Robert Anderson JMP Leitender Systemingenieur
Wissenschaftler und Ingenieure müssen in der Lage sein, das bestmögliche Modell für ihren Prozess oder ihr Produkt zu finden und richtig zu erkennen, welche Faktoren wirklich wichtig sind und welche nicht. Oft besteht die größte Sorge darin, dass ein wichtiger oder lebenswichtiger Faktor übersehen wird. Ein heimtückischeres und potenziell schlimmeres Problem besteht jedoch darin, dass statistische Modellierungsmethoden häufig Faktoren identifizieren, die statistisch signifikant, aber nicht wirklich aktiv sind. Die Identifizierung dieser unechten Wirkungen führt dazu, dass wertvolle wissenschaftliche und technische Ressourcen für weitere Untersuchungen dieser falschen Wirkungen verschwendet werden. Es kann viel Zeit und Ressourcen in Anspruch nehmen, bevor das fehlerhafte Modell und die unechten Auswirkungen erkannt werden. Die Holdback-Validierungsmethodik in JMP Pro bietet eine leistungsstarke Möglichkeit, dieses Modellüberanpassungsproblem selbst bei relativ kleinen Datensätzen zu unterdrücken. Anhand von simulierten Datensätzen wird in diesem Beitrag demonstriert, wie häufig und leicht das Problem der Erkennung nicht echter Effekte auftreten kann und wie die Holdback-Validierung dieses Problem wirksam unterdrücken kann. Die Holdback-Validierung ist jedoch kein Allheilmittel, und es werden auch einige Beispiele gezeigt, in denen sie nicht gut funktioniert.
