Salut la communauté,
J'ai reçu un ensemble de données d'une expérience au cours de laquelle un produit a été lâché d'une certaine hauteur et ses performances ont été testées par la suite, ce qui a entraîné une réponse réussite/échec.
Il y avait six configurations différentes de l'appareil et 16 spécimens de chaque configuration. Les 96 spécimens ont été soumis à des tests de chute dans un ordre aléatoire.
La raison principale des nombreuses répétitions pour chaque configuration est que le le taux de défaillance est connu pour être d'environ 1/10 pour la configuration de base et c'était un souhait d'avoir une certaine certitude de voir les appareils qui échouent dans toutes les configurations afin de les comparer. Si nous n'avions fait par exemple que 3 répétitions pour chaque configuration, nous n'aurions peut-être vu aucun ou très peu d'échecs et n'aurions probablement rien appris.
Ma question est, comment modéliser au mieux cela?
- Si j'utilise les 96 résultats réussite/échec comme réponse nominale dans un modèle logistique, les valeurs d'effet du modèle sont identiques par groupes de 16, puisque toutes les lignes de la configuration A ont les mêmes valeurs d'effet du modèle, toutes les lignes de la configuration B ont le même modèle valeurs d'effet, etc. (A l'intérieur de chaque groupe, la réponse varie bien sûr : certains réussissent, d'autres échouent.) Est-ce acceptable ? Je n'ai jamais essayé de faire un modèle comme celui-ci auparavant, où les variables d'entrée ont été si homogène en groupes.
- Si je calcule un pourcentage d'échec (nombre d'échec divisé par 16) pour chacune des 6 configurations et l'utilise comme réponse continue dans un modèle standard des moindres carrés, j'obtiens un très mauvais modèle en raison de la faible taille de l'échantillon (6 ). Et je ne sais pas si cette configuration représente vraiment ce qui a été fait expérimentalement (96 exécutions indépendantes).
J'espère que quelqu'un pourra aider !
Bien à vous,
Morten
Je dirai d'abord qu'il n'est pas judicieux d'effectuer une expérience avant de sélectionner le modèle ou l'analyse. Les données peuvent ne pas prendre en charge ce que vous voulez savoir. L'analyse et le modèle viennent en premier, pas en dernier.
Il existe plusieurs types d'analyse pour une réponse binaire qui pourraient vous satisfaire. Vous pouvez utiliser un modèle de régression logistique, un modèle linéaire généralisé binomial avec une fonction de lien logit ou une analyse Probit. Toutes ces analyses utiliseraient le même prédicteur linéaire.
Salut Mark,
Merci pour votre réponse, et désolé pour la réponse tardive.
Je suis d'accord avec vous que le modèle aurait dû venir en premier, malheureusement les tests avaient déjà été effectués.
J'ai créé un modèle logistique et cela semble fonctionner ; Je suppose que toutes les "lignes répétées" (tous les facteurs aux mêmes niveaux pour plusieurs lignes) fournissent simplement plus de confiance que cette configuration passe, par exemple. Je pense donc que je vais continuer avec ce modèle logistique.
Merci pour ton aide!
