バイナリ結果による要因計画の解釈こんにちは！
4つの要素による要因計画の解釈に苦労しています。 以前、2 つの要素を使って実験を試みましたが、結果は簡単でした。
添付ファイルでは、実験を含む私の jmp データセット ファイルをご覧いただけます。
重要でない要素を削除した結果、C と В だけがマイナスの影響を与える重要な要素であるという結論に達しました。
私の結論は正しいでしょうか？
R2 乗値は非常に低いですが、要素のカイ 2 乗値は重要です。
おそらく実験の能力が不十分で、より大きなサンプルサイズが必要なのでしょうか?
PS.
初心者の質問で申し訳ありませんが、私はまだ勉強中です。 
一般に、さまざまな DoE 実験を解釈しようとすると、要因計画の次数を完全な次数から 2 次まで下げるか、モデルからいくつかの変数を削除すると、同じ変数の効果が逆の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確認する必要がありますか?
その場合、勝った変数を使用して追跡実験を実行する義務がありますか、それともそのまま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体系化したアプローチが記載されている記事または書籍を教えていただけますか?
ありがとう
実験計画法結果の共有と伝達Re: バイナリ結果を伴う要因計画の解釈あなたのケースでは、D を 1 に保持したまま C を 0 から 1 に変更することは対話の例ではありません。 これは、C を変更することによる条件付きの効果にすぎません。
Re: バイナリ結果を伴う要因計画の解釈問題のプロセスに関する知識から、p 値やその他の統計的尺度以上に何がわかりますか? プロセスの知識は統計よりも優先されます...システムの物理的な理解から相互作用が理にかなっている場合...その後、何らかの厄介な変数またはノイズ変数が飛び出して実験に噛み付いていない限り...自分の知識に従ってください。
おそらく、実際の実験と応答データを分析とともに共有していただけますか? 別の考えを提供できるかもしれません。
ああ、気にしないでください...あなたが実際に実験と分析を私たちと共有してくれたのを見ました。
Re: バイナリ結果を伴う要因計画の解釈ありがとう！ 試してみます。
重要な交互作用効果がある場合は、主効果の 1 つが重要でなくても、それをモデルに含める必要があることはわかっています。 そのとおりです。 しかし、С が 0 レベルで D が 1 の場合、成功率が 50% 減少する一方、В は有意ではないという事実をどのように解釈すればよいでしょうか。
ただし、С と D が両方ともレベル 1 の場合、成功レベルは 20% 増加します。
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 は、重要な効果を決定し、これらの効果の性質を解釈するために使用できると思います。
電力解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は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が考慮されていないため、結果が楽観的すぎるため、要因が複数ある場合には適していません。
通常、使用することをお勧めします設計評価 > 電力解析各設計プラットフォーム内で利用可能なツール。 この機能の詳細については、こちらをご覧くださいここ。 ただし、このツールは継続的な応答を前提と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電力解析ツールは、複数の要因には適応しません。 結果が最良の場合であると想定し、何らかの方法でマージンを構築する必要があります。
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、successes 列の名前を間違えました。count という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ていれば。
それでは、有意な変数を定義するために名目ロジスティック回帰を使用し、それらの効果の大きさを解釈するために二項GLMを使用する方が良いでしょうか?
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% の効果を検出したい場合、合計 80,000 回の試行が必要になります。現在のコントロールの成功率。 これはデータセット (20K) よりも多いです。 したがって、より大きなサンプルサイズが必要になる可能性があります。
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おそらくマークのプロビット分析は正しいでしょう。 よくわかりません。 また、Mark は解決する必要のあるデータの問題をいくつか認識しているようです。
私が気づいたのは、成功する確率が非常に低いということです。 どの実験条件でも成功する最高確率は 0.006 です。 あなたの要因を考慮する必要すらないので、これは問題を引き起こします。 常に失敗を予測する場合、少なくとも 99.4% の確率で正しいことになります。 とても良いモデルですね。 あまり有益ではありませんが、良い内容です。 これにより、どのようなモデリング手法でも問題が発生します。
データの問題を修正し、分析アプローチと分析からどのような情報を探しているか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3回目はおまじない？
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も問題はありません - 悪いです。
R 二乗値が低い理由の 1 つは、まれな結果 (成功率) があり、条件が変化してもカウントがあまり変わらないことです。
Re: バイナリ結果を伴う要因計画の解釈まず第一に、二項応答では、たとえ重要な関係がある場合でも、R 二乗が非常に低くなることがよくあります。 これは、与えられた条件での予測結果に大きな不確実性があることを意味します。 適合性の欠如が原因である可能性がありますが、繰り返しますが、このような反応は非常に一般的です。
