Wie entfernt JMP unschätzbare Modellbegriffe?Liebe Gemeinde,
Ich möchte das Design eines Datensatzes mit 12 binären Haupteffekten und 64 Beobachtungen evaluieren und beschließe, alle Wechselwirkungseffekte hinzuzufügen (indem ich sie unter "Faktoren" auswähle und unter "Modelle" auf "Wechselwirkungen" -> "2." klicke). . JMP gibt diese Nachricht zurück:
Dieses Design passt nicht zum angegebenen Modell. Unschätzbare Modellbegriffe wurden entfernt.
Jetzt weiß ich, dass 64 Läufe nicht ausreichen, um alle Haupt- und Interaktionseffekte zu schätzen, und dass JMP je nach Multikollinearität in meinen Daten eine bestimmte Anzahl von Interaktionstermen auswählen wird, die es möglicherweise schätzen kann.
Ich bin nur neugierig, welche Formel JMP verwendet, um zu bestimmen, wie viele (und welche) Interaktionsterme es schätzen kann.
Vielen Dank im Voraus
Betreff: Wie entfernt JMP unschätzbare Modellbegriffe?So macht es Sinn. Design evaluieren verwendet das vorgegebene Design (64 Läufe), aber Sie können Designs für andere Modelle als das, für das es entworfen wurde, evaluieren.
Die Formel ist einfach die Anzahl der zu schätzenden Parameter. Ihre Änderung am Modell führt zu 79 Parametern (1 Schnittpunkt + 12 Haupteffekte + 66 Zwei-Faktor-Interaktionseffekte). (Die Anzahl der Wechselwirkungsterme ist die Anzahl der Kombinationen von 12 Faktoren, die jeweils 2 ausgewählt werden.) Ihr Versuchsplan liefert 64 Beobachtungen. Es müssen also 15 Parameter eliminiert werden. Das ist eine Art Mangel dieses Designs.
Die zweite Art sind die Informationen, die von jedem Lauf bereitgestellt werden. Wie ich bereits erklärt habe, wird der Regressionsprozess die Designmatrix erweitern, um die Modellmatrix zu erstellen. Die Spalte zum Schätzen des Schnittpunkts ist eine Spalte von 1 . Die Spalte zum Schätzen des Haupteffekts von fac1 ist die gleiche wie die Datenspalte für fac1 in der Gestaltungsmatrix. Die Spalte zum Schätzen des Wechselwirkungseffekts von fac1 Und fac2 ist das Produkt (Kreuz) der Datenspalten für diese beiden Faktoren, fac1*fac2 . Einige der Spalten in der Modellmatrix sind gleich. Dieser Fall zeigt an, dass Sie Aliase für diese Schätzungsspalte haben. Ihre Schätzung ist die lineare Kombination aller Alias-Effekte. Die lineare Kombination basiert auf den Parameterwerten und den Korrelationen zwischen den Aliasen.
Sie können also keine Aliase in der Regressionsanalyse haben. Aliasse erzeugen eine Singularität in der Regressionslösung.JMP eliminiert Begriffe, die Aliase sind. Das heißt, Sie können einen der Effekte schätzen, aber nicht alle Aliase. Es ist unmöglich, anhand des Designs oder der Regression zu bestimmen, welcher der Effekte verwendet werden sollte. JMP identifiziert willkürlich die zu entfernenden Aliase. Es entfernt 15 Begriffe vom Ende der Liste, also die letzten 15 Interaktionseffekte.
Betreff: Wie entfernt JMP unschätzbare Modellbegriffe?Ich war nicht spezifisch genug, aber mein Beispiel funktioniert mit dem in der Frage angehängten Datensatz. Es ist eine Frage für die Analysephase und nicht für die Designphase. Sobald die Daten geöffnet sind, wähle ich im Menü "DOE" --> "Design Diagnostics" --> "Evaluate Design" und füge alle Interaktionen hinzu (siehe Bild: Ich wähle alle unter "Factors" und unter "Model", I fügen Sie "Interaktionen" hinzu --> "2nd". Dann bekomme ich die Warnmeldung. Wie lautet die genaue Formel zur Berechnung der maximalen Anzahl von Interaktionen und wie wählt JMP diese aus?
(es scheint kein iterativer Prozess zu sein, da die Meldung sehr schnell auftaucht)
Betreff: Wie entfernt JMP unschätzbare Modellbegriffe?Ich verstehe nicht, wie man diese Meldung im Custom Design bekommen konnte. Sie legen die Modellbedingungen fest, bevor Sie das Design erstellen. Die Mindestanzahl von Läufen entspricht der Anzahl von Parametern, die zum Schätzen erforderlich sind. Sie können nicht weniger Läufe als das Minimum eingeben, das in diesem Fall 79 beträgt. (1 Schnittpunkt, 12 Haupteffekte und N Wählen Sie K( 12, 2 ) = 66 Zwei-Faktor-Wechselwirkungen.
Die Designmatrix, die die Faktoreinstellungen für jeden Lauf enthält, wird zur Modellmatrix mit einer Spalte für alle zu schätzenden Terme erweitert. Es ist möglich, dass einige der Spalten in der Modellmatrix gleich sind. Das bedeutet, dass zwei Begriffe Aliase für dieselbe Schätzungsspalte sind. Das bedeutet, dass ihre Wirkungen verwechselt werden. Die Regression erkennt Verwirrung, die beim Auflösen der Parameterschätzungen eine singuläre Matrix erzeugt, und meldet sie als Singularitätsdetails. Ihr Beispieldesign erzeugt viele Aliase in der Modellmatrix mit Spalten für alle Haupteffekte und alle Wechselwirkungsterme.
