Interpretación de un Diseño Factorial con resultado binario¡Hola!
Tengo dificultades 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 sólo C y B son significativos con efectos negativos.
¿Es correcta mi conclusión?
El valor de Rsquare es muy bajo, sin embargo, el valor de chisquare para los elementos es significativo.
¿Quizás el experimento no tiene suficiente potencia y necesita un tamaño de muestra más grande?
PD.
Perdón por las preguntas de novato, todavía estoy aprendiendo. 
En general, al intentar interpretar diferentes experimentos del DoE, cuando reduzco el grado de diseño factorial de completo a un grado de 2 o elimino algunas variables de un modelo, el efecto de la misma variable cambia significativamente a veces en una dirección opuesta.
¿Debo observar 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?
¿Podría indicarme un artículo o libro con un enfoque estructurado sobre cómo interpretar los resultados del DoE binario?
Gracias
Diseño de experimentosCompartir y comunicar resultadosRe: Interpretación de un Diseño Factorial con resultado binarioSu caso, cambiar C de 0 a 1 mientras se mantiene D en 1 no es un ejemplo de interacción. Es solo el efecto condicional de cambiar C.
Re: Interpretación de un Diseño Factorial con resultado binario¿Qué le dice su conocimiento del proceso en cuestión además de los valores p y otras medidas estadísticas? El conocimiento del proceso tiene prioridad sobre las estadísticas... si las interacciones tienen sentido desde una comprensión física del sistema... entonces, a menos que alguna variable molesta o ruido salte y muerda el experimento... siga con su conocimiento.
¿Quizás pueda compartir el experimento real y los datos de respuesta junto con su análisis? Quizás podamos ofrecer otras ideas.
Oh, no importa... Acabo de ver que realmente compartiste el experimento y el análisis con nosotros.
Re: Interpretación de un Diseño Factorial con resultado binario¡Gracias! Lo intentaré.
Sé que si hay un efecto de interacción significativo entonces deberíamos incluirlo en un modelo aunque uno de los efectos principales no sea significativo. Como es el caso. Pero, ¿cómo podemos interpretar el hecho de que cuando C está en el nivel 0 y D en el nivel 1, tenemos una disminución en la tasa de éxito del 50%, mientras que B no es significativo?
Sin embargo, cuando С y D están ambos en el nivel 1, aumentan el nivel de éxito en un 20%.
Re: Interpretación de un Diseño Factorial con resultado binarioCreo que se puede utilizar la regresión logística o el GLM binomial para decidir sobre efectos significativos e interpretar la naturaleza de estos efectos.
Las plataformas de análisis de potencia bajo DOE > Diagnóstico de diseño > Potencia y tamaño de muestra no son las mejores herramientas para experimentos de factores múltiples.Estas herramientas de análisis de poder no son apropiadas cuando hay más de un factor porque los resultados son demasiado optimistas ya que no representan 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 característica. aquí . Pero tenga en cuenta que esta herramienta supone una respuesta continua. Y las herramientas de análisis de potencia independientes para una respuesta binaria no se adaptan a más de un factor. Tendría que asumir que el resultado es el mejor de los casos y generar un margen de alguna manera.
Re: Interpretación de un Diseño Factorial con resultado binario¡Gracias por su respuesta!
Lo siento, nombré por error la columna de éxitos, debería tener el nombre de recuento. Si entendí bien tu pregunta.
Entonces, ¿es mejor utilizar la regresión logística nominal para definir variables significativas y el GLM binomial para interpretar el tamaño de su efecto?
En cuanto al análisis de potencia, en este caso, si tenemos solo 2 niveles, entonces podemos calcular el tamaño de la muestra como si fuera un OFAT (experimento A/B), lo que daría como resultado 80.000 ensayos en total si queremos detectar un efecto del 20%. con la tasa de éxito actual del 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 sacarías en base a estos resultados?
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 tus factores. Si siempre predigo un error, acertaré AL MENOS el 99,4% de las veces. Ese es un muy buen modelo. 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 de análisis y la información que busca del análisis. Toda la suerte.
Re: Interpretación de un Diseño Factorial con resultado binario¿La tercera vez es la vencida?
El análisis probit funcionó pero los resultados son prácticamente los mismos.
Además, no hay nada malo con sus datos, lo cual es malo.
Parte de la razón del R cuadrado bajo es que se obtiene 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 binarioEn primer lugar, las respuestas binarias a menudo conducen a un R cuadrado muy bajo incluso cuando existen relaciones significativas. Simplemente significa que existe una gran incertidumbre en el resultado previsto para determinadas condiciones. Podría deberse a una falta de ajuste, pero nuevamente, es muy común con esa respuesta.
