Mit dem Design-Bewertungstool in JMP habe ich ein Box-Behnken-Design mit einem benutzerdefinierten Design (mit 28 Durchläufen) verglichen, um 5 Faktoren mit jeweils 3 Ebenen zu bewerten (siehe unten):
Aufgrund des Vergleichs wurde das kundenspezifische Design für die Versuchsdurchläufe ausgewählt. Bei der Auswertung stellte ich fest, dass die quadratischen Terme für eine oder mehrere Antworten statistisch signifikant (p<0,05) waren, obwohl die Aussagekraft dieser Terme niedrig war, wie in der Designbewertungstabelle zu sehen ist. In einigen Fällen halte ich diese aufgrund meines Wissens über den Prozess für nicht von praktischer Bedeutung. Wäre die Empfehlung, diese Begriffe aus dem Modell zu entfernen? Welche weiteren Kennzahlen sollten berücksichtigt werden?
Zunächst einmal willkommen in der Community. Beachten Sie, dass Designbewertungstools auf bestimmten Annahmen basieren (von denen viele vor der Durchführung des Experiments unbekannt sind). Es gibt eine Reihe von Faktoren, die die Designauswahl beeinflussen. All dies hängt von Ihren Vorhersagen ab. Sehen:
https://www.jmp.com/support/help/en/17.0/?os=mac&source=application#page/jmp/overview-of-the-evaluate-design-platform.shtml#
Für Ihre Situation haben Sie ein Design ausgewählt und ausgeführt, richtig? Wie sind Sie bei der Analyse vorgegangen? Wenn ich Ihre Analyse richtig interpretiere, hört es sich so an, als hätten Sie im Experiment keine praktisch signifikante Variation erzeugt? Warum nicht? Dafür gibt es 3 Gründe:
1. Die Level waren nicht fett genug
2. Die Messsysteme waren nicht ausreichend
3. Die Faktoren spielen keine Rolle
(Übrigens unterscheidet sich dies von dem Fall, in dem Sie eine praktisch signifikante Variation erzeugt haben, diese jedoch nicht den von Ihnen manipulierten Faktoren zuordenbar ist.)
Welche DFs wurden zur Schätzung der Zufallsfehler (MSE) verwendet? Gab es eine Replikation? Wenn Sie sagen, dass die quadratischen Terme statistisch signifikant sind, basierend auf welchem Vergleich? Ist es möglich, Ihre Datentabelle zu teilen?
Wenn Sie signifikante Elemente aus dem Modell entfernen, wird deren Varianz im Allgemeinen im Fehlerterm zusammengefasst. Dadurch wird der Fehlerterm erhöht und andere Faktoren werden weniger wichtig.
Ich bin mir nicht sicher, was Sie mit „ Welche weiteren Kennzahlen sollten berücksichtigt werden?“ Was ist das Ziel des Experiments? Versuchen Sie, die kausale Struktur zu verstehen oder einen Gewinner auszuwählen? Bauen oder verfeinern Sie ein Modell? Es gibt eine Reihe von Statistiken, die Ihnen bei der Erstellung Ihres Modells hilfreich sein können.
Die Bedeutung dieser Begriffe bedeutet, dass sie zur Genauigkeit Ihres Modells und seiner Vorhersagen beitragen. Das Entfernen der Begriffe bedeutet, dass ihre festen Effekte als zufällige Effekte gezählt werden und die Konfidenzintervalle der Vorhersagen erhöhen. Ich sehe keinen Grund, diese Begriffe zu entfernen. Welchen Nutzen versprechen Sie sich von der Streichung dieser Begriffe?
Was ist die Grundlage Ihrer Aussage: „ Ich halte diese aufgrund meines Wissens über den Prozess nicht für praktisch bedeutsam. „? Wie meinst du das?
