Estimación de los efectos de orden par del DSD y significancia estadísticaHola comunidad,
Soy nuevo en el diseño de detección definitiva y estoy tratando de entender los datos que obtuve recientemente. Tenía 6 factores, uno de los cuales era una variable categórica y dos respuestas.
Hice un DSD de 18 ejecuciones que solo identificó 3 factores activos. La segunda etapa para determinar los efectos de orden par identificó todas las posibles interacciones de 2 factores que se incluirían en el modelo para una de las respuestas, aunque solo la intersección fuera significativa.
Las estimaciones del efecto de orden par para la otra respuesta solo incluyeron interacciones de dos factores estadísticamente significativas y factores cuadráticos.
He estado leyendo los principios jerárquicos y de herencia, pero aún así no puedo identificar la razón por la cual algunas de las interacciones y efectos cuadráticos estadísticamente insignificantes todavía se incluyen en el modelo para una respuesta y no para la otra.
Cualquier ayuda será apreciada.
Intenté incluir una captura de pantalla del diseño de cribado definitivo y adecuado al que me refiero.
Diseño de experimentosventanasRe: Estimación de efectos de orden par DSD y significancia estadística@Mark_Bailey
Me comuniqué con técnicos y me ayudaron a comprender el proceso de selección de la etapa 2.
El RMSE para la etapa 2 fue mayor que el de la etapa 1.
Posteriormente, los efectos se pueden eliminar manualmente según el juicio.
Del libro: JMP® 13 Guía de diseño de experimentos
" La etapa 2 utiliza un procedimiento de selección de subconjunto guiado.El objetivo es continuar agregando efectos de segundo orden al modelo siempre que la relación entre el RMSE de la Etapa 2 y el RMSE de la Etapa 1 sea mayor que el umbral especificado. . Cuando la relación es menor o igual que el umbral, esto indica que no hay efectos adicionales de segundo orden para agregar al modelo.El umbral predeterminado es 1 . Los umbrales más pequeños aumentan la cantidad de términos que probablemente se identifiquen como activos en comparación con los umbrales más grandes"
Re: Estimación de efectos de orden par DSD y significación estadísticaBueno. Permítanme contactarlos y averiguarlo. Gracias por la ayuda.
Re: Estimación de efectos de orden par DSD y significancia estadísticaCreo que debería ponerse en contacto con el soporte técnico de JMP ( support@jmp.com ) sobre este tema. Responda aquí si tienen una respuesta y una solución alternativa.
Re: Estimación de efectos de orden par DSD y significación estadísticaCuando elijo hacer el modelo para A, estos son los efectos de modelo sugeridos.
Re: Estimación de efectos de orden par DSD y significancia estadística¿Qué ve en el cuadro de diálogo de inicio Ajustar modelo cuando hace clic en el botón Crear modelo en el ejemplo A?
Re: Estimación de efectos de orden par DSD y significancia estadísticaGracias por la explicación y disculpa la confusión.
Mi pregunta era, ¿por qué una de las respuestas (la de la izquierda, A) muestra todas las posibles interacciones de segundo orden para la etapa 2 a pesar de que sus valores de p son mayores que 0,05 (sin pruebas sólidas de significancia)?
Re: Estimación de efectos de orden par DSD y significación estadística@MarkBailley
Sí, tenía seis factores. Al ejecutar el tamizaje definitivo de ajuste, solo aparecen 3 factores. Supongo que esos son los que tienen los valores de p más bajos.
Mi pregunta es, ¿por qué una de las respuestas muestra todas las posibles interacciones de segundo orden para la etapa 2 a pesar de que sus valores de p son mayores que 0,05 (no hay pruebas sólidas de significancia).
Re: Estimación de efectos de orden par DSD y significación estadísticaSu explicación menciona 6 factores en el DSD, pero Fit Definitive Screening muestra solo 3 factores.
Re: Estimación de efectos de orden par DSD y significación estadísticaNo estoy 100% seguro de su pregunta o confusión, pero intentaré explicar cuál es el pensamiento detrás del enfoque por etapas para construir un modelo con la plataforma Fit DSD. Los desarrolladores de JMP han construido un flujo de trabajo que se considera una mejor práctica al analizar este tipo específico de diseño que sigue lo que se denomina "etapas". La etapa uno se ajusta a un modelo de solo efectos principales que incluye TODOS los efectos principales, pero solo informa los efectos con valores de p relativamente bajos. La idea aquí es respetar la propiedad de la jerarquía de efectos encontrada en los sistemas bajo estudio. Este es un concepto central en el DOE en general... que es clave para el pensamiento y el análisis de DSD. Luego, la etapa dos ajusta un modelo para incluir todos los efectos cuadráticos y de orden par que incluyen los efectos 'significativos' de la etapa uno. Esta etapa respeta la noción de efecto herencia. Todo eso se informa en la etapa 2. La 'etapa' final combina todos los efectos ajustados de la etapa 1 y 2 en un modelo combinado... desde allí puede usar ese modelo para el 'trabajo' posterior... lo que elija. ¿Quizás informar la experimentación adicional secuencial? O predicción si es tan audaz.
Probablemente me he perdido un punto o dos o tres, así que tal vez otros puedan intervenir.
¿Espero que esto ayude?
