예측 플롯으로 실제를 읽는 방법안녕
나는 내 연구에서 DOE 최종 선별 설계 테스트를 수행했습니다.
이제 데이터 분석 방법을 이해하기 위해 도움을 요청하십시오.
이에 대한 간단한 설명을 어디에서 찾을 수 있는지, 그리고 "예상 플롯에 따른 실제"를 읽는 방법에 대해 조언을 부탁드립니다.
감사해요
실험 설계Re: 예측 플롯으로 실제 내용을 읽는 방법환대와 도움을 주셔서 정말 감사합니다. 정말 감사합니다.Re: 예측 플롯으로 실제 내용을 읽는 방법
@마크_베일리 썼다:
실제 예측 플롯은 산점도입니다. 가로좌표에는 예측된 반응(Y-hat)이 사용됩니다. 관측된 반응(Y)은 세로좌표에 사용됩니다.
Fit Least Squares의 이 예는 '레버리지 도표'이기도 합니다. 귀무 가설(반응이 요인에 독립적이라는 것)에 파란색 가로 선을 추가하고 대립 가설(반응이 요인에 따라 다르다는 것)에 빨간색 기울어진 선을 추가합니다. 귀무가설에 대한 절편만 있는 모형과 대립가설에 대한 절편에 모든 요인을 추가한 전체 모형을 비교하는 '전체 모형' 검정입니다. 빨간색 95% 신뢰도 영역은 기울어진 빨간색 선 위에 표시됩니다. 파란색 가로선이 빨간색 영역에 포함되어 있으면 전체 모델 테스트가 알파 = 0.05 수준에서 유의하지 않습니다. 파란색 선이 빨간색 영역에 포함되지 않으면 전체 모델 테스트가 동일한 수준에서 유의미합니다. 이 시각적 평가는 유의 수준 0.05를 적용하는 것과 동일합니다. 에프 - 분산 분석 표에 제시된 테스트입니다.
플롯은 '적합성 부족' 가능성을 시각적으로 평가하는 데에도 사용할 수 있습니다. 편향되지 않은 예측은 평균적으로 관찰된 값과 일치하는 예측 값을 생성해야 합니다. 빨간색 선은 데이터 포인트의 중앙을 통과해야 합니다. 모델이 편향된 경우 데이터 포인트가 선에서 벗어납니다. 예를 들어, 요인 변경에 대한 반응이 비선형이지만 모델에 선형 효과에 대한 항만 포함된 경우 모델은 편향됩니다. 이 예는 예측 플롯에 따라 실제 곡률을 나타냅니다. 귀하의 예는 그러한 곡률을 나타내므로 모델이 편향되어 있습니다.
낮은 온도와 높은 온도에서 반응을 여러 번 관찰했습니다. 중심 온도에서 얼마나 많은 관측치를 얻었습니까?
모델에 온도 제곱 항을 추가하려고 할 수 있습니다. JMP는 곱셈을 통해 거듭제곱을 나타냅니다. 따라서 온도 제곱은 온도*온도로 추가됩니다.
사용한 확정 선별 설계에는 총 몇 개의 요인이 포함되었습니까?
먼저 귀하의 답변과 자세한 설명에 감사드립니다. DSD 보고서에 맞는 결과를 추가하고 있습니다. 가능하다면 결과를 분석하는 방법에 대해 조언해 주시겠습니까? DSD를 처음 사용하는데, 분석 부분에 대한 여러분의 지원과 도움에 감사드립니다.
정말 감사합니다
Re: 예측 플롯으로 실제 내용을 읽는 방법먼저, 커뮤니티에 오신 것을 환영합니다. DSD를 실행한 실험(요인/수준)만 제공하지 않았습니다. 이는 귀하의 분석에 도움이 되는 정보가 충분하지 않습니다. 데이터가 어떻게 획득되었는지, 어떤 모델이 의미가 있는지, 그리고 어떤 모델을 분석하려고 했는지 알아야 합니다. Mark가 지적한 것처럼 실제 예측(및 활용 플롯)은 모델을 이해하는 데 도움이 되는 훌륭한 그래픽 분석 도구입니다. 이는 다른 잔차 도표와 함께 모델 가정이 충족되는지 여부를 결정하는 데 도움이 되며 더 중요하게는 모델이 유용할지 여부를 결정하는 데 도움이 됩니다. 온도의 대위법인 것으로 보입니다. 선형 모델의 "예상 영역 외부"입니다. 또한 다양한 온도 수준에서 분산이 일정하지 않은 것으로 보입니다. 이 두 가지 지표는 모두 귀하의 모델이 특별히 "좋지" 않다는 지표입니다.
