Interpretación de un diseño factorial con resultado binario¡Hola!
Estoy luchando con la interpretación del diseño factorial con 4 elementos. Antes probé experimentos con 2 elementos y los resultados fueron sencillos.
Aquí, en el archivo adjunto, puede ver mi archivo de conjunto de datos jmp con el experimento.
Como resultado de eliminar elementos no significativos, llegué a la conclusión de que solo C y B son significativos con efecto negativo.
¿Es correcta mi conclusión?
El valor de Rsquare es muy bajo, sin embargo, el valor de chiquare de los elementos es significativo.
¿Quizás el experimento no tiene la potencia suficiente y necesita un tamaño de muestra más grande?
PD.
Perdón por las preguntas de los novatos, todavía estoy aprendiendo.:)
En general, al intentar interpretar diferentes experimentos de DoE cuando reduzco el grado de diseño factorial de completo a un grado 2 o elimino algunas variables de un modelo, el efecto de la misma variable cambia significativamente a veces en una dirección opuesta.
¿Necesito mirar la tasa de malas interpretaciones para elegir un modelo en este caso?
¿Está obligado entonces a realizar un experimento de seguimiento con la variable ganadora o simplemente puede enviarlo? ¿Cuál es el enfoque aquí?
¿Puede indicarme un artículo o un libro con un enfoque estructurado sobre cómo interpretar los resultados del DoE binario?
Gracias
AnalíticaGAMARe: interpretación de un diseño factorial con resultado binarioEn primer lugar, las respuestas binarias a menudo conducen a un cuadrado R muy bajo incluso cuando hay relaciones significativas. Simplemente significa que existe una gran incertidumbre en el resultado previsto para determinadas condiciones. Puede deberse a una falta de ajuste, pero de nuevo, es muy común con esta respuesta.
Re: interpretación de un diseño factorial con resultado binario¿La tercera vez es un encanto?
El análisis probit funcionó, pero los resultados son prácticamente los mismos.
Además, sus datos no tienen nada de malo, mi culpa.
Parte de la razón del cuadrado R bajo es que tiene un resultado poco común (proporciones de éxito) y los recuentos no son muy diferentes a medida que cambian las condiciones.
Re: interpretación de un diseño factorial con resultado binarioQuizás Mark tenga razón en el análisis Probit. No estoy seguro. También veo que Mark vio algunos problemas de datos que deben resolverse.
Lo que noté es que la probabilidad de éxito es EXTREMADAMENTE baja. La probabilidad más alta de éxito para cualquier condición experimental es 0,006. Esto causa un problema porque ni siquiera necesito considerar sus factores. Si siempre predigo una falla, estaré en lo correcto al MENOS 99.4% del tiempo. Ese es un modelo muy bueno. No es muy informativo, pero es bueno. Esto causará problemas para cualquier enfoque de modelado.
Creo que debería corregir los problemas de datos y repensar el enfoque del análisis y qué información está buscando del análisis. La mejor de las suertes.
Re: interpretación de un diseño factorial con resultado binario¡Gracias por su respuesta!
Lo siento, nombré por error la columna de éxitos, debería tener un nombre de recuento. Si entendí tu pregunta correctamente.
Entonces, ¿es mejor usar la regresión logística nominal para definir variables significativas y GLM binomial para interpretar su tamaño de efecto?
En cuanto al análisis de potencia, en este caso si solo tenemos 2 niveles entonces podemos calcular el tamaño de la muestra como si fuera un OFAT (experimento A / 
, lo que daría como resultado 80K ensayos en total si queremos detectar un efecto del 20% con la tasa de éxito actual de control. Esto es más de lo que tengo en el conjunto de datos (20K). Entonces, tal vez se requiera un tamaño de muestra mayor.
¿Qué conclusiones sacaría en base a estos resultados?
Re: interpretación de un diseño factorial con resultado binarioCreo que la regresión logística o el GLM binomial se pueden utilizar para decidir sobre los efectos significativos e interpretar la naturaleza de estos efectos.
Las plataformas de análisis de poder bajo DOE> Design Diagnostics> Potencia y tamaño de muestra no son las mejores herramientas para experimentos de factores múltiples.Estas herramientas de análisis de potencia no son apropiadas cuando hay más de un factor porque los resultados son demasiado optimistas, ya que no tienen en cuenta la cantidad de muestra requerida para estimar y probar los otros efectos.
Generalmente recomiendo usar el Evaluación de diseño> Análisis de potencia herramienta disponible dentro de cada plataforma de diseño. Puedes leer más sobre esta función aquí . Pero tenga en cuenta que esta herramienta asume una respuesta continua. Y las herramientas de análisis de potencia independientes para una respuesta binaria no se adaptan a más de un factor. Debería asumir que el resultado es el mejor de los casos y construir un margen de alguna manera.
