Hallo zusammen,
Könnt ihr mir bei dieser Frage helfen:
"Wie beeinflusst das Entfernen von Termen in einem vollfaktoriellen Modellmodell die Modellleistung? (Rs-Quadratwert, Konfidenzintervall usw. werden zum Beispiel steigen oder fallen? )"
Am besten,
Celine
Erstmal willkommen in der Community. Ein interessanter erster Beitrag ... Die typischen enumerativen Statistiken, die zur Bewertung von Modellen verwendet werden, hängen ALLE vom Modell ab.
Zwei Beobachtungen, die ein Experimentator im Hinterkopf behalten sollte:
1. Statistische Signifikanz ist a bedingte Aussage .Variationsquellen (Designfaktoren) werden mit anderen Variationsquellen (das Rauschen, das sich von Behandlung zu Behandlung ändert) unter bestimmten Bedingungen verglichen (das Rauschen wird während des DOE konstant gehalten, auch bekannt als Inferenzraum).Wenn sich Quellen oder Bedingungen ändern, kann dies auch statistische Bedeutung haben.
2. Die Extrapolation experimenteller Ergebnisse ist eine technische und betriebswirtschaftliche Entscheidung, keine statistische.Sie wird maßgeblich davon beeinflusst, wie repräsentativ die Studie für zukünftige Bedingungen ist.
Wenn Sie die Terme im Modell ändern, können und werden sich diese Statistiken wahrscheinlich ändern. Wenn Sie Terme aus dem Modell entfernen, werden sie im Fehlerterm zusammengefasst. Dies kann die Schätzung der zufälligen Fehler, wie sie von der MSE quantifiziert werden, aufblähen oder entleeren. Wenn Sie beispielsweise unbedeutende Terme aus dem Modell entfernen, wird nicht nur die mit diesen Termen (Quadratsummen) verbundene Varianz, sondern auch die entsprechenden Freiheitsgrade zum Fehlerterm zusammengefasst. Dadurch wird der MSE reduziert und das F-Verhältnis erhöht (der p-Wert verringert). Im Wesentlichen steuern Sie die statistische Signifikanz, da Sie derjenige sind, der das Experiment plant ... was in dem Modell enthalten sein wird und wie repräsentativ das Experiment für zukünftige Bedingungen ist.
Übrigens, seien Sie vorsichtig mit dem R-Quadrat. Sie wird immer größer, wenn Sie dem Modell Freiheitsgrade hinzufügen (unabhängig davon, ob die hinzugefügten Freiheitsgrade signifikant sind oder nicht). Es ist besser, das Delta zwischen R-Quadrat und R-Quadrat zu bewerten, wenn Sie Ihr Modell verfeinern.
Wenn Sie ein tieferes Verständnis als das wünschen, was @Statmann gab, das ausgezeichnete und kostenlos online Statistical Thinking for Industrial Problem Solving Kurs (STIS) hat eine wirklich zugängliche Erklärung dafür, insbesondere im Korrelations- und Regressionsmodul.
