Interprétation d'un plan factoriel avec résultat binairesalut!
J'ai du mal à interpréter la conception factorielle avec 4 éléments. Avant, j'essayais des expériences avec 2 éléments, et les résultats étaient simples.
Ici, dans la pièce jointe, vous pouvez voir mon fichier de jeu de données jmp avec l'expérience.
Suite à la suppression d'éléments non significatifs, je suis arrivé à la conclusion que seuls C et В sont significatifs avec un effet négatif.
Ma conclusion est-elle correcte?
La valeur Rsquare est très faible mais la valeur Chisquare pour les éléments est significative.
Peut-être que l'expérience est sous-alimentée et nécessite une plus grande taille d'échantillon?
PS.
Désolé pour les questions des débutants, j'apprends toujours.:)
En général, en essayant d'interpréter différentes expériences DoE lorsque je réduis le degré de conception factorielle de plein à un degré de 2 ou supprime certaines variables d'un modèle, l'effet de la même variable change parfois de manière significative dans une direction opposée.
Dois-je examiner le taux de mauvaise interprétation pour choisir un modèle dans ce cas?
Êtes-vous obligé alors d'exécuter une expérience de suivi avec la variable gagnante, ou pouvez-vous simplement l'envoyer? Quelle est l'approche ici?
Pouvez-vous s'il vous plaît me diriger vers un article ou un livre avec une approche structurée comment interpréter les résultats du DoE binaire?
Merci
AnalytiqueBICHERe: Interprétation d'un plan factoriel avec résultat binaireTout d'abord, les réponses binaires conduisent souvent à un carré R très bas même lorsqu'il existe des relations significatives. Cela signifie simplement qu'il y a une grande incertitude dans le résultat prévu pour des conditions données. Cela peut être dû à un manque d'ajustement, mais encore une fois, c'est très courant avec une telle réponse.
Re: Interprétation d'un plan factoriel avec résultat binaireLa troisième fois est un charme?
L'analyse probit a fonctionné mais les résultats sont pratiquement les mêmes.
De plus, il n'y a rien de mal avec vos données - mon mal.
Une partie de la raison du carré R faible est que vous avez un résultat rare (proportions de succès) et que les décomptes ne sont pas très différents à mesure que les conditions changent.
Re: Interprétation d'un plan factoriel avec résultat binairePeut-être que Mark a raison sur l'analyse Probit. Je ne suis pas sûr. Je vois également que Mark a vu des problèmes de données qui doivent être résolus.
Ce que j'ai remarqué, c'est que la probabilité de succès est EXTRÊMEMENT faible. La probabilité de succès la plus élevée pour toute condition expérimentale est de 0,006. Cela pose un problème car je n'ai même pas besoin de prendre en compte vos facteurs. Si je prédis toujours un échec, je serai correct au MOINS 99,4% du temps. C'est un très bon modèle. Ce n'est pas très instructif, mais c'est bien. Cela entraînera des problèmes pour toute approche de modélisation.
Je pense que vous devriez corriger les problèmes de données et repenser l'approche d'analyse et les informations que vous recherchez dans l'analyse. Bonne chance.
Re: Interprétation d'un plan factoriel avec résultat binaireMerci pour votre réponse!
Désolé, j'ai nommé par erreur la colonne des succès, elle devrait avoir un nom de count. Si j'ai bien compris votre question.
Est-il donc préférable d'utiliser la régression logistique nominale pour définir les variables significatives et le GLM binomial pour interpréter la taille de leur effet?
En ce qui concerne l'analyse de puissance, dans ce cas, si nous n'avons que 2 niveaux, nous pouvons calculer la taille de l'échantillon comme s'il s'agissait d'un OFAT (expérience A / 
, ce qui donnerait 80K essais au total si nous voulons détecter un effet de 20% avec le taux de réussite actuel du contrôle. C'est plus que ce que j'ai dans l'ensemble de données (20K). Alors peut-être qu'une plus grande taille d'échantillon est requise.
Quelles conclusions feriez-vous sur la base de ces résultats?
Re: Interprétation d'un plan factoriel avec résultat binaireJe pense que la régression logistique ou le GLM binomial peuvent être utilisés pour décider des effets significatifs et interpréter la nature de ces effets.
Les plateformes d'analyse de puissance sous DOE> Diagnostics de conception> Puissance et taille de l'échantillon ne sont pas les meilleurs outils pour les expériences à facteurs multiples.Ces outils d'analyse de puissance ne sont pas appropriés lorsqu'il y a plus d'un facteur parce que les résultats sont trop optimistes puisqu'ils ne tiennent pas compte de la quantité d'échantillon requise pour estimer et tester les autres effets.
Je recommande généralement d'utiliser le Évaluation de la conception> Analyse de la puissance outil disponible dans chaque plate-forme de conception. Vous pouvez en savoir plus sur cette fonctionnalité ici . Mais notez que cet outil suppose une réponse continue. Et les outils d'analyse de puissance séparés pour une réponse binaire ne s'adaptent pas à plus d'un facteur. Vous devrez supposer que le résultat est le meilleur des cas et créer une marge en quelque sorte.
