Sélection du modèle par étapesBonjour,
J'ai criblé une série de paramètres biologiques sur une réponse biologique avec un DSD. Je fais une régression pas à pas AICc, et à une valeur de p inférieure à 0,05, je vois seulement un ou deux de mes paramètres au maximum devenir significatifs, mais au-delà de cela (comme à environ 0,1 ou 0,2), plusieurs autres apparaissent comme significatifs, et si Je les supprime, la valeur R carré diminue. Dans certains modèles, je ne vois ni les valeurs carrées Cp ni R, qui sont principalement les derniers modèles affichés par le logiciel après l'ajustement. Mes questions sont donc les suivantes : 1- Est-il correct d'exclure ces modèles sans valeurs Cp et R au carré ? 2-La littérature manque de suffisamment d'informations sur la relation entre les paramètres pour ma réponse, mais il y en a peut-être certains que j'aimerais comprendre avec le modèle. J'ai vérifié la multicolinéarité et la valeur VIF est d'environ 1 à 2 (pas élevée), mais je ne sais pas comment interpréter mes résultats et si je dois limiter mon modèle à une valeur p inférieure à 0,05 ou supérieure ?
En tant que débutant, j'apprécierais toute aide !
Ingénierie Qualité et ProcédésRe : Sélection du modèle par étapesLa méthode Fit Definitive Screening est basée sur la structure repliable unique des traitements. Je m'appuie également sur les principes clés du dépistage pour bien fonctionner. Il est possible de tester tous les effets d’interaction du premier ordre, du second ordre et à deux facteurs, mais pas en même temps (principe clé : parcimonie des effets). Le DSD est trop petit pour correspondre à un modèle contenant des termes pour tous ces effets à la fois. Il utilise une approche ingénieuse pour démêler les effets actifs avant d’épuiser les données (degrés de liberté).
Le modèle factoriel complet n'inclut pas les termes de second ordre pour les effets non linéaires. Des effets non linéaires pourraient-ils apparaître dans votre réponse ? Avez-vous subi un test de manque d'ajustement pour vérifier les biais (effets manquants) ?
Ma question qui vous a dérouté concerne la taille relative des effets réels que vous espérez trouver par rapport aux effets aléatoires sur la réponse. Votre RMSE estimé est de 4 à 6, vous trouverez donc probablement des effets réels au moins 2 à 3 fois plus importants. Avez-vous inclus des courses supplémentaires ? Le nombre recommandé d’exécutions supplémentaires améliore considérablement la puissance statistique du plan. Un changement réel de la réponse égale à 12-18 est-il possible ? Est-ce significatif ?
Re : Sélection du modèle par étapesBonjour @statman . Merci, comme je l'ai mentionné dans ma réponse à Mark, j'ai obtenu des valeurs inférieures dans mes 17 exécutions par rapport à mon contrôle.
Re : Sélection du modèle par étapesBonjour @Mark_Bailey . Merci d'avoir répondu. J'ai 5 facteurs et j'ai utilisé le « criblage définitif d'ajustement » et j'ai vu le profileur et les tracés résiduels. Mais, quels que soient ces résultats, j'ai encore une fois effectué cette modélisation par étapes pour une factorielle complète car je pensais pouvoir mieux comprendre. Les RMSE varient entre 4 et 6. Ma valeur maximale souhaitée était initialement fixée à 40.
Désolé, je n'ai pas compris la question" Comment cette valeur se compare-t-elle au changement attendu dans la réponse à un effet réel ?". Mais en général, en comparant mes 17 analyses à une analyse de contrôle qui ne contenait aucun de ces facteurs, j'ai obtenu des valeurs inférieures. Comme tous les matériaux étaient chers, je n’ai malheureusement pas pu réaliser de conception de cadrage au préalable.
Re : Sélection du modèle par étapesMark et Pete ont tous deux d'excellentes questions et d'excellents conseils. J'ajouterai seulement quelques notes pratiques à votre enquête. Les données ont-elles un sens ? La variable de réponse a-t-elle changé d’une manière pratique ? Avez-vous représenté graphiquement les données ?
Re : Sélection du modèle par étapesPour ajouter un peu à @Mark_Bailey , rappelez-vous que vous avez exécuté une conception de dépistage. Ces types de conceptions font généralement partie d’un parcours stratégique plus large menant à l’apprentissage ou à la prise de décision. L’un des principaux objectifs d’un plan de dépistage est d’estimer les effets actifs ou intéressants qui méritent une étude plus approfondie. L'accent est mis ici sur « une étude plus approfondie ». J'essaie de ne pas trop m'attarder sur des choses comme les valeurs p critiques ou la modélisation de diagnostics statistiques pour prendre des décisions au-delà de « Dois-je inclure ces facteurs dans une étude plus approfondie ? » Ainsi, à ce stade de votre effort plus large de résolution de problèmes, vous souhaiterez peut-être continuer à inclure des facteurs ou des effets proches des valeurs p critiques ou des diagnostics de régression que vous utilisez. Gardez ces facteurs dans l'étude... continuez à étudier via les méthodes du DOE. Laissez les éléments et analyses supplémentaires vous guider dans l’enquête globale.
Re : Sélection du modèle par étapesDe combien de facteurs disposez-vous ?
Avez-vous essayé de sélectionner un modèle en sélectionnant DOE > Definitive Screening > Fit Definitive Screening ou en exécutant le script de table Fit Definitive Screening ?
Quel est le RMSE estimé pour votre réponse avec le meilleur modèle jusqu'à présent ? Comment cette valeur se compare-t-elle au changement attendu dans la réponse à un effet réel ?
