Ciao,
Nuovo di zecca per JMP, quindi mi scuso se sto facendo qualcosa di ovviamente sbagliato nei tuoi confronti, i saggi. Sto cercando di eseguire un'ANOVA a due fattori su un set di dati che prevede il test della durata della batteria a 3 temperature diverse utilizzando 3 materiali diversi. Quando eseguo "Adatta modello" utilizzando JMP, tuttavia, ottengo solo 1 grado di libertà per ciascuno dei miei effetti, non 2 come mi aspetterei (3 punti dati - 1 = 2 gradi di libertà). Ciò sta causando una brutta sopravvalutazione dei miei rapporti F e dei miei valori p che sono troppo piccoli. Ho allegato il file raw .jmp che sto utilizzando, la finestra di dialogo delle specifiche del modello e l'output che ottengo dal modello. Che cosa sto facendo di sbagliato?
Migliore,
Giordania
Stamattina stavo per chiudere il tuo set di dati e ho pensato a un'altra cosa.
Una semplice analisi dei minimi quadrati ordinari potrebbe essere sbagliata per la domanda che stai ponendo.
Sembra che la tua colonna del tempo sia qualcosa come il tempo del fallimento. In questo caso è necessario conoscere la probabilità di guasto in un momento specifico. ad esempio il tempo B10, in funzione della temperatura e del materiale.
In questo caso un Parametric Survival Fit è una buona scelta
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 )}
)
)
)
Benvenuto nella community, stavo guardando il tuo set di dati e ho una domanda: hai 4 risposte per ogni combinazione di trattamento, quali sono? Sono ripetizioni o repliche (e sono randomizzate)?
L'analisi dipende completamente da come sono stati raccolti i dati (indipendentemente dal software). È vero che se un fattore è >2 livelli, il modo in cui si imposta il tipo di dati è importante. Se le variabili sono effettivamente continue, un approccio di regressione fornirebbe maggiori informazioni sugli effetti del modello rispetto ad ANOVA (ma è necessario aggiungere i termini polinomiali al modello).
Attiva questa opzione nel rapporto per visualizzare tutti i livelli delle variabili nominali
Inoltre, per ottenere un aiuto migliore in modo che le persone sappiano cosa stai facendo. Fai clic su quel piccolo triangolo rosso in alto, Salva script> Negli Appunti. Quindi torna qui digita la tua domanda e fai clic sul pulsante "" sopra la finestra del post e incolla lì i tuoi appunti.
Sembrerà così:
Fit Model(
Y( :Name( "Life (hours)" ) ),
Effects(
:Temperature & RS,
:Material Type,
:Temperature * :Temperature,
:Temperature * :Material Type
),
Run);
eseguendo questo script sulla tabella dei dati che hai fornito, puoi vedere esattamente come appare la mia analisi.
Questo è un modello di superficie di risposta. Include tutte le interazioni a 2 vie e gli effetti quadratici. Nota Il materiale è nominale e la temperatura è continua.
Abbastanza sicuro, stavo solo interpretando questo in modo errato. Presumevo che JMP avrebbe utilizzato un modello di effetti con n-1 gradi di libertà, ma poiché ho impostato la temperatura come variabile continua, JMP stava effettivamente utilizzando un modello di regressione con un numero inferiore di gradi di libertà (1). Aggiungendo un termine temperatura * temperatura posso portare i gradi di libertà fino a 2, o cambiando la temperatura in una variabile categorica (non continua).
Sembra che a JMP manchi completamente la mia condizione T = 70 gradi. Questo è davvero bizzarro.
