Mezcla DOE para respuesta binaria<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Hola a todos,
Necesito consejo para configurar un DoE.
El objetivo del DoE es construir un modelo (de regresión logística) para una respuesta binaria (y) que depende de cinco variables continuas (x1, x2, x3, x4, x5). Las cinco variables deben sumar 1, por lo que un diseño de respuesta mixto puede ser ideal. La respuesta como se mencionó es pasa/falla dependiendo de la combinación de variables. Además, existen restricciones en algunas de las variables continuas... por ejemplo 0,4 < x4 < 0,5, etc.
Probé un diseño de respuesta mixta con estas limitaciones de diseño. Y cuando simulé respuestas y construí un modelo para verificar los diagnósticos del modelo, descubrí que el VIF es demasiado alto para las variables restringidas que sugieren efectos de confusión. Creo que el VIF alto se debe a la alta correlación entre x5 y sus términos cruzados con otras variables. Esto se puede confirmar observando la correlación de estimaciones.
Con esos antecedentes tengo un par de preguntas.
1. ¿Es el diseño de la superficie de respuesta de la mezcla el mejor enfoque para mi problema? ¿O debería probar algo así como un enfoque de diseño secuencial? Existe algo de literatura sobre la aplicación de diseño secuencial para modelos de respuesta binaria.
2. ¿Cómo puedo reducir el VIF o la confusión entre una variable restringida y sus términos cruzados?
Agradezco cualquier ayuda que solucione mis problemas. Por favor, avíseme si se requiere más información.
Saludos
-Praveen.
Re: Mezcla DOE para respuesta binariaLos VIF no son muy importantes para los diseños de mezclas y ¡es algo bueno!Siempre están altos.Si tu objetivo es hacer predicciones, los VIF siempre son irrelevantes.Si su objetivo es la detección, necesita una técnica diferente a la de comparar los efectos.Un buen modelo de regresión puede predecir bien incluso si no puede estimar bien los efectos.Una mejor prueba de la calidad del diseño en este caso sería el Número de condición, pero no creo que JMP proporcione esto (aunque puede obtenerlo si escribe un script).Si el registro del número de condición es mayor que 5, tenga cuidado; de lo contrario, todo estará bien.
Re: Mezcla DOE para respuesta binaria"¿¡Importa el alto VIF en un diseño de mezcla (especialmente para el factor de rango estrecho) en el modelo final!? Porque el alto VIF parece deberse a la correlación con sus términos cruzados."
Una cosa que me viene a la mente cuando leo esta pregunta anterior: tal vez podría ejecutar algunas pruebas de validación además de las pruebas DOE para validar el modelo final, similar al entrenamiento, las pruebas y la validación que se realizan cuando se utilizan las plataformas de partición y neuronal.
Re: Mezcla DOE para respuesta binariaHay buenas noticias y malas noticias.
La mala noticia es que los VIF son el resultado de las relaciones entre tus X. Como ya se ha señalado, las mezclas SIEMPRE tendrán alguna relación. Esa relación es aún más fuerte cuando tienes rangos estrechos para cualquiera de los componentes (como has visto). No importará qué enfoque utilices para crear el diseño, esa colinealidad estará ahí.
La buena noticia es que los VIF se pueden reducir un poco en el análisis mediante el uso de codificación de pseudocomponentes. JMP activará esta función automáticamente. La codificación de pseudocomponentes reducirá la colinealidad tanto como sea posible codificando los factores de mezcla para "expandir" el rango tanto como sea posible.
Cuando ajusta su modelo de mezcla de Scheffe en JMP, puede ver que se está utilizando la codificación de pseudocomponentes en la tabla Estimaciones de parámetros. Un término se verá como (X-0.2)/0.7, lo que indica que se está utilizando la codificación.
JMP Education tiene un curso sobre diseño y análisis de experimentos de mezclas que cubre la codificación de pseudocomponentes y mucho más.
Re: Mezcla DOE para respuesta binariaGracias por la respuesta LouV!!
Entiendo el impacto del diseño de mezclas en la naturaleza de la interdependencia de los factores. Sin embargo, en mi caso los VIF se disparan una vez que uno de los factores tiene un rango estrecho. Se adjuntan dos archivos JMP: uno es un diseño personalizado (CD_5var.jmp) con cinco factores de mezcla con un rango de 0 a 0,5. El modelo en este caso es decente con todos los VIF inferiores a 5. El segundo diseño (CD_5var_narrow.jmp) es similar al primero excepto que el rango en x5 es estrecho (0,5 < x5 < 0,6). Y en este caso el VIF para x5 es ~800, y x5*xi también tiene VIF más altos. También observé la correlación de estimaciones y muestra claramente una alta correlación de x5 con los términos cruzados.
Entonces, la pregunta es... ¿Importa el alto VIF en un diseño de mezcla (especialmente para el factor de rango estrecho) en el modelo final? Porque el alto VIF parece deberse a la correlación con sus términos cruzados.
Y para repetir, la otra pregunta es... ¿existe una alternativa al diseño de mezcla personalizado que reduzca los problemas con los VIF? Por ejemplo, ¿un enfoque de diseño secuencial?
LouV... su enlace sobre el impacto de la propiedad de codificación en los VIF es interesante. Haré un seguimiento y veré si eso ayuda.
Nota: La respuesta 'y' es una respuesta simulada. Al final, esta será una respuesta binaria.
Gracias
-Praveen.
Re: Mezcla DOE para respuesta binariaPraveen,
Los VIF en un diseño de mezcla son muy grandes debido a la naturaleza no independiente de la mezcla que suma 1. Es decir básicamente aunque estés investigando 5 factores en esencia solo necesitas 4 para entender el 5 debido a esta propiedad.
Es posible que esto haya sido respondido en este hilo de la comunidad de usuarios de JMP...
Alto VIF en espacio de diseño limitado | Comunidades en SAS
Una gran referencia para este tema es el libro de Cornell sobre Diseño de Mezclas.
