El factor continuo debe tratarse como un factor mixto.Tengo un factor que me gustaría tratar como continuo para evaluar la curvatura de la respuesta, pero necesito restringir el "total" al 100%, similar a una configuración de mezcla.
Las restricciones lineales en la mezcla no permiten limitar a igual hasta donde yo sé, sino solo menos o mayor o igual también.
¿Pensamientos sobre cómo abordar este problema?
Modelado estadístico avanzadoDiseño de experimentosLa personalización en masaRe: el factor continuo debe tratarse como un factor de mezcla¡gracias por eso!
Re: el factor continuo debe tratarse como un factor de mezclaHonestamente, no confiaría en esos números de potencia, excepto posiblemente por los términos de productos cruzados (que son interacciones y cuadráticas combinadas como se discutió anteriormente). Hay algunas razones para esto. En primer lugar, las mezclas se correlacionan de forma natural, lo que siempre reducirá la potencia. No hay nada que puedas hacer al respecto. En segundo lugar, no creo que los cálculos de potencia sean correctos porque las estimaciones de parámetros para un efecto principal mixto también incluyen la media general de los datos. Por lo tanto, comparar la estimación de ese parámetro con cero (la prueba tradicional que se realiza) no tiene sentido. Tercero, ¿qué pasa si un efecto principal no es significativo? ¿Qué significa eso realmente? No significa que el factor no tenga efecto. Después de todo, cambiar todos los demás factores te obligará a cambiar el factor "no significativo". Todos los factores deben ser considerados juntos.
Por estas razones (y probablemente algunas más), los modelos mixtos tienen que ver con la predicción. Realmente no se pueden derivar conclusiones de causa y efecto como un modelo de regresión tradicional. La estructura de correlación te obliga a mirar tu modelo de una manera diferente.
Re: el factor continuo debe tratarse como un factor de mezclaHaré una pregunta más en realidad.Con el uso de este método, aunque las funciones de mezcla se ajustan bien a mis parámetros. El poder estadístico pronosticado no es más de 0.2 incluso al bajar mi RMSE a .2 (espero 0.3 a 0.4 como referencia)
Honestamente, al ver esta identificación, prefiero usar la función de mezcla, pero estoy nervioso a la luz de la baja potencia.¿Tienes alguna idea sobre esto?
Re: el factor continuo debe tratarse como un factor de mezclaEn efecto.Gracias por eso, creo que solo procederé con una mezcla, ¡gracias!
Re: el factor continuo debe tratarse como un factor de mezclaDe hecho, las mezclas permiten efectos cuadráticos. Se ven diferentes, pero están ahí.
Cualquier término de combinación binaria que parezca una interacción es en realidad un efecto cuadrático.
Aquí hay un ejemplo simple:
Observe que X1*X2 y X1*X3 son "interacciones" significativas. Esos son en realidad términos cuadráticos como lo demuestran las curvas en el Prediction Profiler.
Para comprender por qué necesita comprender cómo se reparametriza el modelo de mezcla de Scheffe debido a la restricción de mezcla. X1*X1 se reescribe como X1*(1-X2-X3) para una mezcla de 3 componentes. Eso da como resultado "términos adicionales" para X1, X1*X2 y X1*X3.
Entonces, ¿por qué no tratar una mezcla como una mezcla?
Re: el factor continuo debe tratarse como un factor de mezclaBuena pregunta.
No es una mezcla en la medida en que se espera una respuesta curva, y como la función de mezcla no permite interacciones de segunda potencia, lamentablemente no se adapta a mis necesidades.
Da la casualidad de que el problema es determinar la proporción óptima de ADN de plásmido para producir un producto de proteína recombinante.Se establece la cantidad total de ADN y la cantidad de plásmido debe agregarse a un total de 100%.3 plásmidos en cuestión.
Re: el factor continuo debe tratarse como un factor de mezclaCreo que se necesita un poco más de detalle. ¿Cuáles son todos los factores? Debe haber algo más que este. Usted dice que esto es "un pariente" de una mezcla, pero ¿por qué NO es una situación de mezcla?
