Hallo @QW ,
Das "Fit Definitive Screening Design" ist eine für DSD konzipierte Analyse, da es die DOE-Prinzipien der Wirkungshierarchie, Wirkungsvererbung und Wirkungssparsität betont und unterstützt: Prinzipien und Richtlinien für experimentelles Design (jmp.com)
- In einer ersten Runde versucht die Fit DSD-Plattform, die signifikanten Haupteffekte zu finden und ein Modell zu erstellen, das auf den identifizierten Haupteffekten basiert.
- In der zweiten Runde werden die Residuen aus dem ersten Modell analysiert, um Terme 2. Ordnung (abhängig von den zuvor identifizierten Haupteffekten, nach dem Prinzip der Effektvererbung) wie Interaktionsterme oder Potenzterme zu finden und zu erkennen.
Standardmäßig verwendet die Plattform das Prinzip der „starken Vererbung“ (Beispiel: Interaktion A*B darf in der zweiten Runde nur analysiert und identifiziert werden, wenn beide Haupteffekte A UND B in der ersten Runde identifiziert und signifikant sind), aber Sie können mehr „ Flexibilität" in der Modellierung durch Deaktivieren der "Quadratische Terme gehorchen starker Vererbung" und "Wechselwirkungen gehorchen starker Vererbung". Dies ermöglicht eine schwache Vererbung, was bedeutet, dass die Interaktion A*B in der zweiten Runde analysiert werden kann, wenn zum Beispiel Haupteffekt A ODER Haupteffekt B in der ersten Runde identifiziert und signifikant ist. In Ihrem Fall liefert die schwache Vererbung das gleiche Modell. Mehr Infos hier: Effektive Modellauswahl für DSDs (jmp.com)
Bitte beachten Sie auch, dass DSD, auch wenn sie leistungsfähig und interessant sind, um Effekte 2. Ordnung zu erkennen, immer noch Screening-Designs sind, sodass Sie nicht in der Lage sein werden, alle möglichen Effekte zu erkennen und abzuschätzen, und die Leistung in Bezug auf quadratische Terme oder Wechselwirkungsterme ziemlich groß ist niedrig im Vergleich zu Haupteffekten zum Beispiel, so dass es "normal" erscheint, größere Schwierigkeiten beim Erkennen quadratischer Effekte zu haben:
Wenn Sie der Meinung sind, dass unter den Effekten 2. Ordnung noch versteckte Terme vorhanden sein könnten, die nicht erkannt wurden, würde ich Ihnen dringend empfehlen, Ihr Design mit mehr Läufen zu erweitern (mit der Plattform "Augment Design"), um mehr Vertrauen in Ihr Modell zu haben (und möglicherweise neue quadratische Effekte und/oder Interaktionseffekte erkennen).
Der „schrittweise“ Auswahlansatz ist anders, eher an einer „modellunabhängigen“ Analyse orientiert, bei der die Auswahl der Begriffe nicht unbedingt einigen der DoE-Prinzipien folgt (auch wenn Sie einige Begriffe wie Haupteffekte „sperren“ können, um sie zu respektieren Auswirkung auf Vererbung/Hierarchie), konzentriert sich aber auf die Optimierung eines Kriteriums (AICc, BIC, ...). Dies kann zu komplexeren Modellen führen, da die „Sicherheitsvorkehrungen“ von anderen Plattformen wie „Fit DSD“ möglicherweise nicht vorhanden sind. Wenn Sie wirklich an die Grenzen gehen und andere Designs mit der Stepwise-Plattform erkunden möchten, können Sie auch auf das rote Dreieck klicken und „Alle möglichen Modelle“ ausprobieren. Sie können die Anzahl der Terme im Modell angeben, und JMP probiert alle möglichen Kombinationen von Termen aus, um alle möglichen Modelle mit der angegebenen Anzahl von Termen bereitzustellen. Es kann Ihnen bei der Modellierung etwas "Inspiration" geben, aber die Ergebnisse sollten mit Vorsicht betrachtet werden, da einige Terme ohne statistische Signifikanz in das Modell eingegeben werden können (daher könnte danach ein wenig Feinabstimmung erforderlich sein):
Mit dem ersten Modell (einige Begriffe werden standardmäßig hinzugefügt, aber ihre p-Werte liegen über dem Schwellenwert von 0,05):
Es ist immer interessant, verschiedene Modellierungsoptionen auszuprobieren und zu vergleichen, und noch mehr, wenn Fachkenntnisse Sie bei diesem Prozess unterstützen können. Es kann Ihnen helfen, Ideen zu wichtigen Begriffen zu entwickeln, und kann Ihnen helfen, zu definieren, wie Sie Ihr DoE mit neuen Läufen auf der Grundlage eines angenommenen Modells erweitern können.
