중요하지 않은 매개변수에 대한 예측 프로파일러 신뢰 구간 해석여러분, 안녕하세요,
제 어리석은 질문에 대해 사과드립니다.
예시를 위해 X1, X2 및 X3으로 표시된 세 가지 매개변수를 사용하여 중심 합성 설계의 결과에 반응 표면 모델(주 효과, 상호 작용 및 2차 효과를 포함하는 glm)을 피팅하고 있습니다. 모수 추정치를 살펴보면 알파 위험 5%에서 일부는 유의미하고 일부는 유의미하지 않습니다. 내 질문은 주 효과, 상호 작용 또는 2차 효과가 중요하지 않은 X3라는 매개 변수와 관련이 있습니다.
나는 예측 프로파일러가 모든 매개변수 X1, X2 및 X3(주어진 위치에서)를 고려하여 디자인 공간에서 예측된 Y 값의 범위에 대한 표시를 제공하므로 분석하는 데 관심이 있습니다.
X3 추정치 중 어느 것도 중요하지 않았기 때문에 나는 추정치를 해석할 의향이 없습니다( 임의의 변화로 인해 해석이 신뢰할 수 없고 변수가 전혀 영향을 미친다는 결정적인 증거가 없다는 것이 적절하게 표현되었음에도 불구하고).
그렇다면 내 질문은 다음과 같습니다. 이 매개변수 X3에 대한 예측 프로파일러의 신뢰 구간을 해석하는 것이 여전히 타당합니까? 추정치 중 어느 것도 중요하지 않은 경우에도 이 신뢰 구간은 어느 정도 신뢰할 수 있습니까?
귀하의 도움에 미리 감사드립니다.
크리스
데이터 탐색 및 시각화Re: 중요하지 않은 매개변수에 대한 예측 프로파일러 신뢰 구간 해석그 신뢰 구간을 보는 것이 이치에 맞다고 말하고 싶습니다.무의미성은 수평선(영향 없음)을 포함하는 X3에 대한 신뢰 구간으로 표시됩니다.그러나 간격은 데이터와 일치하는 효과의 잠재적 범위에 대한 추가 정보를 전달합니다.X3는 중요하지 않을 수 있지만 잠재적으로 큰 영향을 미칠 수 있습니다. 다만 그 효과의 방향을 자신 있게 말할 수는 없습니다.그러나 신뢰 구간이 넓으면 노이즈 효과이며 추가 조사(예: 더 많은 데이터 수집)가 필요한 효과임을 나타냅니다.유의성/비중요성의 이분법적 선택은 특별히 유용하지 않습니다.일부 효과는 다른 효과보다 무작위 노이즈와 더 잘 구분되며 일부 효과는 다른 효과보다 응답 변수와 더 강한 관계가 있습니다.이들은 다른 질문입니다.
Re: 중요하지 않은 매개변수에 대한 예측 프로파일러 신뢰 구간 해석커뮤니티에 오신 것을 환영합니다. 첫 번째 질문은 X3와 관련된 응답의 실질적인 변화가 어느 정도인가 하는 것입니다. 항상 통계적 유의성보다 실제적 유의성을 먼저 평가해야 합니다. 응답 변수가 의미 있는 방식으로 변경되었습니까? 이는 SME에서 해석해야 합니다.
참고로, 일반적으로 반응 표면 유형 설계는 스크리닝 또는 기타 순차적 설계를 통해 요인의 중요성이 결정된 후에 사용됩니다. 이러한 유형의 설계는 미리 결정된 중요한 요인에 대한 수준을 선택하기 위한 표면을 생성하기 위한 것입니다.
두 번째 참고 사항인 통계적 유의성은 조건문입니다. 1. 특정 수준에서 요인을 조작하여 생성된 변동과 2. 조건 집합(추론 공간)에서 2. 무작위 오류(노이즈) 사이에 비교가 있습니다. 이러한 3가지 구성 요소 중 하나라도 변경되면(즉, 미래에) 통계적 의미도 변경될 수 있습니다.
Re: 중요하지 않은 매개변수에 대한 예측 프로파일러 신뢰 구간 해석이것에 대한 한 가지 질문/의견: 귀하의 첫 번째 요점은 귀하의 모델에 통계적으로 중요한 요인을 포함하기 위한(따라서 다른 요인을 제외하기 위한) 초기 선별을 제안하는 것 같습니다.사실, 나는 종종 그런 식으로 일합니다.하지만 그렇게 할 때 불편함을 줍니다.중요하지 않기 때문에 요소를 생략하면 모델이 단순화되고(자유도가 유지됨) 모델에 남아 있는 항목의 영향이 변경될 위험이 있습니다.모델에서 중요하지 않은 요인을 제거했다고 해서 나머지 요인이 더 정확하게 평가되고 있다고 주장하기는 어렵습니다.
그 결과, 데이터 세트가 점점 더 커짐에 따라 저는 모델에 모든 잠재적 요인(가능한 한도 내에서, 어떤 잠재적 요인이 의미가 있는지에 대한 주제 지식에 의해 어느 정도 통제되기를 바랍니다)을 남겨두는 관행을 점점 더 채택했습니다. 아니면.이 문제에 대해 언급할 수 있습니까?
Re: 중요하지 않은 매개변수에 대한 예측 프로파일러 신뢰 구간 해석데일, 여기 내 생각이 있습니다. 죄송하지만 대부분 철학적입니다. 모든 과학적 조사는 반복적입니다(그래서 지속적인 개선이라고 부르는 것 같습니다). 왜 우리는 끊임없이 "최적화"하고 결코 "거기에 도달"하지 못하는 것 같습니까? IMHO에는 두 가지 주요 이유가 있습니다.
1. 우리는 결코 ALL로 시작하지 않습니다. 우리는 항상 몇 가지 요인의 하위 집합으로 시작합니다. 아마도 우리는 이미 몇 가지 가설을 가지고 있을 것입니다. 그리고 우리가 강하게 느끼지 않는 사람들은 어떻습니까? 우리는 이것들이 효과가 없다는 것을 뒷받침하는 데이터를 거의 얻지 못합니다. 전형적인 인간의 편견입니다.
2. 세상은 진화한다. 새로운 재료와 기술이 지속적으로 개발되고 있습니다.
를 찾아서 최상의 관리 가능한(예: 간단한) 프로세스를 위해 귀납-추론의 지속적인 반복을 사용합니다. 이 경로를 따라 우리는 모델의 효과와 효율성을 평가하는 결정을 내립니다. 궁극적으로 우리는 인과 관계를 이해하려고 노력하고 있습니다. 우리는 미래 연구에 어떤 요소를 포함해야 하고 어떤 주문 모델이 필요한지 결정하기 위해 마음대로 사용할 수 있는 방법을 사용합니다. 여기에는 실제 평가와 통계적 평가가 모두 포함됩니다. 나는 통계적 유의성을 사용하는 데 매우 신중합니다. 왜냐하면 그것은 비교이기 때문입니다. 비교하는 것을 이해하지 못하면 의미가 없습니다. 반면에, 비교 대상에 대한 아이디어가 있고(예: 설계 공간을 생성하는 요소와 추론 공간을 생성하는 요소) 예를 들어 그러한 변동 원인이 미래 조건을 대표한다는 것을 알고 있다면 다음과 같습니다. 모든 것은 당신이 그 분석에 확신을 가질 수 있다는 것을 의미합니다. 마지막으로, 우리는 우리가 다변량 세계(예: 고객은 제품이 여러 기준을 충족하기를 원함)에 살고 있다는 것을 인식하고 있으며 최상의 현재 상황에서.
