Schätzung der DSD-Effekte gerader Ordnung und statistische SignifikanzHallo Community,
Ich bin ein Neuling im Bereich des definitiven Screening-Designs und versuche, mich mit den Daten, die ich kürzlich erhalten habe, vertraut zu machen. Ich hatte 6 Faktoren, von denen einer eine kategoriale Variable war, und zwei Antworten.
Ich habe einen DSD mit 18 Durchläufen durchgeführt, bei dem nur 3 Faktoren als aktiv identifiziert wurden. In der zweiten Stufe zur Bestimmung der Effekte gerader Ordnung wurden alle möglichen Zwei-Faktor-Wechselwirkungen identifiziert, die für eine der Antworten in das Modell einbezogen werden sollten, auch wenn nur der Schnittpunkt signifikant war.
Die Effektschätzungen gerader Ordnung für die andere Antwort umfassten nur statistisch signifikante 2-Faktor-Wechselwirkungen und quadratische Faktoren.
Ich habe die Vererbungs- und Hierarchieprinzipien durchgelesen, bin aber immer noch nicht in der Lage, den Grund zu identifizieren, warum einige der statistisch unbedeutenden Wechselwirkungen und quadratischen Effekte immer noch für eine Antwort im Modell enthalten sind und für die andere nicht.
Jede Hilfe wird sehr geschätzt.
Ich habe versucht, einen Screenshot des fit-definitiven Screening-Designs beizufügen, auf das ich mich beziehe.
VersuchsplanungWindowsBetreff: DSD-Effekte geradzahliger Schätzung und statistische Signifikanz@Mark_Bailey
Ich habe mich an die Techniker gewandt und sie haben mir geholfen, den Auswahlprozess für Stufe 2 zu verstehen.
Der RMSE für Stufe 2 war größer als der für Stufe 1.
Die Effekte können später nach eigenem Ermessen manuell entfernt werden.
Aus dem Buch: JMP® 13 Design of Experiments Guide
" Stufe 2 verwendet ein geführtes Teilmengen-Auswahlverfahren.Ziel ist es, dem Modell weiterhin Effekte zweiter Ordnung hinzuzufügen, solange das Verhältnis des RMSE von Stufe 2 zum RMSE von Stufe 1 größer als der angegebene Schwellenwert ist . Wenn das Verhältnis kleiner oder gleich dem Schwellenwert ist, weist dies darauf hin, dass dem Modell keine zusätzlichen Effekte zweiter Ordnung hinzugefügt werden müssen.Der Standardschwellenwert ist 1 . Kleinere Schwellenwerte erhöhen die Anzahl der Begriffe, die wahrscheinlich als aktiv identifiziert werden, im Vergleich zu größeren Schwellenwerten.
Betreff: DSD-Effekte geradzahliger Schätzung und statistische SignifikanzOkay. Lass mich sie kontaktieren und es herausfinden. Danke für die Hilfe.
Betreff: DSD-Effekte geradzahliger Schätzung und statistische SignifikanzIch denke, Sie sollten sich an den technischen Support von JMP wenden ( support@jmp.com ) Zum Thema. Bitte antworten Sie hier, wenn sie eine Antwort und eine Problemumgehung haben.
Betreff: DSD-Effekte geradzahliger Schätzung und statistische SignifikanzWenn ich mich entscheide, das Modell für A zu erstellen, sind dies die vorgeschlagenen Modelleffekte.
Betreff: DSD-Effekte geradzahliger Schätzung und statistische SignifikanzWas sehen Sie im Startdialog Modell anpassen, wenn Sie in Beispiel A auf die Schaltfläche Modell erstellen klicken?
Betreff: DSD-Effekte geradzahliger Schätzung und statistische SignifikanzDanke für die Erklärung und Entschuldigung für die Verwirrung.
Meine Frage war, warum zeigt eine der Antworten (die linke, A) alle möglichen Wechselwirkungen zweiter Ordnung für Stufe 2, obwohl ihre p-Werte größer als 0,05 sind (kein starker Beweis für Signifikanz)?
Betreff: DSD-Effekte geradzahliger Schätzung und statistische Signifikanz@Markbailley
Ja, ich hatte sechs Faktoren. Beim Durchführen des definitiven Fit-Screenings werden nur 3 Faktoren angezeigt. Ich nehme an, das sind diejenigen mit den niedrigsten p-Werten.
Meine Frage ist, warum zeigt eine der Antworten alle möglichen Wechselwirkungen zweiter Ordnung für Stufe 2, obwohl ihre p-Werte größer als 0,05 sind (kein starker Beweis für Signifikanz).
Betreff: DSD-Effekte geradzahliger Schätzung und statistische SignifikanzIhre Erklärung erwähnt 6 Faktoren im DSD, aber das Fit Definitive Screening zeigt nur 3 Faktoren.
Betreff: DSD-Effekte geradzahliger Schätzung und statistische SignifikanzIch bin mir Ihrer Frage oder Verwirrung nicht 100 % sicher, aber ich werde versuchen zu erklären, was hinter dem schrittweisen Ansatz zum Erstellen eines Modells mit der Fit DSD-Plattform steckt. JMP-Entwickler haben einen Arbeitsablauf entwickelt, der als Best Practice bei der Analyse dieser speziellen Art von Design gilt und den sogenannten „Phasen“ folgt. Stufe eins passt zu einem Modell nur für Haupteffekte, das ALLE Haupteffekte enthält, berichtet aber nur die Effekte mit relativ niedrigen p-Werten. Die Idee hier ist, die Eigenschaft der Wirkungshierarchie zu respektieren, die in untersuchten Systemen angetroffen wird. Dies ist ein Kernkonzept von DOE im Allgemeinen ... das ist der Schlüssel zum Denken und Analysieren von DSD. Dann passt Stufe zwei ein Modell an, um alle geraden Ordnungs- und quadratischen Effekte einzubeziehen, die die „signifikanten“ Effekte aus Stufe eins enthalten. Dieses Stadium respektiert den Begriff der Effektvererbung. Diese werden alle in Phase 2 gemeldet. Die letzte „Stufe“ kombiniert alle angepassten Effekte aus Stufe 1 und 2 zu einem kombinierten Modell … von dort aus können Sie dieses Modell für nachfolgende „Arbeiten“ verwenden … was auch immer Sie wählen. Vielleicht informieren sequentielle zusätzliche Experimente? Oder Vorhersage, wenn so fett.
Ich habe wahrscheinlich ein, zwei oder drei Punkte übersehen, also können sich vielleicht andere melden?
Hoffe das hilft?
