JMP 16 - Les intervalles de confiance s'élargissent lors de l'élimination rétrospective des effets fixes dans un modèle mixte DoE ?Bonjour,
Mes excuses si cette question a déjà été posée. J'ai utilisé la fonction de recherche avant de poster et je n'ai rien trouvé sur ce forum.
J'explore des modèles mixtes pour 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 effets fixes, je remarque que les intervalles de confiance pour mes estimations de paramètres (par exemple, mon intercept, qui est important pour mes objectifs) deviennent très larges, ce qui se reflète également par des intervalles de confiance larges et irréguliers 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 donc rendre les intervalles de confiance plus petits, 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'exécution d'une analyse des composantes de 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 le reste sont mes exemples de facteurs aléatoires.
Toute aide serait appréciée ! Jusqu'à présent, il semble que la meilleure solution serait de conserver le modèle de surface de réponse complet et de ne pas explorer d'options d'élimination progressive à ce stade.
Meilleur,
Mat
Modélisation statistique avancéeFenêtresRe : JMP 16 - Les intervalles de confiance s'élargissent lors de l'élimination à rebours des effets fixes dans un modèle mixte DoE ?Je n'utiliserais pas la longueur de l'intervalle de confiance sur les estimations pour sélectionner un modèle. Ils reflètent l'incertitude des estimations compte tenu du modèle sélectionné.
Ces intervalles s'allongent car la suppression d'un terme ajoute la somme des carrés associée au terme d'erreur. Le terme d'erreur est utilisé pour estimer l'erreur type de chaque estimation.
Re : JMP 16 - Les intervalles de confiance s'élargissent lors de l'élimination à rebours des effets fixes dans un modèle mixte DoE ?Merci à vous deux pour les réponses rapides. Je réduisais mon modèle par élimination manuelle à rebours en minimisant l'AICc et j'étais curieux de savoir pourquoi mes IC devenaient plus larges. Vos explications ont du sens.
Re : JMP 16 - Les intervalles de confiance s'élargissent lors de l'élimination à rebours des effets fixes dans un modèle mixte DoE ?Tout d'abord, bienvenue dans la communauté. Je ne suis pas sûr de pouvoir répondre à vos questions car je n'ai pas assez de contexte (comme quel est votre objectif ?), mais voici mes réflexions. Comme Mark a déjà répondu, lorsque vous supprimez des termes du modèle, ces SS et DF sont regroupés dans le MSE. J'utiliserais d'autres techniques pour réduire le modèle, par exemple
1. D'abord et avant tout, les PME (experts en la matière) et leurs hypothèses connexes. Les effets des paramètres et les coefficients ont-ils un sens ?
2. Vérifiez la colinéarité (Analyze>Multivariate Methods>Multivariate (and test for outliers))
3. Lorsque vous supprimez ou ajoutez des termes au modèle, observez le delta entre RSquare et RSquare ajusté. Plus le delta est grand, plus le modèle est surspécifié
4. RMSE, le modèle avec le plus petit RMSE le meilleur
5. valeurs p
Soit dit en passant, les intervalles de confiance ne sont liés qu'aux données disponibles. La capacité à les extrapoler dans le futur dépend entièrement de la représentativité de votre étude par rapport au futur.
