値です。 そのため、より良い予測を行うために、従属変数を説明するより良いモデルを見つけようとしています。再：非常に高いRの正方形とフィットの問題の重大な欠如@エラ目標値が0.35から0.36の間のどこかにある場合、予測される変動は-0.3から0.3ではなく、+ /-0.1に近くなります。 そして、この空間の残差変動の最大の原因は、LOFではなく因子の変化によるものだと思います。 0.35と0.36の近傍の偏残差プロットを見て、私のポイントを確認してください。 これがあなたのためのフォローアップの考えです：
分析をJMP予測プロファイラーまで行ってから、JMPの望ましさおよび望ましさの最適化機能を使用して、0.355を中心とし、JMPの望ましさ関数の上限と下限が0.35および0.36である最適な因子空間を見つけることをお勧めします。 次に、これらの因子の推奨/最適値で因子がどの程度変化すると予想されるかについてのプロセス知識がある場合は、予測プロファイラー内でモンテカルロシミュレーションを実行して、応答の変化が何であるかを確認します。 シミュレーションでシミュレートされた因子の変動が比較的大きい場合、LOFは問題の中で最も少なくなります。
再：非常に高いRの正方形とフィットの問題の重大な欠如どうもありがとうMR。バーテル、私はあなたが指摘しているのを見ます、そしてそれは非常に論理的です。購入私はモンテカルロシミュレーションについてのあなたの提案を正確に理解することはできません。 詳しく説明していただけますか？
