comment lire le réel par l'intrigue prévueSalut
J'ai effectué le test de conception de dépistage définitif du DOE dans le cadre de mes recherches.
demandez maintenant votre aide pour comprendre comment analyser les données.
s'il vous plaît, des conseils, où puis-je trouver de courtes explications à ce sujet et comment lire le « intrigue réelle par prévision » ?
merci
Conception d'expériencesRe : Comment lire le réel par l'intrigue préditeMerci beaucoup pour l'accueil et l'aide, j'apprécie vraimentRe : Comment lire le réel par l'intrigue prédite
@Mark_Bailey a écrit:
Le tracé réel par prévu est un nuage de points. La réponse prédite (Y-hat) est utilisée pour l'abscisse. La réponse observée (Y) est utilisée pour l'ordonnée.
Cet exemple de Fit Least Squares est également un « graphique de levier ». Il ajoute une ligne bleue horizontale pour l'hypothèse nulle (que la réponse est indépendante des facteurs) et une ligne rouge inclinée pour l'hypothèse alternative (que la réponse dépend des facteurs). Il s'agit d'un test de « modèle complet » qui compare un modèle avec uniquement l'ordonnée à l'origine pour l'hypothèse nulle au modèle complet avec tous les facteurs ajoutés à l'ordonnée à l'origine pour l'hypothèse alternative. Une région de confiance rouge à 95 % est tracée au-dessus de la ligne rouge inclinée. Si la ligne bleue horizontale est contenue par la région rouge, alors l'ensemble du test du modèle n'est pas significatif au niveau alpha = 0,05. Si la ligne bleue n’est pas contenue dans la région rouge, alors l’ensemble du test du modèle est significatif au même niveau. Cette évaluation visuelle équivaut à appliquer un niveau de signification de 0,05 au F -test présenté dans le tableau Analyse de Variance.
Le tracé peut également être utilisé pour évaluer visuellement la possibilité d'un « manque d'ajustement ». Une prédiction impartiale doit produire des valeurs prédites qui concordent en moyenne avec les valeurs observées. La ligne rouge doit passer par le milieu des points de données. Si le modèle est biaisé, les points de données s'écarteront de la ligne. Par exemple, si la réponse à la modification des facteurs est non linéaire mais que le modèle inclut uniquement des termes pour les effets linéaires, alors le modèle sera biaisé. Cet exemple présenterait une courbure dans le tracé réel par rapport au tracé prévu. Votre exemple présente une telle courbure, votre modèle est donc biaisé.
Vous avez observé la réponse à plusieurs reprises aux températures basses et élevées. Combien d’observations avez-vous à la température centrale ?
Vous pouvez essayer d'ajouter un terme de température au carré au modèle. JMP représente les puissances par multiplication. Ainsi, la température au carré est ajoutée sous la forme température*température.
Combien de facteurs au total ont été inclus dans le plan de sélection définitif que vous avez utilisé ?
Tout d'abord je tiens à vous remercier pour votre réponse et vos explications détaillées. J'ajoute le rapport DSD d'ajustement des résultats - si c'est possible, pourriez-vous s'il vous plaît me conseiller sur la façon d'analyser les résultats ? c'est la première fois que j'utilise DSD, j'apprécierais votre soutien et votre aide pour la partie analyse.
merci beaucoup
Re : Comment lire le réel par l'intrigue préditeTout d’abord, bienvenue dans la communauté. Vous n'avez pas fourni l'expérience (facteurs/niveaux) uniquement pour indiquer que vous avez exécuté un DSD. Ces informations ne sont pas suffisantes pour vous aider dans votre analyse. Nous devons savoir comment les données ont été acquises et quels modèles ont du sens, puis quels modèles vous avez essayé d'analyser. Comme Mark l'indique, les graphiques réels et prédits (et les graphiques de levier) sont de bons outils d'analyse graphique qui aident à comprendre le modèle. Ceux-ci, ainsi que d'autres tracés résiduels, aident à déterminer si les hypothèses du modèle sont satisfaites et, plus important encore, si le modèle sera utile. Il semble bien que le contrepoint de temp. est "en dehors de la région attendue" d'un modèle linéaire. Il semble également que votre variance ne soit pas constante à différents niveaux de température. Ce sont deux indicateurs que votre modèle n’est pas particulièrement « bon ».
