Muy alto R cuadrado y problema significativo de falta de ajusteHola,
Realicé un diseño personalizado para 7 factores con un modelo que contiene efectos principales, interacciones y poderes de 2 órdenes. El tamaño de la muestra es 150. Veo que 3 de los factores son importantes e hicieron un modelo para estas 3 variables.
Sin embargo, me enfrenté a un problema significativo de falta de ajuste y un valor de 0,99 R ^ 2.
Busqué mucho sobre las razones de esta situación, pero no pude encontrar una respuesta clara.
¿Tienes alguna idea al respecto, qué causa este problema?
Atentamente.
Acceso a los datosDiseño de experimentosLa personalización en masaRe: Muy alto R cuadrado y problema significativo de falta de ajuste@Ella Los pasos detallados para ejecutar el flujo de trabajo que sugiero en mi última respuesta a este hilo son demasiados, detallados y extensos, y algunos dependen en gran medida de la experiencia en el dominio más que de una teoría o técnica estadística para articular en un hilo del Foro de discusión de la comunidad de usuarios de JMP. Tengo dos sugerencias para usted a partir de este momento:
1. Como parece que tiene poca o ninguna experiencia previa en el uso de JMP, DOE y modelado para problemas de optimización de procesos, busque a alguien en su organización, o contrate a un consultor, que haya hecho esto antes y tenga algo de experiencia. Por lo menos, podrán guiarlo a través de los flujos de trabajo de la plataforma, ofrecer sugerencias a lo largo del camino y hacer preguntas estimulantes que lo ayudarán a continuar enmarcando su problema y enfoques para una solución.
2. Si realmente está solo y no tiene otros recursos técnicos disponibles para un flujo de trabajo detallado de lo que estoy sugiriendo, le recomiendo mirar este blog y video de JMP escrito por mi antiguo colega (estoy jubilado). @robert_anderson . La publicación del blog muestra el flujo de trabajo básico y ofrece orientación sobre cómo navegar por el ecosistema JMP para hacer operativo el flujo de trabajo que sugiero. Aquí hay un enlace a la publicación del blog: Encontrar las mejores condiciones de operación del proceso utilizando 2 enfoques de optimización
Re: Muy alto R cuadrado y problema significativo de falta de ajusteMuchas gracias Sr. Bartell, veo que apuntas y es muy lógico. comprar No puedo entender exactamente su sugerencia sobre la simulación de Monte Carlo. ¿Podrías explicarlo en detalle?Re: Muy alto R cuadrado y problema significativo de falta de ajuste@Ella Si su valor objetivo está entre 0,35 y 0,36, su variación prevista no es de -0,3 a 0,3, sino más cercana a +/- 0,1. Y sospecho que el mayor contribuyente a la variación residual en este espacio se debe a cambios de factores... no LOF. Eche un vistazo a la gráfica residual en la vecindad de 0.35 y 0.36 para ver mi punto. Aquí hay un pensamiento de seguimiento para usted:
Le sugiero llevar su análisis hasta el JMP Prediction Profiler y luego usar las capacidades de Deseabilidad y Deseabilidad de JMP para encontrar un espacio de factor óptimo centrado en 0.355 con límites superiores e inferiores de la Función de Deseabilidad de JMP en 0.35 y 0.36. Luego, si tiene algún conocimiento del proceso de cuánto esperar que varíen los factores en esas recomendaciones/óptimos de factores, ejecute una simulación de Monte Carlo dentro del Prediction Profiler para ver cuál es la variación en su respuesta. Si la variación de su factor simulado en la simulación es relativamente grande, LOF será el menor de sus problemas.
Re: Muy alto R cuadrado y problema significativo de falta de ajusteLa razón exacta de LOF es una variación muy pequeña de las réplicas, como también se ve en el valor de error puro.
El objetivo de este estudio es modelar la variable dependiente y hacer la optimización para encontrar niveles de factor óptimos que devuelvan dep. La variable está entre 0,35 y 0,36.
Si observa los valores de error de mi modelo actual, están cambiando entre -0.3 y 0.3, lo cual es muy grande para mi objetivo. Es por eso que estoy tratando de encontrar un mejor modelo que explique mi variable dependiente para hacer un mejor pronóstico.Re: Muy alto R cuadrado y problema significativo de falta de ajustecoincido con todo eso @Dan_Obermiller contribuido. A partir de su gráfico de residuos, parece que la causa principal de la falta de ajuste es una variación de la respuesta replicada relativamente pequeña en comparación con la variación de la respuesta total.
Aquí hay otro pensamiento para que lo consideres... ¿cuál es el propósito del experimento/estudio? Si se trata de una predicción en el espacio de factores, ¿qué impacto tiene la magnitud del error de predicción en el espacio experimental desde un punto de vista PRÁCTICO? Si hace poca diferencia práctica, entonces, francamente, no podría importarme menos que tengas LOF.
Re: Muy alto R cuadrado y problema significativo de falta de ajusteMuchas gracias Dan,
Me enfrento exactamente a todos los problemas que ha mencionado.
problema de normalidad en términos de error, creo que tengo alguna tendencia en mi término de error (si tiene una opinión diferente, por favor compártala conmigo) y una variación de error puro muy, muy pequeña.
Si rediseño el experimento e incluyo el término cúbico del factor, ¿resuelvo este problema?
(Por cierto, sé que mi variable dependiente depende de otros factores que no están incluidos en el modelo, pero los configuro constantes cuando hago DOE y ejecuto experimentos. Supongo que esto no causa este problema, ¿verdad?)
Re: Muy alto R cuadrado y problema significativo de falta de ajusteUna prueba de falta de ajuste compara la varianza del "modelo que no se ajusta" a la varianza de los puntos replicados (error puro). Un resultado significativo significa que la varianza del "modelo no se ajusta" es mayor que el error puro. La causa más probable es que el formulario modelo que está utilizando no sea apropiado para los datos.
Considere esta imagen:
Un valor alto de RSquare, pero una falta significativa de ajuste porque una línea recta no describe la relación. Recuerde que un RSquare alto por sí solo no significa que tenga un buen modelo. Un RScuadrado alto significa que ha explicado gran parte de la variación en la respuesta, pero es posible que todavía no tenga un buen modelo.Debe considerar otros elementos como la importancia del modelo, el análisis residual, etc. para determinar si tiene un buen modelo.
Por lo tanto, recomendaría trazar los residuos de su modelo para ver si hay algún patrón. Un patrón indicaría qué podría estar mal con su forma de modelo actual. También verifique para asegurarse de que los residuos sigan una distribución normal, ya que eso también podría conducir a una situación de falta de ajuste.
Finalmente, es posible obtener una prueba significativa de falta de ajuste si sus puntos replicados tienen una varianza extremadamente baja en lugar de que la forma del modelo sea incorrecta. Esto no sucede tan a menudo, pero lo he visto ocurrir. En tales situaciones, debe buscar determinar por qué o cómo logró una variación tan baja. Eso puede proporcionar algunas buenas ideas.
Re: Muy alto R cuadrado y problema significativo de falta de ajuste¿Es posible compartir sus datos y script?
