Bonjour,
Toutes mes excuses si cela a déjà été demandé. J'ai utilisé la fonction recherche avant de poster et je n'ai rien trouvé sur ce forum.
J'explore des modèles mixtes pour le DoE dans le but de mieux comprendre comment les effets fixes et aléatoires contribuent à la sortie d'un processus. Cependant, lorsque j'essaie d'utiliser manuellement l'élimination vers l'arrière pour simplifier mes paramètres de régression à effet fixe, je remarque que les intervalles de confiance pour mes estimations de paramètres (ex : mon interception, qui est important pour mes besoins) deviennent très larges, ce qui se reflète également par intervalles de confiance larges et inégaux dans le profileur.
J'aurais pensé que des modèles plus simples libéreraient plus de degrés de liberté pour de meilleures mesures de variance / erreur standard et réduiraient ainsi les intervalles de confiance, mais l'inverse semble vrai. Il convient de noter que ces effets sont plus prononcés lorsque j'augmente la complexité de mes effets aléatoires (ex : concaténation de paramètres sous forme de bloc aléatoire par rapport à l'analyse des composantes de la variance sur chaque facteur aléatoire individuellement).
Voir ci-dessous un exemple de DoE que j'ai essayé de construire et d'explorer à l'aide de résultats simulés (non affichés):
X1 X2 et X3 seraient des facteurs fixes, tandis que les autres sont mes exemples de facteurs aléatoires.
Toute aide serait appréciée! Jusqu'à présent, il semble que ma meilleure ligne de conduite serait de conserver le modèle de surface de réponse complet et de ne pas explorer d'options d'élimination par étapes à ce stade.
Meilleur,
Mat
