Salut tout le monde,
Pouvez-vous m'aider avec cette question:
"Comment la suppression de termes dans un modèle de modèle factoriel complet influence-t-elle les performances du modèle ? (La valeur au carré Rs, l'intervalle de confiance, etc. augmentera ou diminuera par exemple ? )"
Meilleur,
Céline
Tout d'abord, bienvenue dans la communauté. Un premier article intéressant... Les statistiques énumératives typiques utilisées pour évaluer les modèles dépendent TOUTES du modèle.
Deux observations qu'un expérimentateur doit garder à l'esprit :
1. La signification statistique est un instruction conditionnelle .Les sources de variation (facteurs de conception) sont comparées à d'autres sources de variation (le bruit changeant d'un traitement à l'autre) dans un certain ensemble de conditions (le bruit est resté constant pendant le DOE, c'est-à-dire l'espace d'inférence).Si les sources ou les conditions changent, la signification statistique peut également en être la cause.
2. L'extrapolation des résultats expérimentaux est une décision d'ingénierie et de gestion, et non une décision statistique.Elle est largement influencée par la représentativité de l'étude par rapport aux conditions futures.
Si vous modifiez les termes du modèle, ces statistiques peuvent changer et changeront probablement. Lorsque vous supprimez des termes du modèle, ils sont regroupés dans le terme d'erreur. Cela peut gonfler ou dégonfler l'estimation des erreurs aléatoires quantifiées par l'EQM. Par exemple, si vous supprimez des termes non significatifs du modèle, non seulement la variance associée à ces termes (sommes des carrés), mais les degrés de liberté correspondants sont regroupés avec le terme d'erreur. Cela réduira la MSE et augmentera le rapport F (diminuera la valeur p). Essentiellement, vous contrôlez la signification statistique car vous êtes celui qui planifie l'expérience... ce qui sera dans le modèle et la représentativité de l'expérience par rapport aux conditions futures.
BTW, soyez prudent avec le R-carré. Il augmentera toujours à mesure que vous ajouterez des degrés de liberté au modèle (que les degrés de liberté que vous ajoutez soient significatifs ou non). Mieux vaut évaluer le delta entre R-carré et R-carré ajusté lors de l'affinement de votre modèle.
Si vous voulez une compréhension plus approfondie que ce que @statman a donné, l'excellent et gratuit en ligne Cours sur la pensée statistique pour la résolution de problèmes industriels (STIPS) a une explication vraiment accessible à ce sujet, en particulier dans le module Corrélation et régression.
