CIAO,
Ho progettato una serie di esperimenti utilizzando il Latin Hypercube Design (3 Factors), ho eseguito tutte le simulazioni (simulazioni CFD) e ora sto analizzando le risposte utilizzando il processo gaussiano.
Cosa significa ciascun termine nella tabella denominata Model Report?
Credo che numeri più grandi (ad esempio nella colonna dell'effetto principale) significhino che il fattore ha un effetto più importante sulla risposta. È giusto? Ad esempio, in questa figura, il fattore più importante sarebbe la direzione del vento e l'effetto della distanza di separazione non influenza in modo significativo la risposta. Va bene questa interpretazione?
Come devo interpretare le colonne theta e sensibilità totale?
Vorrei che il metodo di analisi non solo mi fornisse l'equazione di correlazione (modello), ma anche una sorta di screening, indicando i fattori più rilevanti nel problema. Esiste qualche altra analisi che potrebbe essere migliore per questo rispetto al processo gaussiano?
Come dovrei analizzare se il modello si adatta bene ai risultati quando si utilizza il processo gaussiano, esiste un criterio o regola pratica che dovrei seguire?
Sono nuovo nell'uso di JMP e del processo gaussiano, quindi perdonami se le mie domande sono troppo semplici.
Non conosco la fluidodinamica. Non esitate a commentare se la mia risposta non ha senso per voi.
Ciò che hai detto sull'importanza è per lo più corretto, ma forse incompleto. Ho cerchiato tutti i numeri che dovresti guardare. Includono tutte le voci in Effetto principale e gli elementi fuori diagonale tra le interazioni. La direzione del vento è l'effetto singolo più importante, ma l'interazione tra la velocità del vento e la direzione del vento sembra avere un effetto leggermente maggiore. In questo caso, anche la velocità del vento ha un contributo relativamente molto più piccolo, non si dovrebbe escluderlo dal modello. In generale, la somma dei numeri che ho cerchiato dovrebbe dare come risultato uno. Tutti gli effetti e le interazioni principali contribuiscono all’incertezza totale della previsione.
Potrebbe essere corretto affermare che la distanza di separazione non è importante in questo esempio. E potresti essere in grado di vedere come influenzerà la previsione rimuovendolo.
Io uso " Foro latino Hypercube.jmp "dati di esempio come esempio per spiegare. Per favore segui questa pagina per trovare i dati: Esempio di un modello di processo gaussiano
Per prima cosa aggiungo una nuova riga alla tabella dati. I valori sono le medie delle singole colonne, dalla prima colonna fino alla colonna "Kw". Nascondo ed escludo questa riga, quindi non entrerà nella mia analisi. Utilizzerò questa riga più tardi per chiarire il mio punto.
Metto un modello diverso da quello in quella pagina di esempio. Il modello che adatterò sarà più appropriato per questa discussione. Ecco come configuro la finestra di dialogo di avvio:
Ecco il rapporto, e sembra che Hu sia relativamente poco importante.
Prima di escludere Hu, salvo la formula di previsione e la formula di varianza utilizzando le due voci di menu seguenti.
E dovresti vedere altre due colonne nella tabella dei dati. Nota che tutte le previsioni Y (tranne quella per la riga che ho aggiunto) sono uguali alla Y corrispondente e tutte le varianze Y (tranne la riga aggiunta) sono zero. Questo è ciò che dovremmo aspettarci dai modelli del processo gaussiano. (La piattaforma ha una funzionalità aggiuntiva, nel qual caso l'affermazione non è più valida. Ma questo va oltre ciò di cui stiamo discutendo qui.)
Notare che, per la riga aggiunta, la previsione e la varianza si riferiscono ai nuovi valori X. I valori X che ho scelto sono solo medie di esempio. Puoi inserire i valori che ti interessano per la previsione e puoi inserire più righe se sei interessato alle previsioni su più set di valori X. Non dimenticare di nascondere ed escludere le righe aggiunte, in modo che non influiscano sull'inferenza.
Ora rimuovo Hu e monto un nuovo modello. Ecco la configurazione della finestra di dialogo.
Ed ecco il resoconto
E salvo anche le colonne di previsione e varianza da questo modello. Ed ecco lo screenshot nell'ultima riga. E possiamo vedere che la varianza è "molto" più grande.
Giusto per avere un'idea di quanto possa andare storto se rimuovo un effetto importante. Ho montato il terzo modello, togliendo "log 10 w" (quello più importante) dal primo modello. Ecco la configurazione della finestra di dialogo.
Ecco il rapporto.
Inoltre salvo le formule di previsione e varianza da questo modello ed ecco lo screenshot nell'ultima riga. E nota quanto aumenta la varianza.
Quindi, per i tuoi dati, prima di decidere se vuoi rimuovere l'ultimo fattore, potresti voler verificare come influenzerà le tue previsioni se lo rimuovi.
Per Theta, non riesco a pensare a nulla di specifico riguardo alla loro interpretazione. Sono parametri del modello; Vedere Modelli con predittori continui Sono quei numeri che ho cerchiato, che sono calcolati in base ai parametri, che sono più interessanti e interpretabili.
La "Sensibilità totale" è la somma delle voci in Effetto principale ed Effetti di interazione sulla riga corrispondente. Si possono forse interpretare da una prospettiva “marginale”? Non sono sicuro di questo. Ma immagino che possa essere utile se non si vuole approfondire troppo le interazioni, ma nel frattempo non è sufficiente richiamare solo le voci sotto Effetto principale.
Tutto quanto sopra dovrebbe rispondere alla domanda su come effettuare lo screening e sottolineare fattori importanti. Non sono sicuro che esistano modelli "migliori" del modello del processo gaussiano. Ma per quanto ne so, il successo delle sue principali applicazioni negli esperimenti informatici, ad esempio quelli relativi alla CFD, è perché può approssimare modelli matematici più complessi (immagino che significhino PDE). E non sono a conoscenza di altri modelli che abbiano tale vantaggio .
Per quanto riguarda la valutazione della qualità dell'adattamento del modello del processo gaussiano, il valore -2Likelihood potrebbe essere utile. Ma non ne so abbastanza sulla selezione del modello nel contesto della modellazione del processo gaussiano, non sono in grado di commentare di più su questo.