Pete가 제안한 것처럼 실험에서 데이터 세트를 분석하는 방법은 다양합니다. 먼저 데이터를 살펴보고 데이터가 실용적인 가치가 있을 만큼 충분히 다양한지 판단하는 것이 좋습니다. 이상이나 비정상적인 데이터 포인트를 식별합니다(이를 수행하는 데는 여러 가지 기술이 있습니다). 그런 다음 응답 변수에서 패턴을 찾습니다. 반응 변수의 패턴이 요인 또는 상호작용의 패턴과 일치하는 경우에 특히 주의하십시오. 단계는 항상 실용적>그래픽>정량적이어야 합니다.
모델을 구축하려고 할 때 여러 전략(예: RSquare-RSquare Adj 델타, RMSE, p-값)도 있습니다. 예를 들어 감산 모델 구축은 포화된 모델로 시작한 다음 중요하지 않은 항을 제거합니다. 하나의 요인으로 시작한 다음 모델에 항을 추가하는 덧셈과는 반대입니다(예: 단계적 회귀). 모델 통계는 조건부라는 점을 인식하세요. 모델의 모든 항에 대한 통계는 모델에 있는 다른 항과 실험이 실행된 조건(추론 공간)에 따라 달라집니다. 이러한 조건이 변경되면 통계도 변경될 수 있습니다.
Re: 예측 플롯으로 실제를 읽는 방법@YanivD : 설계된 실험의 데이터와 결과를 분석하는 데 사용할 수 있는 방법은 다양합니다. SAS "산업 문제 해결을 위한 통계적 사고" 과정에 등록하고 DOE 및 모델링 중심 모듈에 집중할 것을 제안합니다. 해당 과정의 입구 포털은 여기에서 찾을 수 있습니다:
산업문제 해결을 위한 통계적 사고
Re: 예측 플롯으로 실제를 읽는 방법실제 예측 플롯은 산점도입니다. 가로좌표에는 예측된 반응(Y-hat)이 사용됩니다. 관측된 반응(Y)은 세로좌표에 사용됩니다.
Fit Least Squares의 이 예는 '레버리지 도표'이기도 합니다. 귀무 가설(반응이 요인에 독립적이라는 것)에 파란색 가로 선을 추가하고 대립 가설(반응이 요인에 따라 다르다는 것)에 빨간색 기울어진 선을 추가합니다. 귀무가설에 대한 절편만 있는 모형과 대립가설에 대한 절편에 모든 요인을 추가한 전체 모형을 비교하는 '전체 모형' 검정입니다. 빨간색 95% 신뢰도 영역은 기울어진 빨간색 선 위에 표시됩니다. 파란색 가로선이 빨간색 영역에 포함되어 있으면 전체 모델 테스트가 알파 = 0.05 수준에서 유의하지 않습니다. 파란색 선이 빨간색 영역에 포함되지 않으면 전체 모델 테스트가 동일한 수준에서 유의미합니다. 이 시각적 평가는 유의 수준 0.05를 적용하는 것과 동일합니다. 에프 - 분산 분석 표에 제시된 테스트입니다.
플롯은 '적합성 부족' 가능성을 시각적으로 평가하는 데에도 사용할 수 있습니다. 편향되지 않은 예측은 평균적으로 관찰된 값과 일치하는 예측 값을 생성해야 합니다. 빨간색 선은 데이터 포인트의 중앙을 통과해야 합니다. 모델이 편향된 경우 데이터 포인트가 선에서 벗어납니다. 예를 들어, 요인 변경에 대한 반응이 비선형이지만 모델에 선형 효과에 대한 항만 포함된 경우 모델은 편향됩니다. 이 예는 실제 예측 플롯에 곡률을 나타냅니다. 귀하의 예는 그러한 곡률을 나타내므로 모델이 편향됩니다.
낮은 온도와 높은 온도에서 반응을 여러 번 관찰했습니다. 중심 온도에서 몇 개의 관측치를 얻었습니까?
모델에 온도 제곱 항을 추가하려고 할 수 있습니다. JMP는 곱셈을 통해 거듭제곱을 나타냅니다. 따라서 온도 제곱은 온도*온도로 추가됩니다.
사용한 확정 선별 설계에는 총 몇 개의 요인이 포함되었습니까?
