Interpretation eines faktoriellen Designs mit binärem ErgebnisHallo!
Ich habe Probleme mit der Interpretation des faktoriellen Designs mit 4 Elementen. Bevor ich Experimente mit 2 Elementen versuchte, waren die Ergebnisse unkompliziert.
Hier im Anhang sehen Sie meine jmp-Dataset-Datei mit dem Experiment.
Durch das Entfernen nicht signifikanter Elemente kam ich zu dem Schluss, dass nur C und В mit negativer Wirkung signifikant sind.
Ist meine Schlussfolgerung richtig?
Der Quadratwert ist sehr niedrig, jedoch ist der Quadratwert für Elemente signifikant.
Vielleicht ist das Experiment zu schwach und benötigt eine größere Stichprobe?
PS.
Entschuldigung für Fragen von Neulingen, ich lerne noch.:)
Wenn ich versuche, verschiedene DoE-Experimente zu interpretieren, wenn ich den Grad des faktoriellen Designs von voll auf einen Grad von 2 reduziere oder einige Variablen aus einem Modell entferne, ändert sich der Effekt derselben Variablen manchmal erheblich in eine entgegengesetzte Richtung.
Muss ich in diesem Fall die Fehlinterpretationsrate überprüfen, um ein Modell auszuwählen?
Sind Sie dann verpflichtet, ein Folgeexperiment mit der Gewinnvariablen durchzuführen, oder können Sie es einfach versenden? Was ist der Ansatz hier?
Können Sie mich bitte auf einen Artikel oder ein Buch mit einem strukturierten Ansatz zur Interpretation der Ergebnisse von binärem DoE verweisen?
Vielen Dank
AnalytikDAMHIRSCHKUHBetreff: Interpretation eines faktoriellen Designs mit binärem ErgebnisErstens führen binäre Antworten oft zu einem sehr niedrigen R-Quadrat, selbst wenn signifikante Beziehungen bestehen. Dies bedeutet lediglich, dass das vorhergesagte Ergebnis für bestimmte Bedingungen eine große Unsicherheit aufweist. Es könnte an mangelnder Passform liegen, aber auch hier ist es bei einer solchen Reaktion sehr häufig.
Betreff: Interpretation eines faktoriellen Designs mit binärem ErgebnisDas dritte Mal ist ein Zauber?
Die Probit-Analyse hat funktioniert, aber die Ergebnisse sind praktisch gleich.
Auch an Ihren Daten ist nichts auszusetzen - meine schlechte.
Ein Grund für das niedrige R-Quadrat ist, dass Sie ein seltenes Ergebnis haben (Erfolgsquoten) und die Anzahl nicht sehr unterschiedlich ist, wenn sich die Bedingungen ändern.
Betreff: Interpretation eines faktoriellen Designs mit binärem ErgebnisVielleicht hat Mark Recht mit der Probit-Analyse. Ich bin mir nicht sicher. Ich sehe auch, dass Mark einige Datenprobleme gesehen hat, die gelöst werden müssen.
Was mir aufgefallen ist, dass die Erfolgswahrscheinlichkeit EXTREM gering ist. Die höchste Erfolgswahrscheinlichkeit für eine experimentelle Bedingung beträgt 0,006. Dies verursacht ein Problem, da ich Ihre Faktoren nicht einmal berücksichtigen muss. Wenn ich immer einen Fehler vorhersage, bin ich mindestens 99,4% der Zeit korrekt. Das ist ein sehr gutes Modell. Es ist nicht sehr informativ, aber es ist gut. Dies führt zu Problemen bei jedem Modellierungsansatz.
Ich denke, Sie sollten die Datenprobleme beheben und den Analyseansatz und die Informationen, die Sie für die Analyse suchen, überdenken. Viel Glück.
Betreff: Interpretation eines faktoriellen Designs mit binärem ErgebnisDanke für Ihre Antwort!
Es tut mir leid, dass ich fälschlicherweise die Spalte "Erfolge" genannt habe. Sie sollte den Namen count haben. Wenn ich Ihre Frage richtig verstanden habe.
Ist es also besser, die nominale logistische Regression zu verwenden, um signifikante Variablen und binomiales GLM für die Interpretation ihrer Effektgröße zu definieren?
In Bezug auf die Leistungsanalyse können wir in diesem Fall, wenn wir nur 2 Ebenen haben, die Stichprobengröße so berechnen, als wäre es ein OFAT (A / B-Experiment), das insgesamt 80.000 Versuche ergeben würde, wenn wir einen Effekt von 20% feststellen möchten mit aktueller Erfolgsquote der Kontrolle. Dies ist mehr als ich im Datensatz (20K) habe. Daher ist möglicherweise eine größere Stichprobe erforderlich.
Welche Schlussfolgerungen würden Sie aus diesen Ergebnissen ziehen?
Betreff: Interpretation eines faktoriellen Designs mit binärem ErgebnisIch denke, dass entweder logistische Regression oder binomiales GLM verwendet werden können, um über signifikante Effekte zu entscheiden und die Art dieser Effekte zu interpretieren.
Die Leistungsanalyseplattformen unter DOE> Designdiagnose> Leistung und Probengröße sind nicht die besten Werkzeuge für Experimente mit mehreren Faktoren.Diese Leistungsanalysewerkzeuge sind nicht geeignet, wenn mehr als ein Faktor vorhanden ist, da die Ergebnisse zu optimistisch sind, da sie nicht die Menge der Stichprobe berücksichtigen, die zum Schätzen und Testen der anderen Effekte erforderlich ist.
Ich empfehle generell die Verwendung der Entwurfsbewertung> Leistungsanalyse Werkzeug innerhalb jeder Designplattform verfügbar. Sie können mehr über diese Funktion lesen Hier . Beachten Sie jedoch, dass dieses Tool eine kontinuierliche Reaktion voraussetzt. Die separaten Leistungsanalysewerkzeuge für eine binäre Antwort passen sich nicht an mehr als einen Faktor an. Sie müssten davon ausgehen, dass das Ergebnis der beste Fall ist, und irgendwie einen Spielraum einbauen.
