interpretazione delle stime dei parametri per la variabile catoricaHo un modello con solo pochi effetti attivi. Vale a dire i tre effetti principali nella tabella. epsilon_r ^ ne e Rt ^ n sono variabili continue, ma E ^ n è una variabile categoriale che può avere i valori -1 e +1.
Dal prediction profiler, è chiaro che in tutti e tre i casi, un valore più alto per la variabile indipendente porta a un N25 previsto più basso (che è previsto anche da un punto di vista fisico).
Allora perché i coefficienti stimati per epsilon_r ^ ne Rt ^ n sono negativi, ma il coefficiente per E ^ n è positivo? Come devo interpretare l'espressione "[-1 -1]" nella tabella dei parametri?
Il salvataggio del modello nella tabella dati dà accesso alla seguente formula del modello:
Quindi il valore più alto di E ^ n (cioè 1) porta a un valore più basso nella formula (cioè 0). Non sono sicuro di come ottenere queste informazioni dalla tabella delle stime dei parametri. Qualcuno potrebbe spiegarmelo, per favore?
AnalyticsOggetto: interpretazione delle stime dei parametri per la variabile catoricaCiao @matthias_bruchh ,
Prima di tutto, hai JMP Pro? In tal caso, consiglio vivamente di eseguire un calcolo bootstrap sulle stime dei parametri per ottenere una migliore comprensione di quali parametri sono effettivamente 0 (o vicini a 0) e quali sono realmente diversi da 0 così come i loro valori tipici (media di migliaia di bootstraps) .
Detto questo, poiché hai creato un valore nominale E ^ na, quando JMP riporta le stime dei parametri, riporta i valori possibili, in questo caso [-1 -1], che significa -1 a 1. Per capire meglio come il predittore E ^ n si adatta al tuo modello, potresti volerlo cambiare in ordinale.
Il motivo per cui E ^ n ottiene un coefficiente positivo (o 0) ha a che fare con la funzione che ottieni per la tua previsione. La tua formula è fondamentalmente la seguente:
y = exp (a + b * x_1 + c * x_2 + d * x_3 + f)
Per ottenere una risposta y maggiore, l'argomento dell'esponente deve essere il più grande possibile, quindi se i coefficienti per x_1 e x_2 sono negativi e "a" e "f" sono positivi, l'unico modo per ottenere un valore maggiore per il l'argomento è rendere positivo il coefficiente per x_3 (cioè E ^ n).
Hai affermato che il comportamento di N25 ha senso fisico quando si guarda a come risponde ai predittori. Se stai osservando un processo fisico (o chimico), hai un'equazione teorica con cui iniziare? Se è così, dovresti usarla come formula predittiva e non fare in modo che jump ne generi una empirica. Ad esempio, se stai misurando il tempo impiegato da una palla per cadere x metri, esiste una formula fisica che lo prevede, ovvero: y = y_0 + v_0 * t + 1/2 * g * t ^ 2, la formula per il moto in un campo gravitazionale. Durante l'analisi di tali dati in JMP, correggevo la formula sul modello teorico e vedevo se ci sono deviazioni dalla teoria.
Ma di nuovo, penso che se cambi E ^ n in ordinale, potrebbe avere più senso per te. Inoltre, se hai davvero bisogno che JMP generi una formula empirica, allora ti consigliamo di eseguire il bootstrap o simulare le stime per vedere quali sono realmente 0 o vicine a zero per assicurarti di non perdere nulla nel tuo modello.
Spero che sia di aiuto.
In bocca al lupo!,
DS
Oggetto: interpretazione delle stime dei parametri per la variabile catoricaGentile DS,
Cambiare E ^ n da nominale a ordinale ha effettivamente funzionato. Il valore assoluto del parametro è lo stesso di prima, ma il segno è cambiato in negativo, il che è molto più intuitivo. Molte grazie!
In effetti ho JMP PRO (ma l'ho ricevuto solo di recente).
Non ho una formula empirica che potrei usare in questo caso, ma sarei interessato a sapere come farlo. Se potessi indicarmi un tutorial o giù di lì te ne sarei grato. Lo stesso vale per il bootstrap di cui parli.
Saluti,
Matthias
Oggetto: interpretazione delle stime dei parametri per la variabile catoricaCiao @matthias_bruchh ,
Sono contento che il passaggio all'ordinale abbia funzionato e aiutato.
Per quanto riguarda il modello teorico, se si dispone di una funzione, è possibile utilizzare la funzione "formula" nelle proprietà della colonna per "programmare" una colonna in base ai predittori. Ma sembra che tu non abbia un modello teorico.
Per eseguire il bootstrap delle stime, fare clic con il pulsante destro del mouse sulle stime della colonna nel report JMP e quindi selezionare bootstrap. Se è veloce, mettine forse 5000, ma se è lento lascialo a 2500. Assicurati di selezionare la casella "pesi frazionari". Eseguirà nuovamente l'adattamento più volte e quindi fornirà una distribuzione dei valori per ciascun coefficiente dei predittori (è sufficiente eseguire lo script "distribuzione" nella tabella dei dati di output. Quindi, con la distribuzione e le statistiche visualizzate, puoi fare clic con il pulsante destro del mouse sulle statistiche di riepilogo e selezionare "trasforma in tabella dati combinata". Assicurati di personalizzare anche le statistiche di riepilogo per mostrare la proporzione diversa da zero.
La tabella dei dati combinati conterrà la media e la proporzione diversa da zero per le stime. Qui puoi vedere qual è la media (valore tipico) e quanto spesso (in percentuale) quella stima è diversa da zero: se quel numero è piccolo, la stima è spesso zero. Se è grande, la maggior parte delle volte è diverso da zero. Questo è un buon modo per determinare quali termini e termini misti sono necessari o meno nel modello.
Puoi anche scegliere di "simulare", ma ciò richiede che un'altra colonna formula nella tabella dati venga sostituita con una colonna formula che hai utilizzato nel tuo modello. Questo è un po 'più complicato - vedi Autovalidazione di Gotwalt e Ramsey. C'è un PPT e un video da guardare che lo spiega. È leggermente diverso e darà risultati leggermente diversi all'approccio bootstrap, ma fondamentalmente fa la stessa cosa. Uso sempre questi approcci per eliminare i fattori nel modello.
Una differenza molto interessante nell'approccio di autovalidazione è che genera un fattore nullo che è completamente casuale e ortogonale ai dati. Ogni volta che ciò si manifesta più spesso nelle simulazioni rispetto a qualsiasi altro tuo fattore, puoi sicuramente eliminare quelli che si presentano meno frequentemente. Fai attenzione qui per assicurarti di imporre la gerarchia e le regole di ereditarietà per i fattori e le loro combinazioni. In effetti, se non hai un modello teorico e nessuna ragione per includere termini misti, li tralascerei del tutto, è solo "voodoo" come piace dire a uno scienziato dei dati.
A proposito, i dati che stai analizzando provengono da un DOE o solo da regolari studi di laboratorio?
In bocca al lupo!,
DS
Oggetto: interpretazione delle stime dei parametri per variabili catoricheGrazie DS,
Darò un'occhiata a questo. E sì, i dati provengono da un DOI. (In realtà da 3 DOI. Il progetto è stato strutturato in tre fasi successive. Ho creato tre DOI indipendenti per questi, perché c'erano molti vincoli e (all'epoca) non era possibile implementarli con la funzione "augment design" di JMP.)
