Sehr hohes R-Quadrat und signifikantes Problem der fehlenden PassformHallo,
Ich habe ein benutzerdefiniertes Design für 7 Faktoren mit einem Modell erstellt, das Haupteffekte, Interaktionen und 2 Ordnungskräfte enthält. Die Anzahl der Stichproben beträgt 150. Ich sehe, dass 3 Faktoren wichtig sind und Modell für diese 3 Variablen gemacht haben.
Ich hatte jedoch ein erhebliches Problem mit mangelnder Passform und einem Wert von 0,99 R ^ 2.
Ich habe viel nach den Gründen für diese Situation gesucht, aber ich konnte keine klare Antwort finden.
Haben Sie eine Idee, was dieses Problem verursacht?
Mit freundlichen Grüßen.
AnalytikDAMHIRSCHKUHAndereBetreff: Sehr hohes R-Quadrat und signifikantes Problem mit mangelnder PassformIst es möglich, Ihre Daten und Ihr Skript zu teilen?Betreff: Sehr hohes R-Quadrat und signifikantes Problem mit mangelnder PassformEin fehlender Anpassungstest vergleicht die Varianz vom "nicht passenden Modell" mit der Varianz der replizierten Punkte (reiner Fehler). Ein signifikantes Ergebnis bedeutet, dass die Varianz "Modell passt nicht" größer ist als der reine Fehler. Die wahrscheinlichste Ursache ist, dass das von Ihnen verwendete Modellformular nicht für die Daten geeignet ist.
Betrachten Sie dieses Bild:
Ein hoher RSquare-Wert, jedoch ein erheblicher Mangel an Anpassung, da eine gerade Linie die Beziehung nicht beschreibt. Denken Sie daran, dass ein hohes RSquare allein nicht bedeutet, dass Sie ein gutes Modell haben. Ein hohes RSquare bedeutet, dass Sie einen Großteil der Varianz in der Antwort erklärt haben, aber möglicherweise immer noch kein gutes Modell haben.Sie müssen andere Elemente wie Modellsignifikanz, Restanalyse usw. berücksichtigen, um festzustellen, ob Sie ein gutes Modell haben.
Daher würde ich empfehlen, Ihre Modellreste zu zeichnen, um festzustellen, ob Muster vorhanden sind. Ein Muster würde anzeigen, was mit Ihrem aktuellen Modellformular möglicherweise nicht stimmt. Überprüfen Sie auch, ob die Residuen einer Normalverteilung folgen, da dies auch zu einer mangelnden Anpassungssituation führen kann.
Schließlich ist es möglich, einen signifikanten Mangel an Anpassungstest zu erhalten, wenn Ihre replizierten Punkte eine extrem geringe Varianz aufweisen, anstatt dass die Modellform falsch ist. Das kommt nicht so oft vor, aber ich habe gesehen, dass das passiert. In solchen Situationen sollten Sie untersuchen, warum oder wie Sie eine so geringe Varianz erreicht haben. Das kann einige gute Einblicke liefern.
Betreff: Sehr hohes R-Quadrat und signifikantes Problem mit mangelnder PassformVielen Dank Dan,
Ich stehe genau vor allen Problemen, die Sie angegeben haben.
Normalitätsproblem in Bezug auf Fehler, ich denke, ich habe einen Trend in meinem Fehlerbegriff (wenn Sie eine andere Meinung haben, teilen Sie mir dies bitte mit) und eine sehr sehr kleine reine Fehlervariation.
Löse ich dieses Problem, wenn ich das Experiment neu gestalte und den kubischen Faktorausdruck einbeziehe?
(Übrigens weiß ich, dass meine abhängige Variable von anderen Faktoren abhängt, die nicht im Modell enthalten sind, aber ich setze sie konstant, wenn ich DOE mache und Experimente durchführe. Ich denke, das verursacht dieses Problem nicht, oder?)
Betreff: Sehr hohes R-Quadrat und signifikantes Problem mit mangelnder PassformIch stimme dem zu @ Dan_Obermiller beigetragen. Aus Ihrem Restdiagramm geht hervor, dass die Hauptursache für die mangelnde Anpassung eine relativ kleine Varianz der Wiederholungsantwort im Vergleich zur Gesamtvarianz der Antwort ist.
Hier ist ein weiterer Gedanke, den Sie berücksichtigen sollten ... Was ist der Zweck von Experimenten / Studien? Wenn es sich um eine Vorhersage über den Faktorraum handelt, wie effektiv ist die Größe des Vorhersagefehlers über den experimentellen Raum aus PRAKTISCHER Sicht? Wenn es wenig praktischen Unterschied macht, dann ist es mir ehrlich gesagt egal, dass Sie LOF haben.
Betreff: Sehr hohes R-Quadrat und signifikantes Problem mit mangelnder PassformDer genaue Grund für LOF ist die sehr geringe Varianz der Replikate, wie auch im reinen Fehlerwert zu sehen ist.
Ziel dieser Studie ist es, abhängige Variablen zu modellieren und zu optimieren, um optimale Faktorstufen zu finden, die dep zurückgeben. Die Variable liegt zwischen 0,35 und 0,36.
Wenn Sie sich meine aktuellen Modellfehlerwerte ansehen, ändern sie sich zwischen -0,3 und 0,3, was für mein Ziel sehr groß ist. Deshalb versuche ich, ein besseres Modell zu finden, das meine abhängige Variable erklärt, um eine bessere Vorhersage zu machen.Betreff: Sehr hohes R-Quadrat und signifikantes Problem mit mangelnder Passform@ Ella Wenn Ihr Zielwert irgendwo zwischen 0,35 und 0,36 liegt, liegt Ihre vorhergesagte Abweichung nicht bei -0,3 bis 0,3, sondern näher bei +/- 0,1. Und ich vermute, dass der größte Beitrag zur verbleibenden Variation in diesem Bereich auf Faktoränderungen zurückzuführen ist ... nicht auf LOF. Schauen Sie sich das verbleibende Grundstück in der Nähe von 0,35 und 0,36 an, um meinen Standpunkt zu sehen. Hier ist ein weiterer Gedanke für Sie:
Ich schlage vor, Ihre Analyse bis zum JMP Prediction Profiler zu führen und dann die Funktionen zur Optimierung der Erwünschtheit und Erwünschtheit von JMP zu verwenden, um ein Faktorraumoptimum zu finden, das auf 0,355 zentriert ist, wobei die oberen und unteren Grenzen der JMP-Erwünschtheitsfunktion bei 0,35 und 0,36 liegen. Wenn Sie dann Prozesskenntnisse darüber haben, wie stark die Faktoren bei diesen Faktorempfehlungen / -optimums variieren können, führen Sie im Vorhersageprofiler eine Monte-Carlo-Simulation durch, um festzustellen, wie unterschiedlich Ihre Antwort ist. Wenn Ihre simulierte Faktorvariation in der Simulation relativ groß ist, ist LOF das geringste Ihrer Probleme.
Betreff: Sehr hohes R-Quadrat und signifikantes Problem mit mangelnder PassformVielen Dank MR. Bartell, ich sehe dich zeigen und es ist sehr logisch. Ich kann Ihren Vorschlag zur Monte-Carlo-Simulation nicht genau verstehen. Könnten Sie es im Detail erklären?
