Bonjour la communauté,
J'ai reçu un ensemble de données provenant d'une expérience où un produit a été lâché d'une certaine hauteur et ses performances ont été testées par la suite, ce qui a donné lieu à une réponse de réussite/échec.
Il y avait six configurations différentes du dispositif, et 16 spécimens de chaque configuration. Les 96 spécimens ont été testés en chute libre.
La principale raison des nombreuses répétitions pour chaque configuration est que le taux de défaillance est connu pour être d'environ 1/10 pour la configuration de base. Nous souhaitions donc avoir la certitude de voir les appareils défaillants dans toutes les configurations afin de les comparer. Si nous avions effectué, par exemple, seulement trois répétitions pour chaque configuration, nous n'aurions constaté aucune défaillance, voire très peu, et n'aurions probablement rien appris.
Ma question est : comment puis-je modéliser cela au mieux ?
- Si j'utilise les 96 résultats réussite/échec comme réponse nominale dans un modèle logistique, les valeurs d'effet du modèle sont identiques par groupe de 16, car toutes les lignes de la configuration A ont les mêmes valeurs d'effet du modèle, toutes les lignes de la configuration B ont les mêmes valeurs d'effet du modèle, etc. (À l'intérieur de chaque groupe, la réponse varie bien sûr : certains réussissent, d'autres échouent.) Est-ce acceptable ? Je n'ai jamais essayé de réaliser un modèle de ce type, où les variables d'entrée étaient aussi homogènes par groupe.
Si je calcule un pourcentage d'échecs (nombre d'échecs divisé par 16) pour chacune des 6 configurations et que je l'utilise comme réponse continue dans un modèle standard des moindres carrés, j'obtiens un modèle très médiocre en raison de la faible taille de l'échantillon (6). Et je ne suis pas sûr que cette configuration représente réellement ce qui a été réalisé expérimentalement (96 exécutions indépendantes).
J'espère que quelqu'un pourra aider !
Cordialement,
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.
