Ciao,
Mi scuso se questo è stato chiesto prima. Ho usato la funzione cerca prima di postare e non ho trovato nulla su questo forum.
Sto esplorando modelli misti per DoE nel tentativo di ottenere una comprensione più profonda di come gli effetti fissi e casuali contribuiscono all'output di un processo. Tuttavia, quando provo a utilizzare manualmente l'eliminazione all'indietro per semplificare i miei parametri di regressione a effetto fisso, noto che gli intervalli di confidenza per le mie stime dei parametri (es: la mia intercettazione, che è importante per i miei scopi) diventano molto ampi, il che si riflette anche in intervalli di confidenza ampi e irregolari nel profiler.
Avrei pensato che modelli più semplici avrebbero liberato più gradi di libertà per migliori misurazioni di varianza/errore standard e quindi ridotto gli intervalli di confidenza, ma sembra vero il contrario. Vale la pena notare che questi effetti sono più pronunciati quando aumento la complessità dei miei effetti casuali (es: concatenare i parametri come un blocco casuale rispetto all'esecuzione dell'analisi dei componenti della varianza su ciascun fattore casuale individualmente).
Vedi sotto un esempio di DoE che ho cercato di costruire ed esplorare utilizzando risultati simulati (non mostrati):
X1 X2 e X3 sarebbero fattori fissi, mentre il resto è il mio esempio di fattori casuali.
Qualsiasi aiuto sarebbe apprezzato! Finora sembra che la mia migliore linea d'azione sarebbe mantenere il modello di superficie di risposta completa e non esplorare alcuna opzione di eliminazione graduale a questo punto.
Migliore,
opaco
