Hola a todos,
Me pueden ayudar con esta pregunta:
"¿Cómo influye la eliminación de términos en un modelo factorial completo en el rendimiento del modelo? (El valor cuadrado de Rs, el intervalo de confianza, etc., ¿aumentará o disminuirá, por ejemplo? )"
Mejor,
celine
Primero, bienvenido a la comunidad. Una primera publicación interesante... Las estadísticas enumerativas típicas que se usan para evaluar modelos TODOS dependen del modelo.
Dos observaciones que un experimentador debe tener en cuenta:
1. La significación estadística es una sentencia condicional .Las fuentes de variación (factores de diseño) se comparan con otras fuentes de variación (el ruido que cambia de tratamiento a tratamiento) bajo un determinado conjunto de condiciones (el ruido se mantiene constante durante el DOE, también conocido como espacio de inferencia).Si las fuentes o las condiciones cambian, también puede cambiar la significación estadística.
2. La extrapolación de resultados experimentales es una decisión de ingeniería y gerencia, no estadística.Está influenciado en gran medida por la representatividad del estudio de las condiciones futuras.
Si cambia los términos en el modelo, entonces esas estadísticas pueden cambiar y probablemente cambiarán. Cuando elimina términos del modelo, se agrupan en el término de error. Esto puede inflar o desinflar la estimación de los errores aleatorios cuantificados por el MSE. Por ejemplo, si elimina términos insignificantes del modelo, no solo la varianza asociada con esos términos (sumas de cuadrados), sino también los grados de libertad correspondientes se acumulan en el término de error. Esto reducirá el MSE y aumentará la relación F (disminuirá el valor p). En esencia, usted controla la importancia estadística ya que es usted quien planifica el experimento... lo que habrá en el modelo y qué tan representativo es el experimento de las condiciones futuras.
Por cierto, tenga cuidado con R-square. Siempre aumentará a medida que agregue grados de libertad al modelo (ya sea que los grados de libertad que agregue sean significativos o no). Es mejor evaluar el delta entre R-square y R-square ajustado al refinar su modelo.
Si desea una comprensión más profunda de lo que @statman dio, el excelente y gratis en línea Curso de pensamiento estadístico para la resolución de problemas industriales (STIPS) tiene una explicación muy accesible de esto, específicamente en el módulo de Correlación y Regresión.
