623332_es-ES

liliconcom

Interpretar los intervalos de confianza del perfilador de predicción para parámetros no significativos.

Hola a todos,

Les pido perdón por mi pregunta tonta.

Estoy ajustando un modelo de superficie de respuesta (glm que incluye efectos principales, interacciones y efectos cuadráticos) en los resultados de un diseño compuesto central con tres parámetros anotados X1, X2 y X3 por el bien del ejemplo. Al observar las estimaciones de los parámetros, algunos de ellos son significativos y otros no, con un riesgo alfa del 5%. Mi pregunta está relacionada con un parámetro, digamos X3, donde ni el efecto principal, ni las interacciones ni el efecto cuadrático son significativos.

Estoy interesado en analizar el generador de perfiles de predicción, ya que me da indicaciones sobre los rangos de los valores Y predichos en el espacio de diseño considerando todos los parámetros X1, X2 y X3 (en ubicaciones determinadas).

Como ninguna de las estimaciones de X3 fue significativa, no estoy dispuesto a interpretar las estimaciones (aunque se expresa apropiadamente que cualquier interpretación no es confiable debido a la variación aleatoria y que no hay evidencia concluyente de que la variable tenga algún efecto).

Mi pregunta es entonces la siguiente: ¿Aún tiene sentido interpretar los intervalos de confianza de un perfilador de predicción para este parámetro X3? ¿Es este intervalo de confianza de alguna manera confiable incluso cuando ninguna de las estimaciones es significativa?

Muchas gracias de antemano por tu ayuda,

cris

 

Exploración y visualización de datosRe: Interpretar los intervalos de confianza del generador de perfiles de predicción para parámetros no significativos

Yo diría que tiene sentido mirar ese intervalo de confianza.La falta de significación se muestra mediante el intervalo de confianza para X3, incluida la línea horizontal (sin efecto).Pero el intervalo transmite información adicional sobre el rango potencial del efecto consistente con los datos.Es posible que X3 no sea significativo, pero podría tener un gran efecto; es solo que no se puede decir con confianza la dirección de ese efecto.Pero un intervalo de confianza amplio indicaría que es un efecto ruidoso y que podría merecer una mayor investigación (recolectar más datos, por ejemplo).La elección binaria de significado/no significado no es particularmente útil (yo diría que es de poca utilidad y potencialmente peligrosa).Algunos efectos se distinguen más del ruido aleatorio que otros y algunos efectos tienen una relación más estrecha con su variable de respuesta que otros.Estas son preguntas diferentes.

Re: Interpretar los intervalos de confianza del generador de perfiles de predicción para parámetros no significativos

Bienvenido a la comunidad. La primera pregunta es ¿cuánto de un cambio práctico en la respuesta está asociado con X3? Siempre debe evaluar la importancia práctica antes de la importancia estadística. ¿Cambió la variable de respuesta de manera significativa? Esto debe ser interpretado por la PYME.  

En una nota al margen, los diseños de tipo de superficie de respuesta generalmente se utilizan DESPUÉS de que se haya determinado la importancia de los factores a través de la selección u otros diseños secuenciales. Este tipo de diseños están destinados a crear una superficie para seleccionar niveles para esos factores significativos predeterminados.

Una segunda nota, la significación estadística es una declaración condicional. Hay una comparación entre la 1. variación creada por la manipulación de factores en niveles específicos y los 2. errores aleatorios (ruido) bajo un 3. conjunto de condiciones (espacio de inferencia). Si alguno de esos 3 componentes cambia (es decir, en el futuro), también puede cambiar la significación estadística.

Re: Interpretar los intervalos de confianza del generador de perfiles de predicción para parámetros no significativos

Una pregunta/comentario sobre esto: su primer punto parece sugerir una selección inicial para incluir factores estadísticamente significativos en su modelo (y, por lo tanto, excluir a los demás).De hecho, a menudo trabajo de esa manera.Pero me causa incomodidad cuando lo hago.Omitir factores debido a que no son significativos simplifica el modelo (y preserva los grados de libertad), pero corre el riesgo de cambiar el impacto de lo que queda en el modelo.Es difícil afirmar que los factores restantes se evalúan con mayor precisión cuando se eliminan del modelo los factores insignificantes.

 

Como resultado, a medida que los conjuntos de datos se vuelven más y más grandes, he adoptado cada vez más la práctica de dejar todos los factores potenciales (en la medida de lo posible, y con suerte regidos de alguna manera por el conocimiento de la materia acerca de qué factores potenciales tienen sentido) en el modelo, significativos. O no.¿Puedes comentar sobre este tema?

Re: Interpretar los intervalos de confianza del generador de perfiles de predicción para parámetros no significativos

Dale, aquí están mis pensamientos. Me disculpo, pero sobre todo filosófico. Todas las investigaciones científicas son iterativas (supongo que por eso lo llamamos mejora continua). ¿Por qué estamos constantemente "optimizando" y parece que nunca "llegamos allí"? En mi humilde opinión, hay 2 razones principales:

1. Nunca comenzamos con TODO. Siempre comenzamos con algún subconjunto de factores, probablemente aquellos sobre los que ya tenemos algunas hipótesis. Y qué pasa con aquellos por los que no sentimos mucho, rara vez obtenemos datos que respalden que estos no tienen ningún efecto. Es un típico sesgo humano.

2. El mundo evoluciona. Constantemente se desarrollan nuevos materiales y tecnologías (y aplicaciones para ellos).

 

en busca de la mejor proceso manejable (por ejemplo, simple), utilizamos constante iteración de inducción-deducción. A lo largo de este camino, tomamos decisiones sopesando la eficacia y la eficiencia del modelo o modelos. En última instancia, estamos tratando de entender la causalidad. Utilizamos los métodos a nuestra disposición para tratar de determinar qué factores deben incluirse en nuestros estudios futuros y qué modelo de orden es necesario. Esto incluye tanto la evaluación práctica como la evaluación estadística. Soy extremadamente cauteloso al usar la significancia estadística porque es una comparación y si no entiende lo que está comparando, no tiene sentido. Por otro lado, si tiene alguna idea de lo que se compara (p. ej., qué crea el espacio de diseño y qué crea el espacio de inferencia) y, por ejemplo, sabe que esas fuentes de variación son representativas de condiciones futuras, entonces por todo significa que puede sentirse confiado en ese análisis. Finalmente, reconocemos que vivimos en un mundo multivariado (p. ej., los clientes quieren que el producto cumpla con varios criterios) y es probable que se deban hacer concesiones para lograr el mejor en las circunstancias actuales.