623332_it-IT

liliconcom

Interpretare gli intervalli di confidenza del profiler di previsione per parametri non significativi

Ciao a tutti,

Chiedo scusa per la mia domanda stupida.

Sto adattando un modello di superficie di risposta (glm inclusi gli effetti principali, le interazioni e gli effetti quadratici) sui risultati di un progetto composito centrale con tre parametri indicati X1, X2 e X3 a scopo di esempio. Osservando le stime dei parametri, alcuni di essi sono significativi e altri non lo sono, con un rischio alfa del 5%. La mia domanda riguarda un parametro, diciamo X3, dove né l'effetto principale, né le interazioni, né l'effetto quadratico sono significativi.

Sono interessato ad analizzare il profiler di previsione in quanto mi fornisce indicazioni sugli intervalli dei valori Y previsti nello spazio di progettazione considerando tutti i parametri X1, X2 e X3 (in determinate posizioni).

Poiché nessuna delle stime X3 era significativa, non sono disposto a interpretare le stime (anche se è opportunamente espresso che qualsiasi interpretazione è inaffidabile a causa della variazione casuale e che non vi è alcuna prova conclusiva che la variabile abbia alcun effetto).

La mia domanda è quindi la seguente: ha ancora senso interpretare gli intervalli di confidenza di un profiler di previsione per questo parametro X3? Questo intervallo di confidenza è in qualche modo affidabile anche quando nessuna delle stime è significativa?

Molte grazie in anticipo per il vostro aiuto,

Chris

 

Esplorazione e visualizzazione dei datiOggetto: Interpretare gli intervalli di confidenza del profiler di previsione per parametri non significativi

Direi che ha senso guardare a quell'intervallo di confidenza.La non significatività è mostrata dall'intervallo di confidenza per X3 inclusa la linea orizzontale (nessun effetto).Ma l'intervallo trasmette informazioni aggiuntive - sulla gamma potenziale dell'effetto coerente con i dati.X3 potrebbe non essere significativo ma potrebbe potenzialmente avere un grande effetto - è solo che non puoi dire con sicurezza la direzione di quell'effetto.Ma un ampio intervallo di confidenza indicherebbe che si tratta di un effetto rumoroso e che potrebbe meritare ulteriori indagini (raccogliere più dati, ad esempio).La scelta binaria significato/non significato non è particolarmente utile (direi che è di scarsa utilità e potenzialmente molto pericolosa).Alcuni effetti sono più distinguibili dal rumore casuale rispetto ad altri e alcuni effetti hanno relazioni più forti con la tua variabile di risposta rispetto ad altri.Queste sono domande diverse.

Oggetto: Interpretare gli intervalli di confidenza del profiler di previsione per parametri non significativi

Benvenuto nella comunità. La prima domanda è quanto di un cambiamento pratico nella risposta è associato a X3? Dovresti sempre valutare la significatività pratica prima della significatività statistica. La variabile di risposta è cambiata in modo significativo? Questo deve essere interpretato dalla PMI.  

In una nota a margine, in genere i progetti del tipo di superficie di risposta vengono utilizzati DOPO che il significato dei fattori è stato determinato tramite screening o altri progetti sequenziali. Questo tipo di design ha lo scopo di creare una superficie per selezionare i livelli per quei fattori significativi predeterminati.

Una seconda nota, la significatività statistica è un'affermazione condizionale. C'è un confronto tra la 1. variazione creata manipolando i fattori a livelli specificati e gli 2. errori casuali (rumore) in un 3. insieme di condizioni (spazio di inferenza). Se uno qualsiasi di questi 3 componenti cambia (ad esempio, in futuro), potrebbe cambiare anche la significatività statistica.

Ri: Interpretare gli intervalli di confidenza del profiler di previsione per parametri non significativi

Una domanda/commento su questo: il tuo primo punto sembra suggerire uno screening iniziale per includere fattori statisticamente significativi nel tuo modello (e, quindi, per escludere gli altri).In effetti, anch'io lavoro spesso in questo modo.Ma mi provoca disagio quando lo faccio.L'omissione di fattori a causa della loro non significatività semplifica il modello (e preserva i gradi di libertà) ma rischia di modificare l'impatto di ciò che rimane nel modello.È difficile affermare che i fattori rimanenti vengano valutati in modo più accurato quando i fattori non significativi vengono rimossi dal modello.

 

Di conseguenza, man mano che i set di dati diventano sempre più grandi, ho adottato sempre più la pratica di lasciare tutti i fattori potenziali (per quanto possibile, e si spera in qualche modo governati dalla conoscenza dell'oggetto su quali fattori potenziali hanno senso) nel modello, significativi o no.Puoi commentare questo problema?

Ri: Interpretare gli intervalli di confidenza del profiler di previsione per parametri non significativi

Dale, ecco i miei pensieri. Mi scuso, ma soprattutto filosofico. Tutte le indagini scientifiche sono iterative (immagino sia per questo che lo chiamiamo miglioramento continuo). Perché "ottimizziamo" costantemente e sembriamo non "arrivarci" mai? IMHO, ci sono 2 ragioni principali:

1. Non iniziamo mai con TUTTI. Iniziamo sempre con un sottoinsieme di fattori, probabilmente quelli su cui abbiamo già delle ipotesi. E per quanto riguarda quelli di cui non ci sentiamo molto, raramente otteniamo dati per supportare questi non hanno alcun effetto. È un tipico pregiudizio umano.

2. Il mondo si evolve. Nuovi materiali e tecnologie vengono costantemente sviluppati (e applicazioni per quelli).

 

Alla ricerca del migliore processo gestibile (ad esempio, semplice), usiamo l'iterazione costante di induzione-deduzione. Lungo questo percorso, prendiamo decisioni soppesando l'efficacia e l'efficienza del/i modello/i. In definitiva, stiamo cercando di capire la causalità. Usiamo i metodi a nostra disposizione per cercare di determinare quali fattori dovrebbero essere inclusi nei nostri studi futuri e quale modello di ordine è necessario. Ciò include sia la valutazione pratica che la valutazione statistica. Sono estremamente cauto nell'usare la significatività statistica perché è un confronto e se non capisci cosa stai confrontando, non ha senso. D'altra parte, se si ha un'idea di ciò che viene confrontato (ad esempio, cosa crea lo spazio di progettazione e cosa crea lo spazio di inferenza) e, ad esempio, si sa che quelle fonti di variazione sono rappresentative delle condizioni future, allora per tutto significa che puoi sentirti sicuro in quell'analisi. Infine, riconosciamo di vivere in un mondo multivariato (ad es., i clienti desiderano che il prodotto soddisfi più criteri) e probabilmente dovranno essere fatti dei compromessi per raggiungere il migliore nelle circostanze attuali.