Bonjour,
Tout nouveau chez JMP, donc mes excuses si je fais quelque chose de manifestement mal avec vous, les plus sages. J'essaie d'exécuter une ANOVA à deux facteurs sur un ensemble de données qui implique la durée de vie d'un test de batterie à 3 températures différentes en utilisant 3 matériaux différents. Cependant, lorsque j'exécute "Ajuster le modèle" à l'aide de JMP, je n'obtiens qu'un seul degré de liberté pour chacun de mes effets, et non 2 comme je m'y attendais (3 points de données - 1 = 2 degrés de liberté). Cela provoque une surestimation assez méchante de mes ratios F et de mes valeurs p qui sont bien trop petites. J'ai joint le fichier brut .jmp que j'utilise, la boîte de dialogue de spécification de mon modèle et le résultat que j'obtiens du modèle. Qu'est-ce que je fais mal?
Meilleur,
Jordan
J'étais sur le point de fermer votre ensemble de données ce matin, et j'ai pensé à une dernière chose.
Une simple analyse des moindres carrés ordinaires peut être erronée pour la question que vous posez.
Il semble que votre colonne de temps soit quelque chose comme le temps jusqu'à l'échec. Dans ce cas, vous devez connaître la probabilité de défaillance à un moment précis. par exemple le temps B10, en fonction de la température et du matériau.
Dans ce cas, un ajustement de survie paramétrique est un bon choix
Fit Model(
Y( :Name( "Life (hours)" ) ),
Effects(
:Temperature & RS,
:Material Type,
:Temperature * :Temperature,
:Temperature * :Material Type
),
Personality( "Parametric Survival" ),
Distribution( "Weibull" ),
Run(
Likelihood Ratio Tests( 1 ),
Quantile Profiler(
1,
Confidence Intervals( 1 ),
Adapt Y Axis( 1 ),
Term Value(
Temperature( 68, Lock( 0 ), Show( 1 ) ),
Material Type( 3, Lock( 0 ), Show( 1 ) ),
Failure Probability( 0.1, Lock( 0 ), Show( 1 ) )
)
)
),
SendToReport(
Dispatch( {}, "Effect Summary", OutlineBox, {Close( 1 )} ),
Dispatch( {}, "Whole Model Test", OutlineBox, {Close( 1 )} ),
Dispatch( {}, "Parameter Estimates", OutlineBox, {Close( 1 )} ),
Dispatch( {}, "Wald Tests", OutlineBox, {Close( 1 )} ),
Dispatch( {}, "Effect Likelihood Ratio Tests", OutlineBox, {Close( 1 )} ),
Dispatch(
{"Quantile Profiler"},
"10000",
ScaleBox,
{Min( 0 ), Max( 220.470532541004 ), Inc( 25 ), Minor Ticks( 0 )}
),
Dispatch(
{"Quantile Profiler"},
"Profiler",
FrameBox,
{Frame Size( 208, 207 )}
),
Dispatch(
{"Quantile Profiler"},
"Profiler",
FrameBox( 3 ),
{Frame Size( 208, 207 )}
),
Dispatch(
{"Quantile Profiler"},
"Profiler",
FrameBox( 5 ),
{Frame Size( 208, 207 )}
)
)
)
Bienvenue dans la communauté, je regardais votre jeu de données et j'ai une question : Vous avez 4 réponses à chaque combinaison de traitement, quelles sont-elles ? S'agit-il de répétitions ou de répétitions (et sont-elles randomisées) ?
L'analyse dépend entièrement de la manière dont les données ont été collectées (quel que soit le logiciel). Il est vrai que si un facteur est> 2 niveaux, la façon dont vous définissez le type de données est importante. Si les variables sont effectivement continues, une approche de régression fournirait plus d'informations sur les effets du modèle que l'ANOVA (mais vous devez ajouter les termes polynomiaux au modèle).
Activez cette option dans votre rapport pour voir tous les niveaux de vos variables nominales
Aussi, pour obtenir une meilleure aide afin que les gens sachent ce que vous faites. Cliquez sur ce petit triangle rouge en haut, Enregistrer le script> Dans le presse-papiers. Revenez ensuite ici, tapez votre question, puis cliquez sur le bouton "" au-dessus de la fenêtre de publication, et collez-y votre presse-papiers.
Il ressemblera à ceci:
Fit Model(
Y( :Name( "Life (hours)" ) ),
Effects(
:Temperature & RS,
:Material Type,
:Temperature * :Temperature,
:Temperature * :Material Type
),
Run);
en exécutant ce script sur la table de données que vous avez fournie, vous pouvez voir exactement à quoi ressemble mon analyse.
Il s'agit d'un modèle de surface de réponse. Il inclut toutes les interactions bidirectionnelles et les effets quadratiques. Remarque Le matériau est nominal et la température est continue.
Effectivement, j'interprétais juste cela de manière incorrecte. J'ai supposé que JMP utiliserait un modèle d'effets avec n-1 degrés de liberté, mais comme j'ai défini la température comme une variable continue, JMP utilisait en fait un modèle de régression avec un nombre inférieur de degrés de liberté (1). En ajoutant un terme température * température, je peux amener les degrés de liberté jusqu'à 2, ou en changeant la température en une variable catégorique (pas continue).
Il semble que JMP manque complètement ma condition T = 70 degrés. C'est vraiment bizarre.
