Schrittweise Regression mit VererbungseinschränkungVerehrte Gäste,
Ich möchte einen Modellauswahlprozess über Skripterstellung mithilfe der Fit-Modellplattform automatisieren und dabei eine schrittweise Regression für eine Stabilitätsanalyse nutzen (ich kenne auch die Stabilitätsplattform in JMP, möchte aber aus „Gründen“ das Fit-Modell verwenden).
Meine Begriffe sind Lagerzeit, Chargen-ID und Lagerzeit*Chargen-ID. Mithilfe der schrittweisen Regression besteht die Idee nun darin, Terme mit einem p-Wert <0,25 im Modell zu belassen. Ein erstes Skript sah (in Teilen) so aus:
Y( :response ),
Effects(
:"Storage Time (2-8°C Analysis)"n, :Batch ID, :"Storage Time (2-8°C Analysis)"n * :Batch ID,
),
Center Polynomials( 0 ),
Personality( "Stepwise" ),
Run(
Stopping Rule( "P-value Threshold" ),
Prob to Leave( 0.25 ),
Direction( "forward" ),
Rules( "Whole Effects" )
)
Mein Problem ist nun, dass durch die Verwendung der Regel „Ganze Effekte“ Terme ausgeschlossen werden, die nicht dem hierarchischen Prinzip folgen, was bedeutet, dass mein Modell nach Verwendung der schrittweisen Regr. z.B Der Interaktions- und Zeiteffekt, aber nicht der Batch-Effekt. Siehe auch:
Ich weiß, dass es auch die Kombinations- oder Einschränkungsregel (um eine Hierarchie zu haben) gibt, aber durch die Anwendung dieser Regeln wird mein Begriff „Batch-ID (mehrstufig)“ in verschiedene Gruppen aufgeteilt, was nicht mein Wunsch ist. Ich möchte wirklich nur den gesamten Effekt der Batch-ID haben, wenn er von Bedeutung ist (oder seine Wechselwirkung mit der Zeit).
Gibt es also eine Möglichkeit, die Begriffsanzeige „Gesamteffekt“ mit dem hierarchischen Prinzip für die Modellauswahl zu kombinieren? Ein Skript würde für mich auch funktionieren. 
Ich hoffe, ich konnte meine Frage klären.
Vielen Dank im Voraus für jede Lösung oder Anmerkung!
Bester Johann
Erweiterte statistische ModellierungVerbraucher- und MarktforschungDatenexploration und -visualisierungPrädiktive Modellierung und maschinelles LernenBetreff: Stufenweise Regression mit Vererbungseinschränkung
@JohannD schrieb:
Soweit ich weiß, verfügt JMP 17 jetzt über ein Kontrollkästchen, um die Verwendung der gepoolten MSE in der Stabilitätsplattform voreinzustellen. Leider verfügen weder ich noch unsere QC-Abteilung über diese Version.
JMP 17 ist ein kostenloses Upgrade, das in den meisten Lizenzen enthalten ist. Kontaktieren Sie den JMP-Softwareadministrator Ihrer Organisation und ermutigen Sie ihn, JMP 17 zu erwerben. Kürzlich wurden ihnen Informationen darüber zugesandt, wie sie es erhalten können.
Wenn Sie nicht wissen, wer Ihr JMP-Softwareadministrator ist, können Sie sich an den technischen Support wenden ( support@jmp.com ) und sie können Ihnen bei der Kontaktaufnahme helfen.
Betreff: Stufenweise Regression mit VererbungseinschränkungHallo Mark,
vielen Dank für Ihre schnelle Antwort. Das von Ihnen erwähnte ICHQ1E-basierte Verfahren ist mir vertraut, ebenso wie die Durchführung der Analyse im Fit Model. Der Punkt ist, dass ich den Modellauswahlprozess für unsere QC-Abteilung automatisieren möchte (Terme mit einem p-Wert > 0,25 nach dem hierarchischen Prinzip ausschließen). Glauben Sie, dass es eine Möglichkeit gibt, dies zu skripten?
Ich möchte die Stabilitätsplattform in JMP nicht verwenden, da diese Plattform für unterschiedliche Schnittpunkte/unterschiedliche Steigungen die nicht gepoolte MSE verwendet. Allerdings fordert ICHQ1E die gepoolte MSE für die Analyse an, die tatsächlich auch durch die Nutzung der Fit-Modell-Plattform verwendet wird (auch mit unterschiedlichem Achsenabschnitt/unterschiedlichem Steigungsmodell). Und die Verwendung von gepooltem oder nicht gepooltem MSE könnte erhebliche Auswirkungen auf die Berechnung des Ablaufdatums haben.Soweit ich weiß, verfügt JMP 17 jetzt über ein Kontrollkästchen, um die Verwendung der gepoolten MSE in der Stabilitätsplattform voreinzustellen. Leider verfügen weder ich noch unsere QC-Abteilung über diese Version. Deshalb suche ich nach einem automatisierten „Workaround“ per Skript mithilfe der Fit-Model-Plattform.
Mit freundlichen Grüße
Johann
Betreff: Stufenweise Regression mit VererbungseinschränkungIch glaube, dass man Regeln nicht kombinieren kann. Sie können jeweils nur eine Regel auswählen und verwenden.
Sie haben einen einfachen Fall linearer Instabilität mit der Möglichkeit von Unterschieden zwischen Chargen. Sie können die Einschränkungen und den Mehraufwand von Stepwise vermeiden. Die Modellauswahl könnte einfacher sein, wenn Sie einen direkten Ansatz verwenden, der auf „Kleinste Quadrate anpassen“ statt „Schrittweise“ basiert, da Sie nur drei Terme haben. Testen Sie die Poolbarkeit (Modellauswahl), wenn Sie ICH Q1E und Q1A befolgen.
- Passen Sie das vollständige Modell (Achsenabschnitt, Stapel, Zeit, Interaktion) mit der Funktion „Kleinste Quadrate anpassen“ an.
- Untersuchen Sie die p-Werte für die Interaktion.
- Wenn die Wechselwirkung erheblich ist, schätzen Sie den Ablauf für jede Charge und wählen Sie die kürzeste Lebensdauer.
- Passen Sie das reduzierte Modell ohne den Interaktionsterm an, wenn dieser nicht signifikant ist, und verwenden Sie eine gemeinsame Steigung.
- Wenn die Charge mit dem zweiten Modell von Bedeutung ist, schätzen Sie den Ablauf für jede Charge und wählen Sie die kürzeste Lebensdauer.
- Passen Sie das reduzierte Modell ohne den Batch-Effekt an, wenn dieser in der zweiten Anpassung nicht signifikant ist, und verwenden Sie einen gemeinsamen Achsenabschnitt.
- Wenn die Zeit von Bedeutung ist, bestimmen Sie den Ablauf mithilfe des reduzierten Modells.
Fit Least Squares unterstützt auch die inverse Vorhersage, sodass Sie den Ablauf für jeden der drei Poolability-Fälle sofort bestimmen können.
