cómo leer la trama real por predichaHola
En mi investigación realicé la prueba de diseño de detección definitiva del DOE.
Ahora pida su ayuda para entender cómo analizar los datos.
Por favor, indique dónde puedo encontrar explicaciones breves para esto y cómo leer la "trama real según la prevista".
gracias
Diseño de experimentosRe: cómo leer la trama real según la previstaMuchas gracias por la bienvenida y la ayuda, realmente lo aprecio.Re: cómo leer la trama real según la prevista
@Mark_Bailey escribió:
La gráfica real por predicha es una gráfica de dispersión. La respuesta prevista (Y-hat) se utiliza para la abscisa. La respuesta observada (Y) se utiliza para la ordenada.
Este ejemplo de Ajustar mínimos cuadrados también es un "gráfico de apalancamiento". Agrega una línea azul horizontal para la hipótesis nula (que la respuesta es independiente de los factores) y una línea roja inclinada para la hipótesis alternativa (que la respuesta depende de los factores). Es una prueba de "modelo completo" que compara un modelo con solo un intercepto para la hipótesis nula con el modelo completo con todos los factores agregados al intercepto para la hipótesis alternativa. Se traza una región roja de confianza del 95% encima de la línea roja inclinada. Si la línea azul horizontal está contenida en la región roja, entonces la prueba del modelo completo no es significativa en el nivel alfa = 0,05. Si la línea azul no está contenida dentro de la región roja, entonces toda la prueba del modelo es significativa al mismo nivel. Esta evaluación visual equivale a aplicar un nivel de significancia de 0,05 a la F -prueba presentada en la tabla de Análisis de Varianza.
La trama también se puede utilizar para evaluar visualmente la posibilidad de "falta de ajuste". Una predicción imparcial debería producir valores pronosticados que concuerden con los valores observados en promedio. La línea roja debe pasar por el centro de los puntos de datos. Si el modelo está sesgado, los puntos de datos se desviarán de la línea. Por ejemplo, si la respuesta al cambio de factores no es lineal pero el modelo incluye sólo términos para efectos lineales, entonces el modelo estará sesgado. Este ejemplo exhibiría curvatura en el gráfico real según lo previsto. Su ejemplo exhibe tal curvatura, por lo que su modelo está sesgado.
Observaste la respuesta muchas veces a las bajas y altas temperaturas. ¿Cuántas observaciones tienes a la temperatura central?
Podría intentar agregar un término de Temperatura al cuadrado al modelo. JMP representa potencias por multiplicación. Entonces la temperatura al cuadrado se suma como temperatura*temperatura.
¿Cuántos factores en total se incluyeron en el diseño de detección definitivo que utilizó?
En primer lugar me gustaría agradecerle su respuesta y explicaciones detalladas. Estoy agregando que los resultados se ajustan al informe DSD. Si es posible, ¿podría aconsejarme cómo analizar los resultados? Es la primera vez que uso DSD, agradecería su apoyo y asistencia con la parte de análisis.
muchas gracias
Re: cómo leer la trama real según la previstaPrimero, bienvenido a la comunidad. No proporcionó el experimento (factores/niveles), solo que ejecutó un DSD. Esta no es información suficiente para ayudarle en su análisis. Necesitamos saber cómo se adquirieron los datos y qué modelos tienen sentido y luego qué modelos se intentó analizar. Como indica Mark, lo real por lo predicho (y los gráficos de apalancamiento) son buenas herramientas de análisis gráfico que ayudan a comprender el modelo. Estos, junto con otros gráficos residuales, ayudan a determinar si se cumplen los supuestos del modelo y, lo que es más importante, si el modelo será útil. Parece que el contrapunto de temp. está "fuera de la región esperada" de un modelo lineal. También parece que su variación no es constante en diferentes niveles de temperatura. Ambos son indicadores de que su modelo no es particularmente "bueno".
Como sugiere Pete, existen muchas formas de analizar conjuntos de datos de un experimento. Primero sugeriría mirar los datos y determinar si varían lo suficiente como para tener valor práctico. Identifique cualquier anomalía o punto de datos inusual (existen varias técnicas para hacerlo). Luego busque patrones en la variable de respuesta. Preste especial atención a cuándo los patrones de la variable de respuesta coinciden con los patrones de los factores o interacciones. Los pasos siempre deben ser Prácticos>Gráficos>Cuantitativos.
Al intentar construir modelos, también existen múltiples estrategias (p. ej., RSquare-RSquare Adj delta, RMSE, valores p). Por ejemplo, la construcción de modelos sustractivos comienza con un modelo saturado y luego elimina términos que parecen insignificantes. A diferencia de la suma, que comienza con un factor y luego agrega términos al modelo (por ejemplo, regresión por pasos). Tenga en cuenta que las estadísticas del modelo son condicionales. Las estadísticas para cualquier término del modelo dependen de los demás términos que están en el modelo y de las condiciones en las que se ejecutó el experimento (espacio de inferencia). Si alguna de esas condiciones cambia, también pueden cambiar las estadísticas.
Re: cómo leer la trama real según la prevista@YanivD : Hay muchos métodos diferentes que se pueden utilizar para analizar datos y resultados de experimentos diseñados. Le sugiero que se inscriba en el curso SAS "Pensamiento estadístico para la resolución de problemas industriales" y centre su atención en los módulos orientados al DOE y al modelado. El portal de ingreso al curso se puede encontrar aquí:
Pensamiento estadístico para la resolución de problemas industriales
Re: cómo leer la trama real según la previstaLa gráfica real por predicha es una gráfica de dispersión. La respuesta prevista (Y-hat) se utiliza para la abscisa. La respuesta observada (Y) se utiliza para la ordenada.
Este ejemplo de Ajustar mínimos cuadrados también es un "gráfico de apalancamiento". Agrega una línea azul horizontal para la hipótesis nula (que la respuesta es independiente de los factores) y una línea roja inclinada para la hipótesis alternativa (que la respuesta depende de los factores). Es una prueba de "modelo completo" que compara un modelo con solo un intercepto para la hipótesis nula con el modelo completo con todos los factores agregados al intercepto para la hipótesis alternativa. Se traza una región roja de confianza del 95% encima de la línea roja inclinada. Si la línea azul horizontal está contenida en la región roja, entonces la prueba del modelo completo no es significativa en el nivel alfa = 0,05. Si la línea azul no está contenida dentro de la región roja, entonces toda la prueba del modelo es significativa al mismo nivel. Esta evaluación visual equivale a aplicar un nivel de significancia de 0,05 a la F -prueba presentada en la tabla de Análisis de Varianza.
La trama también se puede utilizar para evaluar visualmente la posibilidad de "falta de ajuste". Una predicción imparcial debería producir valores pronosticados que concuerden con los valores observados en promedio. La línea roja debe pasar por el centro de los puntos de datos. Si el modelo está sesgado, los puntos de datos se desviarán de la línea. Por ejemplo, si la respuesta al cambio de factores no es lineal pero el modelo incluye sólo términos para efectos lineales, entonces el modelo estará sesgado. Este ejemplo exhibiría curvatura en el gráfico real según lo previsto. Su ejemplo exhibe tal curvatura, por lo que su modelo está sesgado.
Observaste la respuesta muchas veces a las bajas y altas temperaturas. ¿Cuántas observaciones tienes a la temperatura central?
Podría intentar agregar un término de Temperatura al cuadrado al modelo. JMP representa potencias por multiplicación. Entonces la temperatura al cuadrado se suma como temperatura*temperatura.
¿Cuántos factores en total se incluyeron en el diseño de detección definitivo que utilizó?
