Respecto a la expresión de predicciónHola miembros,
Estoy realizando un diseño RSM en jmp 16 y quiero extraer la expresión de predicción para el modelo. Esta es la expresión de predicción que obtuve.
Los puntos centrales de x1 y x2 son 25 y 10 respectivamente.
- Estoy tratando de preguntarme por qué las variables están centradas usando los puntos centrales para este tipo de modelo. (Pensé que sólo se aplica a modelos de primer orden para tener en cuenta la curvatura)
- Al informar este modelo por escrito, ¿debo dejar la ecuación como está?
Cualquier ayuda será apreciada. Gracias de antemano.
Diseño de experimentosIngeniería de Calidad y ProcesosRe: Respecto a la expresión de predicciónMuchas gracias por la explicación elaborada. @Mark_Bailey . La explicación me ayudará mucho a comprender el modelo de regresión.
Re: Respecto a la expresión de predicciónHay muchas formas y razones para transformar variables. La transformación que encontró se llama "codificación". Se considera una mejor práctica al analizar datos de un experimento diseñado por varias razones. Las plataformas de diseño JMP (por ejemplo, Diseño personalizado) agregan la propiedad de la columna Codificación a las columnas de datos de factores continuos al hacer clic en Crear tabla. La plataforma Fit Least Squares reconoce esta propiedad de columna y aplica internamente la transformación.
Interpretación:
Sin codificación, las estimaciones de los parámetros dependen de la escala (es decir, unidades de medida). Es difícil responder preguntas como "¿Qué factor es el más importante?" simplemente examinando las estimaciones. Por otro lado, los niveles de factores codificados conducen a estimaciones invariantes de escala. Todavía representan el cambio en la respuesta para un cambio de una unidad en el factor, pero ahora eso es la mitad del rango de factores para todos los factores. (Por esta razón, la estimación que utiliza niveles de factores codificados a veces se denomina "medios efectos"). Además, la intersección suele ser necesaria para el modelado, pero no tiene sentido. Con la codificación, la intersección es siempre la respuesta media en el origen de su espacio de diseño.
Fuerza:
Siempre queremos estimaciones con el error estándar más pequeño, independientemente del propósito del experimento (por ejemplo, detección versus optimización). El diseño determina la correlación entre las estimaciones. Las estimaciones no correlacionadas tendrán el error estándar más pequeño. La correlación inflará la variación de las estimaciones y, por tanto, sus errores estándar. Los errores perfectamente correlacionados tienen una varianza infinita y, por tanto, son inseparables. Los efectos representados por estos parámetros son confusos. Codificar los niveles de los factores minimiza la correlación entre las estimaciones.
Estabilidad:
La jerarquía del modelo está relacionada con la codificación. Le recomendamos encarecidamente que mantenga la jerarquía del modelo cuando agregue o elimine términos del modelo. Una razón es que el modelo será inestable si luego cambia (transforma) las variables, como revertir la transformación de codificación. Usando la función Simplificar en el editor de fórmulas como lo sugiere @HadleyMyers produce un modelo diferente (algunos términos desaparecen, aparecen nuevos términos) si no mantiene la jerarquía al seleccionar su modelo.
Re: Respecto a la expresión de predicciónHola @kimani ,
Cuando JMP realiza la adaptación, centrará los factores X de forma predeterminada (creo), a menos que usted especifique que no lo haga. La razón es que el algoritmo puede determinar una mejor estimación de las betas, los coeficientes. Hacerlo de esta manera ayuda a llevar gran parte del error desconocido del ajuste a la constante, épsilon, reduciendo así los errores de las estimaciones de ajuste, las betas.
Espero que esto tenga sentido y ayude.
DS
Re: Respecto a la expresión de predicciónGracias por mostrarme las medias de una versión simplificada de la ecuación de regresión. Todavía soy nuevo en el modelado de regresión. También quería saber por qué no utilizamos las estimaciones de parámetros tal como están. ¿Cuál suele ser la razón detrás de centrar las variables predictoras utilizando los puntos centrales en la expresión de predicción?
Re: Respecto a la expresión de predicciónHola,
Puede resultar útil saber que puede convertir la segunda expresión en la primera guardando la fórmula de predicción en la tabla, abriéndola usando el editor de fórmulas y seleccionando "Simplificar" en el menú del triángulo rojo:
