Estoy tratando de ajustar un modelo a un DSD de 17 ejecuciones con 4 factores. Estoy evaluando dos métodos para hacerlo: la plataforma 'Fit Definitive Screening' recomendada por la documentación de JMP, así como el antiguo método de selección hacia adelante con AICC mínimo como criterio.
Según el conocimiento del dominio, hubiera esperado un efecto cuadrático para el factor B que parece una meseta, con el nivel bajo significativamente peor que los niveles medio/alto, que deberían ser relativamente similares. Cuando observo los resultados del algoritmo 'Fit DSD', la gráfica residual de efectos principales para el factor B se ve así. Sin embargo, el algoritmo DSD de ajuste no genera ningún efecto cuadrático. He intentado alterar la proporción de la Etapa 2 de 1 a 0,1 y no encontré ninguna diferencia.
Cuando tomo el mismo conjunto de datos y uso la selección directa del modelo con AICC mínimo, obtengo el siguiente modelo, que incluye B^2 como término.
Finalmente, cuando ejecuto los modelos hechos por Fit DSD vs. paso a paso, encuentro que el valor p general y el R^2 ajustado del modelo derivado paso a paso indican un ajuste superior (p = 0.0144 y r^2 = 0.438 para ajuste DSD, p = 0,0030 y r^2 = 0,615 para paso a paso)
Repetí esto para algunos otros parámetros de salida y descubrí que, en general, el ajuste DSD es mucho más conservador que la selección paso a paso con respecto a los términos de segundo orden. ¿Es esto cierto? Si es así, ¿sigue siendo recomendable usar el modelo de DSD de ajuste, aunque resulte en un ajuste de modelo más pobre?
Adjunto datos anonimizados.
Gracias.