Comme le suggère Pete, il existe de nombreuses façons d’analyser les ensembles de données d’une expérience. Je suggérerais d'abord d'examiner les données et de déterminer si les données varient suffisamment pour avoir une valeur pratique. Identifiez toute anomalie ou point de données inhabituel (il existe plusieurs techniques pour ce faire). Recherchez ensuite des modèles dans la variable de réponse. Portez une attention particulière au moment où les modèles de la variable de réponse correspondent aux modèles des facteurs ou des interactions. Les étapes doivent toujours être pratiques> graphiques> quantitatives.
Lorsque vous essayez de créer des modèles, il existe également plusieurs stratégies (par exemple, RSquare-RSquare Adj delta, RMSE, valeurs p). Par exemple, la construction de modèles soustractifs commence par un modèle saturé, puis supprime les termes qui semblent insignifiants. Contrairement à l'additif qui commence par un facteur, puis vous ajoutez des termes au modèle (par exemple, régression pas à pas). Sachez que les statistiques du modèle sont conditionnelles. Les statistiques pour n'importe quel terme du modèle dépendent des autres termes présents dans le modèle et des conditions dans lesquelles l'expérience a été exécutée (espace d'inférence). Si l’une de ces conditions devait changer, les statistiques pourraient également changer.
Re : Comment lire le réel par l'intrigue prédite@YanivD : Il existe de nombreuses méthodes différentes que l'on peut utiliser pour analyser les données et les résultats des expériences conçues. Je vous suggère de vous inscrire au cours SAS « Réflexion statistique pour la résolution de problèmes industriels » et de concentrer votre attention sur les modules orientés DOE et modélisation. Le portail d’entrée au cours se trouve ici :
Pensée statistique pour la résolution de problèmes industriels
Re : Comment lire le réel par l'intrigue préditeLe tracé réel par prévu est un nuage de points. La réponse prédite (Y-hat) est utilisée pour l'abscisse. La réponse observée (Y) est utilisée pour l'ordonnée.
Cet exemple de Fit Least Squares est également un « graphique de levier ». Il ajoute une ligne bleue horizontale pour l'hypothèse nulle (que la réponse est indépendante des facteurs) et une ligne rouge inclinée pour l'hypothèse alternative (que la réponse dépend des facteurs). Il s'agit d'un test de « modèle complet » qui compare un modèle avec uniquement l'ordonnée à l'origine pour l'hypothèse nulle au modèle complet avec tous les facteurs ajoutés à l'ordonnée à l'origine pour l'hypothèse alternative. Une région de confiance rouge à 95 % est tracée au-dessus de la ligne rouge inclinée. Si la ligne bleue horizontale est contenue par la région rouge, alors l'ensemble du test du modèle n'est pas significatif au niveau alpha = 0,05. Si la ligne bleue n’est pas contenue dans la région rouge, alors l’ensemble du test du modèle est significatif au même niveau. Cette évaluation visuelle équivaut à appliquer un niveau de signification de 0,05 au F -test présenté dans le tableau Analyse de Variance.
Le tracé peut également être utilisé pour évaluer visuellement la possibilité d'un « manque d'ajustement ». Une prédiction impartiale doit produire des valeurs prédites qui concordent en moyenne avec les valeurs observées. La ligne rouge doit passer par le milieu des points de données. Si le modèle est biaisé, les points de données s'écarteront de la ligne. Par exemple, si la réponse à la modification des facteurs est non linéaire mais que le modèle inclut uniquement des termes pour les effets linéaires, alors le modèle sera biaisé. Cet exemple présenterait une courbure dans le tracé réel par rapport au tracé prévu. Votre exemple présente une telle courbure, votre modèle est donc biaisé.
Vous avez observé la réponse à plusieurs reprises aux températures basses et élevées. Combien d’observations avez-vous à la température centrale ?
Vous pouvez essayer d'ajouter un terme de température au carré au modèle. JMP représente les puissances par multiplication. Ainsi, la température au carré est ajoutée sous la forme température*température.
Combien de facteurs au total ont été inclus dans le plan de sélection définitif que vous avez utilisé ?
