Ich versuche, ein Modell mit 4 Faktoren an eine DSD mit 17 Durchläufen anzupassen. Ich evaluiere dazu zwei Methoden: die Plattform „Fit Definitive Screening“, die in der JMP-Dokumentation empfohlen wird, sowie die ältere Vorwärtsauswahlmethode mit minimalem AICC als Kriterium.
Basierend auf Domänenkenntnissen hätte ich einen quadratischen Effekt für Faktor B erwartet, der wie ein Plateau aussieht, wobei das niedrige Niveau deutlich schlechter ist als die mittleren/hohen Niveaus, die relativ ähnlich sein sollten. Wenn ich mir die Ergebnisse des „Fit DSD“-Algorithmus ansehe, sieht das Residuendiagramm der Haupteffekte für Faktor B tatsächlich so aus. Der Fit-DSD-Algorithmus gibt jedoch keine quadratischen Effekte aus. Ich habe versucht, das Verhältnis von Stufe 2 von 1 auf 0,1 zu ändern, und keinen Unterschied festgestellt.
Wenn ich denselben Datensatz nehme und die Vorwärtsmodellauswahl mit minimalem AICC verwende, erhalte ich das folgende Modell, das B^2 als Begriff enthält.
Wenn ich schließlich die von Fit DSD erstellten Modelle im Vergleich zum schrittweisen Ausführen tatsächlich durchlaufe, finde ich, dass der Gesamt-p-Wert und das angepasste R^2 des schrittweise abgeleiteten Modells eine überlegene Anpassung anzeigen (p = 0,0144 und r^2 = 0,438 für Anpassung DSD, p = 0,0030 und r^2 = 0,615 für schrittweise)
Ich habe dies für einige andere Ausgabeparameter wiederholt und festgestellt, dass die DSD-Anpassung im Allgemeinen viel konservativer ist als die schrittweise Auswahl in Bezug auf Terme zweiter Ordnung. Ist das wahr? Wenn ja, ist es dennoch empfehlenswert, das Modell von fit DSD zu verwenden, obwohl es zu einer schlechteren Modellpassung führt?
Ich habe anonymisierte Daten angehängt.
Danke schön.