Ich glaube nicht, dass es hier eine richtige oder falsche Antwort gibt, der Schlüssel liegt wirklich darin, verschiedene Modelle zu vergleichen und zu bewerten, um ein gutes Verständnis des Falls zu bekommen. Einige Methoden sind konservativer als andere, aber die Kombination unterschiedlicher Modellierung mit Fachkenntnissen kann Ihnen helfen, einen breiteren Überblick darüber zu erhalten, was am wichtigsten ist. Planen Sie von da an Ihre nächsten Experimente, um Ihr Modell zu verfeinern, und bereiten Sie einige Validierungspunkte vor, um Ihr Modell bewerten zu können.
Ich hoffe, diese (lange) Antwort wird Ihnen helfen,
PS: Sie können auch andere Modelle vergleichen, die mit verschiedenen Plattformen erstellt wurden, wie z.
Diese und andere Ansätze sind die Grundlagen für Tools, die Ihnen helfen, aber nicht einen Weg oder eine Antwort vorschreiben. Der Fit Definitive Screening-Ansatz konnte in Ihrem Fall kein geeignetes Modell finden. JMP bietet eine Fülle von Tools, die auf unzähligen Ansätzen basieren, sodass Sie Ihre Suche zur Auswahl des besten Modells nicht auf nur einen Ansatz beschränken müssen.
JMP verfügt über all diese Tools, da sich kein Ansatz in allen Fällen als überlegen erwiesen hat.
Durch die Analyse Ihrer Daten mit unterschiedlichen Ansätzen können Sie auch Ihr Vertrauen aufbauen, wenn sie übereinstimmen. Wenn sie anderer Meinung sind, können Sie den Grund für die Meinungsverschiedenheit untersuchen und nachvollziehen, warum das ausgewählte Modell das beste ist.
Vor allem sollten Sie Ihr Modell validieren. Verwenden Sie es, um die Reaktion bei Einstellungen vorherzusagen, die nicht im ursprünglichen Experiment enthalten waren. Sie sollten Einstellungen berücksichtigen, die das gewünschte Ergebnis vorhersagen, und Einstellungen, die ein unerwünschtes Ergebnis vorhersagen. Ihr Modell sollte alle Reaktionen innerhalb des Experimentbereichs genau vorhersagen.
Ich versuche, ein Modell mit 4 Faktoren an einen 17-Run-DSD anzupassen. Ich evaluiere zwei Methoden hierfür: die „Fit Definitive Screening“-Plattform, 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 der niedrige Wert deutlich schlechter ist als der mittlere/hohe Wert, der relativ ähnlich sein sollte. Wenn ich mir die Ergebnisse des „Fit DSD“-Algorithmus ansehe, sieht das Residualdiagramm der Haupteffekte für Faktor B tatsächlich so aus. Der Fit-DSD-Algorithmus gibt jedoch keine quadratischen Effekte aus. Ich habe versucht, das Verhältnis der Stufe 2 von 1 auf 0,1 zu ändern, und konnte keinen Unterschied feststellen.
Wenn ich denselben Datensatz nehme und die Vorwärtsmodellauswahl mit minimalem AICC verwende, erhalte ich das folgende Modell, das B^2 als Term enthält.
Wenn ich schließlich die Modelle, die durch „Fit DSD vs. Stepwise“ erstellt wurden, tatsächlich durchführe, stelle ich fest, dass der Gesamt-p-Wert und das angepasste R^2 des schrittweise abgeleiteten Modells eine überlegene Passform anzeigen (p = 0,0144 und r^2 = 0,438 für die Passform). DSD, p = 0,0030 und r^2 = 0,615 für schrittweise)
Ich habe dies für einige andere Ausgabeparameter wiederholt und festgestellt, dass die Anpassungs-DSD im Hinblick auf Terme zweiter Ordnung im Allgemeinen viel konservativer ist als die schrittweise Auswahl. Ist das wahr? Wenn ja, wird es dennoch empfohlen, das Modell von Fit DSD zu verwenden, auch wenn dies zu einer schlechteren Modellanpassung führt?
Ich habe anonymisierte Daten angehängt.
Danke schön.
