バイナリ結果を伴う要因計画の解釈こんにちは！
4つの要素を持つ要因計画の解釈に苦労しています。 2つの要素で実験を試みる前は、結果は簡単でした。
ここに添付ファイルで、実験で私のjmpデータセットファイルを見ることができます。
重要でない要素を削除した結果、CとВのみが重要であり、悪影響があるという結論に達しました。
私の結論は正しいですか？
Rsquare値は非常に低いですが、要素のカイ2乗値は重要です。
たぶん、実験は力不足で、より大きなサンプルサイズが必要ですか？
PS。
初心者の質問で申し訳ありませんが、私はまだ学んでいます。:)
一般に、要因計画の次数を完全から2の次数に減らしたり、モデルからいくつかの変数を削除したりするときに、異なるDoE実験を解釈しようとすると、同じ変数の効果が反対方向に大きく変化することがあります。
この場合、モデルを選択するために誤解率を調べる必要がありますか？
次に、勝った変数を使用してフォローアップ実験を実行する義務がありますか、それとも単に出荷することができますか？ ここでのアプローチは何ですか？
バイナリDoEの結果を解釈する方法を構造化したアプローチの記事または本を教えていただけますか？
ありがとう
分析DOERe：バイナリ結果を伴う要因計画の解釈まず第一に、バイナリ応答は、重要な関係がある場合でも、非常に低いR二乗につながることがよくあります。 これは、特定の条件の予測結果に大きな不確実性があることを意味します。 フィット感の欠如が原因かもしれませんが、繰り返しになりますが、そのような応答では非常に一般的です。
Re：バイナリ結果を伴う要因計画の解釈3回目は魅力ですか？
プロビット分析は機能しましたが、結果は実質的に同じです。
また、あなたのデータには何の問題もありません-私の悪いことです。
Rの二乗が低い理由の一部は、まれな結果（成功の割合）があり、条件が変化してもカウントに大きな違いがないことです。
Re：バイナリ結果を伴う要因計画の解釈おそらく、マークはプロビット分析に正解です。 私はわかりません。 また、Markは、解決する必要のあるデータの問題をいくつか見ました。
私が気付いたのは、成功の確率が非常に低いということです。 実験条件が成功する可能性が最も高いのは0.006です。 私はあなたの要因を考慮する必要さえないので、これは問題を引き起こします。 私が常に失敗を予測するならば、私は少なくとも99.4％の確率で正しいでしょう。 それはとても良いモデルです。 あまり有益ではありませんが、良いです。 これにより、モデリングアプローチで問題が発生します。
データの問題を修正し、分析アプローチと分析から探している情報を再考する必要があると思います。 幸運を祈ります。
Re：バイナリ結果を伴う要因計画の解釈お返事ありがとうございます！
申し訳ありませんが、成功の列に誤って名前を付けました。カウントの名前を付ける必要があります。 私があなたの質問を正しく理解したなら。
では、名目ロジスティック回帰を使用して有意変数を定義し、二項GLMを使用してそれらの効果量を解釈する方がよいでしょうか。
検出力分析に関しては、この場合、レベルが2つしかない場合、OFAT（A / B実験）であるかのようにサンプルサイズを計算できます。20％の効果を検出する場合、合計で80K回の試行になります。現在の制御の成功率で。 これは私がデータセット（20K）に持っている以上のものです。 したがって、おそらくより大きなサンプルサイズが必要です。
これらの結果に基づいて、どのような結論を下しますか？
Re：バイナリ結果を伴う要因計画の解釈ロジスティック回帰または二項GLMのいずれかを使用して、重要な効果を決定し、これらの効果の性質を解釈できると思います。
下の電力分析プラットフォームDOE>設計診断>検出力とサンプルサイズ多因子実験に最適なツールではありません。これらの検出力分析ツールは、他の効果の推定とテストに必要なサンプルの量を考慮していないため、結果が楽観的すぎるため、複数の要因がある場合には適切ではありません。
私は一般的に使用することをお勧めします設計評価>電力分析各設計プラットフォーム内で利用可能なツール。 この機能の詳細を読むことができますここに。 ただし、このツールは継続的な応答を想定していることに注意してください。 また、バイナリ応答用の個別の検出力分析ツールは、複数の要因に適応しません。 結果が最良の場合であると想定し、何らかの形でマージンを構築する必要があります。
