¿Cómo elimina JMP términos inestimables del modelo?Querida comunidad,
Quiero evaluar el diseño de un conjunto de datos con 12 efectos principales binarios y 64 observaciones, y decido agregar todos los efectos de interacción (seleccionándolos en "factores" y haciendo clic en "interacciones"->"2º" en "Modelos") . JMP devuelve este mensaje:
Este diseño no se ajusta al modelo especificado. Se han eliminado los términos del modelo inestimable.
Ahora sé que 64 ejecuciones no son suficientes para estimar todos los efectos principales y de interacción y que, según la multicolinealidad de mis datos, JMP elegirá una cierta cantidad de términos de interacción que posiblemente pueda estimar.
Tengo curiosidad por saber cuál es la fórmula que usa JMP para determinar cuántos (y cuáles) términos de interacción puede estimar.
gracias de antemano
Re: ¿Cómo elimina JMP términos inestimables del modelo?De esa manera tiene sentido. Evaluar diseño utiliza el diseño dado (64 ejecuciones), pero puede evaluar diseños para modelos distintos a aquél para el que fue diseñado.
La fórmula es simplemente el número de parámetros a estimar. Su cambio en el modelo da como resultado 79 parámetros (1 intersección + 12 efectos principales + 66 efectos de interacción de dos factores). (La cantidad de términos de interacción es la cantidad de combinaciones de 12 factores elegidos 2 a la vez). Su diseño proporciona 64 observaciones. Entonces 15 parámetros deben ser eliminados. Ese es un tipo de deficiencia de este diseño.
El segundo tipo es la información proporcionada por cada ejecución. Como expliqué, el proceso de regresión expandirá la matriz de diseño para hacer la matriz del modelo. La columna para estimar el intercepto es una columna de 1 . La columna para estimar el efecto principal de fac1 es lo mismo que la columna de datos para fac1 en la matriz de diseño. La columna para estimar el efecto de interacción de fac1 y fac2 es el producto (cruz) de las columnas de datos para estos dos factores, fac1*fac2 . Algunas de las columnas de la matriz del modelo son iguales. Este caso indica que tiene alias para esa columna de estimación. Su estimación es la combinación lineal de todos los efectos de alias. La combinación lineal se basa en los valores de los parámetros y las correlaciones entre los alias.
Por lo tanto, no puede tener alias en el análisis de regresión. Los alias producen una singularidad en la solución de regresión.JMP elimina términos que son alias. Es decir, se puede estimar uno de los efectos pero no todos los alias. Es imposible determinar cuál de los efectos se debe utilizar a partir del diseño o de la regresión. JMP identifica arbitrariamente los alias a eliminar. Elimina 15 términos del final de la lista, es decir, los últimos 15 efectos de interacción.
Re: ¿Cómo elimina JMP términos inestimables del modelo?No fui lo suficientemente específico, pero mi ejemplo funciona con el conjunto de datos adjunto en la pregunta. Es una pregunta para la etapa de análisis y no para la etapa de diseño. Una vez que los datos están abiertos, selecciono en el menú "DOE" --> "Diagnóstico de diseño" --> "Evaluar diseño" y agrego todas las interacciones (ver imagen: selecciono todo en "Factores" y en "Modelo", agregar "interacciones" --> "2do". Entonces recibo el mensaje de advertencia. ¿Cuál es la fórmula exacta que calcula el número máximo de interacciones y cómo las elige JMP?
(no parece que sea un proceso iterativo, ya que el mensaje aparece muy rápido)
Re: ¿Cómo elimina JMP términos inestimables del modelo?No entiendo cómo puede obtener este mensaje en Diseño personalizado. Usted especifica los términos del modelo antes de hacer el diseño. El número mínimo de ejecuciones es igual al número de parámetros que son necesarios para estimar. No puede introducir un número de ejecuciones inferior al mínimo, que en este caso es 79. (1 intersección, 12 efectos principales y N Elija K( 12, 2 ) = 66 interacciones de dos factores.
La matriz de diseño que contiene la configuración de los factores para cada corrida se expande para hacer la matriz del modelo con una columna para todos los términos a estimar. Es posible que algunas de las columnas de la matriz del modelo sean iguales. Eso significa que dos términos son alias para la misma columna de estimación. Eso significa que sus efectos se confunden. La regresión detectará la confusión, que produce una matriz singular al resolver las estimaciones de los parámetros, y la informará como Detalles de singularidad. Su diseño de ejemplo produce muchos alias en la matriz del modelo con columnas para todos los efectos principales y todos los términos de interacción.
