Ciao comunità,
Ho ricevuto un set di dati da un esperimento in cui un prodotto è stato lasciato cadere da una certa altezza e le sue prestazioni sono state successivamente testate, con conseguente risposta positiva/negativa.
C'erano sei diverse configurazioni del dispositivo e 16 esemplari di ciascuna configurazione. Tutti i 96 esemplari sono stati sottoposti a test di caduta in ordine casuale.
Il motivo principale delle numerose ripetizioni per ogni configurazione è che il tasso di guasto è noto essere intorno a 1/10 per la configurazione di base ed era un desiderio avere una certa certezza di vedere i dispositivi che falliscono in tutte le configurazioni per poterli confrontare. Se avessimo fatto ad esempio solo 3 ripetizioni per ogni configurazione, potremmo aver visto nessun guasto o pochissimi guasti e probabilmente non avremmo imparato nulla.
La mia domanda è: qual è il modo migliore per modellare tutto questo?
- Se utilizzo tutti i 96 risultati pass/fail come risposta nominale in un modello logistico, i valori dell'effetto del modello sono identici in gruppi di 16, poiché tutte le righe della configurazione A hanno gli stessi valori dell'effetto del modello, tutte le righe della configurazione B hanno gli stessi valori dell'effetto del modello, ecc. (All'interno di ogni gruppo la risposta varia ovviamente: alcuni passano, altri falliscono.) È accettabile? Non ho mai provato a realizzare un modello come questo prima, in cui le variabili di input sono state così omogenee in gruppi.
- Se calcolo una percentuale di fallimenti (numero di fallimenti diviso 16) per ciascuna delle 6 configurazioni e la uso come risposta continua in un modello standard dei minimi quadrati, ottengo un modello molto scadente a causa della ridotta dimensione del campione (6). E non sono sicuro che tale configurazione rappresenti realmente ciò che è stato fatto sperimentalmente (96 esecuzioni indipendenti).
Spero che qualcuno possa aiutarmi!
Cordiali saluti,
Morte
Dirò innanzitutto che non è saggio eseguire un esperimento prima di selezionare il modello o l'analisi. I dati potrebbero non supportare ciò che desideri sapere. L'analisi e il modello vengono prima, non ultimi.
Esistono diversi tipi di analisi per una risposta binaria che potrebbero soddisfarti. È possibile utilizzare un modello di regressione logistica, un modello lineare generalizzato binomiale con una funzione di collegamento logit o un'analisi Probit. Tutte queste analisi utilizzerebbero lo stesso predittore lineare.
