Interpretation eines faktoriellen Designs mit binärem ErgebnisHallo!
Ich habe Probleme mit der Interpretation des faktoriellen Designs mit 4 Elementen. Vorher habe ich Experimente mit zwei Elementen durchgeführt und die Ergebnisse waren eindeutig.
Hier im Anhang können Sie meine JMP-Datensatzdatei mit dem Experiment sehen.
Als Ergebnis der Entfernung nichtsignifikanter Elemente kam ich zu dem Schluss, dass nur C und B signifikant mit negativer Wirkung sind.
Ist meine Schlussfolgerung richtig?
Der R-Quadrat-Wert ist sehr niedrig, der Chi-Quadrat-Wert für Elemente ist jedoch signifikant.
Vielleicht ist das Experiment zu schwach und benötigt eine größere Stichprobengröße?
PS.
Entschuldigung für die Fragen von Neulingen, ich lerne noch. 
Wenn ich versuche, verschiedene DoE-Experimente zu interpretieren, wenn ich den Grad des faktoriellen Designs von vollständig auf einen Grad von 2 reduziere oder einige Variablen aus einem Modell entferne, ändert sich im Allgemeinen die Wirkung derselben Variablen erheblich, manchmal in die entgegengesetzte Richtung.
Muss ich in diesem Fall bei der Auswahl eines Modells auf die Fehlinterpretationsrate achten?
Müssen Sie dann ein Folgeexperiment mit der Gewinnervariablen durchführen, oder können Sie sie einfach versenden? Was ist hier der Ansatz?
Können Sie mich bitte auf einen Artikel oder ein Buch mit einem strukturierten Ansatz zur Interpretation der Ergebnisse binärer DoE verweisen?
Danke
VersuchsplanungErgebnisse teilen und kommunizierenBetreff: Interpretation eines faktoriellen Designs mit binärem ErgebnisIhr Fall, C von 0 auf 1 zu ändern, während D auf 1 gehalten wird, ist kein Beispiel für eine Interaktion. Es ist nur der bedingte Effekt der Änderung von C.
Betreff: Interpretation eines faktoriellen Designs mit binärem ErgebnisWas sagen Ihnen Ihre Kenntnisse über den betreffenden Prozess über p-Werte und andere statistische Maße hinaus? Prozesswissen hat Vorrang vor Statistiken ... wenn die Wechselwirkungen aus einem physikalischen Verständnis des Systems sinnvoll sind ... dann bleiben Sie bei Ihrem Wissen, es sei denn, eine Stör- oder Rauschvariable sprang auf und störte das Experiment.
Vielleicht können Sie die tatsächlichen Experiment- und Antwortdaten zusammen mit Ihrer Analyse teilen? Vielleicht können wir noch weitere Gedanken einbringen.
Oh, egal ... Ich habe gerade gesehen, dass Sie das Experiment und die Analyse tatsächlich mit uns geteilt haben.
Betreff: Interpretation eines faktoriellen Designs mit binärem ErgebnisDanke schön! Ich werde es ausprobieren.
Ich weiß, dass wir, wenn es einen signifikanten Interaktionseffekt gibt, ihn in ein Modell einbeziehen sollten, auch wenn einer der Haupteffekte möglicherweise nicht signifikant ist. Wie es der Fall ist. Aber wie können wir die Tatsache interpretieren, dass wir bei С auf dem Niveau 0 und D auf 1 einen Rückgang der Erfolgsquote um 50 % haben, während В nicht signifikant ist?
Wenn C und D jedoch beide auf Stufe 1 sind, erhöhen sie die Erfolgsstufe um 20 %.
Betreff: Interpretation eines faktoriellen Designs mit binärem ErgebnisIch denke, dass entweder die logistische Regression oder die binomiale GLM verwendet werden können, um über signifikante Effekte zu entscheiden und die Art dieser Effekte zu interpretieren.
Die Leistungsanalyseplattformen unten DOE > Designdiagnose > Trennschärfe und Stichprobengröße sind nicht die besten Werkzeuge für Experimente mit mehreren Faktoren.Diese Power-Analyse-Tools 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.
Generell empfehle ich die Verwendung von Designbewertung > Leistungsanalyse Tool, das in jeder Designplattform verfügbar ist. Sie können mehr über diese Funktion lesen Hier . Beachten Sie jedoch, dass dieses Tool eine kontinuierliche Reaktion voraussetzt. Und die separaten Leistungsanalysetools 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 einplanen.
Betreff: Interpretation eines faktoriellen Designs mit binärem ErgebnisDanke für Ihre Antwort!
Es tut mir leid, dass ich die Spalte „Erfolge“ fälschlicherweise benannt habe. Sie sollte den Namen „Anzahl“ haben. Wenn ich deine Frage richtig verstanden habe.
Ist es also besser, die nominelle logistische Regression zur Definition signifikanter Variablen und binomiales GLM zur Interpretation ihrer Effektgröße zu verwenden?
In Bezug auf die Leistungsanalyse können wir in diesem Fall, wenn wir nur zwei Ebenen haben, die Stichprobengröße so berechnen, als wäre es ein OFAT (A/B-Experiment), was insgesamt 80.000 Versuche ergeben würde, wenn wir einen Effekt von 20 % erkennen möchten. mit aktueller Erfolgsquote der Kontrolle. Das ist mehr, als ich im Datensatz habe (20.000). Daher ist möglicherweise eine größere Stichprobengröße erforderlich.
Welche Schlussfolgerungen würden Sie aus diesen Ergebnissen ziehen?
Betreff: Interpretation eines faktoriellen Designs mit binärem ErgebnisVielleicht hat Mark mit der Probit-Analyse Recht. Ich bin nicht sicher. Ich sehe auch, dass Mark einige Datenprobleme gesehen hat, die gelöst werden müssen.
Was mir aufgefallen ist, ist, dass die Erfolgswahrscheinlichkeit EXTREM gering ist. Die höchste Erfolgswahrscheinlichkeit für jede experimentelle Bedingung beträgt 0,006. Dies stellt ein Problem dar, da ich Ihre Faktoren nicht einmal berücksichtigen muss. Wenn ich immer einen Fehler vorhersage, liege ich in MINDESTENS 99,4 % der Fälle richtig. 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 aus der Analyse suchen, überdenken. Viel Glück.
Betreff: Interpretation eines faktoriellen Designs mit binärem ErgebnisDas dritte Mal ist ein Zauber?
Die Probit-Analyse hat funktioniert, aber die Ergebnisse sind praktisch gleich.
Außerdem ist an Ihren Daten nichts auszusetzen – mein Fehler.
Ein Grund für das niedrige R-Quadrat liegt darin, dass Sie ein seltenes Ergebnis haben (Erfolgsquoten) und die Zählungen nicht sehr unterschiedlich sind, wenn sich die Bedingungen ändern.
Betreff: Interpretation eines faktoriellen Designs mit binärem ErgebnisErstens führen binäre Antworten häufig zu einem sehr niedrigen R-Quadrat, selbst wenn signifikante Beziehungen bestehen. Es bedeutet lediglich, dass das vorhergesagte Ergebnis unter bestimmten Bedingungen mit großer Unsicherheit behaftet ist. Es könnte an mangelnder Passform liegen, aber auch hier kommt es bei einer solchen Reaktion sehr häufig vor.
