Hola,
Disculpas si esto se ha preguntado antes. Usé la función de búsqueda antes de publicar y no pude encontrar nada en este foro.
Estoy explorando modelos mixtos para DoE en un esfuerzo por obtener una comprensión más profunda de cómo los efectos fijos y aleatorios contribuyen a la salida de un proceso. Sin embargo, cuando trato de usar manualmente la eliminación hacia atrás para simplificar mis parámetros de regresión de efectos fijos, noto que los intervalos de confianza para las estimaciones de mis parámetros (por ejemplo, mi intersección, que es importante para mis propósitos) se vuelven muy amplios, lo que también se refleja en intervalos de confianza amplios e irregulares en el perfilador.
Habría pensado que modelos más simples liberarían más grados de libertad para mejores mediciones de varianza/error estándar y, por lo tanto, reducirían los intervalos de confianza, pero parece ser lo contrario. Vale la pena señalar que estos efectos son más pronunciados cuando aumento la complejidad de mis efectos aleatorios (por ejemplo, concatenar parámetros como un bloque aleatorio frente a realizar análisis de componentes de varianza en cada factor aleatorio individualmente).
Vea a continuación un ejemplo de DoE que he estado tratando de construir y explorar utilizando resultados simulados (no se muestra):
X1 X2 y X3 serían factores fijos, mientras que el resto son mi ejemplo de factores aleatorios.
¡Cualquier ayuda sería apreciada! Hasta ahora, parece que mi mejor curso de acción sería conservar el modelo de superficie de respuesta completa y no explorar ninguna opción de eliminación gradual en este punto.
Mejor,
Mate
