DoE-Analyse: Entfernen nicht signifikanter Hauptfaktoren, wenn sie an einer signifikanten Interaktion beteiligt sindHallo Jmp-Benutzer,
Ist es möglich, nicht signifikante Hauptfaktoren zu entfernen, wenn sie in einer signifikanten Interaktion in der DoE-Datenanalyse verwickelt sind?
Danke !
ICH
Erweiterte statistische ModellierungVersuchsplanungBetreff: DoE-Analyse: Entfernen nicht signifikanter Hauptfaktoren, wenn sie an einer signifikanten Interaktion beteiligt sindDie Verwirrung entsteht, weil dasselbe Wort („Hierarchie“) in zwei verschiedenen Kontexten verwendet wird, um unterschiedliche Dinge zu beschreiben. Bei Screening-Designs wird vom „Hierarchieprinzip“ ausgegangen. Es besagt, dass die Wirkung von Faktoren mit zunehmender Ordnung tendenziell abnimmt. Daher sind Effekte dritter Ordnung tendenziell kleiner als Effekte zweiter Ordnung und können ignoriert werden. „Modellhierarchie“ ist eine Aussage über die Struktur des linearen Prädiktors. Es besagt, dass eine Hierarchie von Begriffen vorliegt, wenn ein Begriff in einem anderen Begriff vorhanden ist. Ein linearer Prädiktor wie β0 + β1*X1 + β2*X2 weist also keine Modellhierarchie auf, ein anderer linearer Prädiktor wie β0 + β1*X1 + β2*X2 + β12*X1*X2 weist jedoch eine Modellhierarchie auf.
(Das „Vererbungsprinzip“, das auch bei Screening-Designs angenommen wird, besagt, dass aktive Terme höherer Ordnung dazu neigen, Faktoren einzubeziehen, die aktive Haupteffekte zeigen.)
Die Modellhierarchie ist wichtig. Ich habe einen Artikel darüber geschrieben JMPer Kabel e Newsletter vor Jahren. Im zweiten Fall oben ist es nicht illegal, den β1*X1-Term oder den β2*X2-Term zu entfernen, es wird jedoch nicht empfohlen. Daher lässt JMP diese Aktion zu, warnt Sie jedoch davor. Warum die Modellhierarchie beibehalten? Denn wenn Sie das ändern Skala Von Ihren Faktoren ändern Sie zwangsläufig die Struktur des Modells. Einige Begriffe werden verschwinden. Es werden neue Begriffe angezeigt. Menschen mögen keine Überraschungen.
Aber Sie ändern nie die Faktorskala! Nun ja, vielleicht. Die Regressionsanalyse eines DOE basiert auf zentrierten und skalierten Faktorniveaus, die als „codierte Niveaus“ bekannt sind. Die Parameterschätzungen basieren also auf einer Prädiktorskala von -1 bis +1. Sie können die Faktorstufen zurücktransformieren oder entkodieren, sodass die Parameterschätzungen der tatsächlichen Skala entsprechen. Kein unvernünftiger Wunsch. Nun, Sie werden zwangsläufig die Struktur des Modells von dem, was Sie ausgewählt haben, in etwas anderes ändern.
Betreff: DoE-Analyse: Entfernen nicht signifikanter Hauptfaktoren, wenn sie an einer signifikanten Interaktion beteiligt sindIch dachte, das Prinzip sei „Hierarchie“, aber es schien in der Dokumentation anders beschrieben zu sein: Es scheint zu sagen, dass sich Hierarchie auf Begriffe höherer Ordnung bezieht, die im Allgemeinen nicht so viele Variationen berücksichtigen wie Begriffe niedrigerer Ordnung, und Vererbung „ bezieht sich auf die Einbeziehung von Komponenten niedrigerer Ordnung in das Modell von Effekten höherer Ordnung.
Wirkungshierarchie: https://www.jmp.com/support/help/en/15.2/index.shtml#page/jmp/effect-hierarchy.shtml#
Wirkungsvererbung: https://www.jmp.com/support/help/en/15.2/index.shtml#page/jmp/effect-heredity.shtml#
Es könnte sein, dass ich die Prinzipien verwechsle oder die Dokumentation falsch interpretiere.
Betreff: DoE-Analyse: Entfernen nicht signifikanter Hauptfaktoren, wenn sie an einer signifikanten Interaktion beteiligt sindEigentlich ist das Prinzip Wirkungshierarchie. Das heißt, wenn Terme höherer Ordnung von Bedeutung sind, sollten die Terme niedrigerer Ordnung in das Modell einbezogen werden. (Das Vererbungsprinzip besagt, dass mindestens einer der Terme niedrigerer Ordnung (Eltern) aktiv sein muss, damit ein Term höherer Ordnung aktiv ist.)
Um es klar auszudrücken: Was Sie wirklich tun müssen, ist, die Interaktion zu verstehen. Da bei einer Interaktion die Wirkung eines Faktors von einem anderen Faktor abhängt, müssen Sie diese Wirkung verstehen. Für 2-Level-Designs gibt es 4 mögliche Faktorkombinationen für Effekte 2. Ordnung: -1,-1, -1,1, 1,-1, 1,1. Eine signifikante Wechselwirkung bedeutet, dass es einen Unterschied in der Wirkung gibt, wenn die Faktoren auf dem gleichen Niveau liegen und wenn sie sich auf unterschiedlichen Niveaus befinden.
Betreff: DoE-Analyse: Entfernen nicht signifikanter Hauptfaktoren, wenn sie an einer signifikanten Interaktion beteiligt sindHallo,
Das Prinzip heißt „Wirkungsvererbung“.In den „Grundsätzen und Richtlinien für experimentelles Design“ wird es kurz erwähnt ( https://www.jmp.com/support/help/en/15.2/index.shtml#page/jmp/effect-heredity.shtml ).Grundsätzlich gilt: Wenn ein Haupteffekt nicht signifikant ist, ist der Term höherer Ordnung wahrscheinlich auch nicht signifikant.
Betreff: DoE-Analyse: Entfernen nicht signifikanter Hauptfaktoren, wenn sie an einer signifikanten Interaktion beteiligt sindHallo,
Danke für deine Antwort. Ich wollte auch aus statistischer Sicht fragen: Hat es Auswirkungen auf Ihr Modell?
Betreff: DoE-Analyse: Entfernen nicht signifikanter Hauptfaktoren, wenn sie an einer signifikanten Interaktion beteiligt sindHallo,
Ja, es ist möglich. Bei der Analyse eines DOE mithilfe des Fit-Modells werden die Effekte niedrigerer Ordnung, die in Effekten höherer Ordnung enthalten sind, mit einem Zirkumflex-Symbol gekennzeichnet (siehe Abbildung unten).Wenn Sie versuchen, es zu entfernen, erhalten Sie eine Warnmeldung mit der Option „Nur nicht enthaltene Effekte entfernen“. Sie haben jedoch die Möglichkeit, dies zu ignorieren.
