Hallo Community,
Ich habe einen Datensatz aus einem Experiment erhalten, bei dem ein Produkt aus einer bestimmten Höhe fallen gelassen und anschließend seine Leistung getestet wurde, was zu einer bestanden/nicht bestanden-Antwort führte.
Es gab sechs verschiedene Konfigurationen des Geräts und 16 Exemplare jeder Konfiguration. Alle 96 Exemplare wurden in zufälliger Reihenfolge einem Falltest unterzogen.
Der Hauptgrund für die vielen Wiederholungen für jede Konfiguration liegt darin, dass die Ausfallrate für die Basiskonfiguration bekanntermaßen bei etwa 1/10 liegt. Wir wollten daher in allen Konfigurationen Gerätefehler erkennen und vergleichen. Hätten wir beispielsweise nur drei Wiederholungen für jede Konfiguration durchgeführt, hätten wir möglicherweise keine oder nur sehr wenige Ausfälle festgestellt und wahrscheinlich nichts gelernt.
Meine Frage ist, wie modelliere ich dies am besten?
Wenn ich alle 96 Pass/Fail-Ergebnisse als nominale Antwort in einem logistischen Modell verwende, sind die Modelleffektwerte in Gruppen von 16 identisch, da alle Zeilen der Konfiguration A dieselben Modelleffektwerte haben, alle Zeilen der Konfiguration B dieselben Modelleffektwerte haben usw. (Innerhalb jeder Gruppe variiert die Antwort natürlich: Einige bestehen, andere nicht.) Ist das akzeptabel? Ich habe noch nie versucht, ein Modell wie dieses zu erstellen, bei dem die Eingabevariablen in Gruppen so homogen waren.
Wenn ich für jede der sechs Konfigurationen einen Fehlerprozentsatz (Anzahl der Fehler geteilt durch 16) berechne und diesen als kontinuierliche Antwort in einem Standard-Kleinste-Quadrate-Modell verwende, erhalte ich aufgrund der geringen Stichprobengröße (6) ein sehr schlechtes Modell. Und ich bin mir nicht sicher, ob dieser Aufbau wirklich das widerspiegelt, was experimentell erreicht wurde (96 unabhängige Durchläufe).
Hoffe, jemand kann helfen!
Mit freundlichen Grüße,
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.
