Hallo Gemeinde,
Ich habe einen Datensatz von einem Experiment erhalten, bei dem ein Produkt aus einer bestimmten Höhe fallen gelassen und seine Leistung anschließend getestet wurde, was zu einer bestanden/nicht bestandenen Antwort führte.
Es gab sechs verschiedene Konfigurationen des Geräts und 16 Exemplare jeder Konfiguration. Alle 96 Proben wurden in zufälliger Reihenfolge tropfengetestet.
Der Hauptgrund für die vielen Wiederholungen bei jeder Konfiguration ist, dass die Es ist bekannt, dass die Ausfallrate für die Basiskonfiguration bei etwa 1/10 liegt, und es war der Wunsch, eine gewisse Sicherheit zu haben, Geräte zu sehen, die in allen Konfigurationen ausfallen, um sie vergleichen zu können. Hätten wir zB nur 3 Wiederholungen für jede Konfiguration gemacht, hätten wir vielleicht keine oder nur sehr wenige Fehler gesehen und hätten wahrscheinlich nichts gelernt.
Meine Frage ist, wie modelliere ich das am besten?
- Wenn ich alle 96 Pass/Fail-Ergebnisse als nominelle Antwort in einem logistischen Modell verwende, sind die Modelleffektwerte in Gruppen von 16 identisch, da alle Reihen der Konfiguration A die gleichen Modelleffektwerte haben, alle Reihen der Konfiguration B das gleiche Modell haben Effektwerte usw. (Innerhalb jeder Gruppe variiert die Antwort natürlich: manche bestehen, manche scheitern.) Ist das akzeptabel? Ich habe noch nie versucht, ein solches Modell zu erstellen, bei dem die Eingabevariablen so waren homogen in Gruppen.
- Wenn ich für jede der 6 Konfigurationen einen Fehlerprozentsatz (Anzahl der Fehler geteilt durch 16) berechne und diesen als kontinuierliche Antwort in einem Standardmodell der kleinsten Quadrate verwende, erhalte ich aufgrund der geringen Stichprobengröße (6 .) ein sehr schlechtes Modell ). Und ich bin mir nicht sicher, ob dieses Setup wirklich das darstellt, was experimentell gemacht wurde (96 unabhängige Läufe).
Hoffe jemand kann helfen!
Mit freundlichen Grüßen,
Morten
Ich möchte zunächst sagen, dass es unklug ist, ein Experiment durchzuführen, bevor Sie das Modell oder die Analyse auswählen. Die Daten unterstützen möglicherweise nicht das, was Sie wissen möchten. Die Analyse und das Modell stehen an erster Stelle, nicht zuletzt.
Es gibt verschiedene Arten von Analysen für eine binäre Antwort, die Sie möglicherweise zufriedenstellen. Sie können ein logistisches Regressionsmodell, ein binomiales generalisiertes lineares Modell mit einer Logit-Link-Funktion oder eine Probit-Analyse verwenden. Alle diese Analysen würden denselben linearen Prädiktor verwenden.
Hallo Mark,
Danke für deine Antwort und sorry für die späte Antwort.
Ich stimme Ihnen zu, dass das Modell zuerst hätte kommen sollen, leider waren die Tests bereits durchgeführt worden.
Ich habe ein Logistikmodell erstellt und es scheint zu funktionieren; Ich denke, alle "wiederholten Zeilen" (alle Faktoren auf denselben Ebenen für mehrere Zeilen) bieten beispielsweise nur mehr Vertrauen, dass diese Konfiguration besteht. Also denke ich, dass ich mit diesem logistischen Modell fortfahren werde.
Danke für Ihre Hilfe!
