Valeurs significatives dans les estimations de paramètresSalut tout le monde,
J'ai créé un DOE personnalisé et j'ai d'abord analysé mes données étape par étape pour identifier les effets importants, puis les moindres carrés standard pour trouver des effets significatifs. J'ai pu constater les effets significatifs suivants :
J'ai ensuite vérifié le manque d'ajustement, qui était également ok
J'ai ensuite regardé plus loin dans les estimations des paramètres et j'ai vu beaucoup de valeurs rouges pour les estimations des paramètres. Qu'est-ce que cela signifie pour mon modèle ? N'est-il plus significatif même si le résumé des effets et le manque d'ajustement le disent ?
Un grand merci pour votre aide pour répondre à cette question.
Bien à vous,
Hanna
Modélisation statistique avancéeConception d'expériencesRe : Valeurs significatives dans les estimations de paramètresSalut,
La surbrillance rouge représente les valeurs de p inférieures à 0,05 et supérieures à 0,01
La surbrillance orange représente les valeurs de p inférieures à 0,01
Tous les paramètres listés dans le dernier tableau sont significatifs.
Meilleur,
TS
Objet : Valeurs significatives dans les estimations de paramètresIl est connu comme ' mise en forme conditionnelle .' Vous pouvez le trouver en sélectionnant Fichier > Préférences (Windows) ou JMP > Paramètres (Mac). Sélectionnez le groupe Rapports sur la gauche.
Vous pouvez activer ou désactiver ce formatage. Vous pouvez modifier les règles et les formats. Vous pouvez ajouter vos propres formats.
Re : Valeurs significatives dans les estimations de paramètresMes commentaires, sans aucune compréhension de votre situation:
1. La raison pour laquelle vous avez autant de facteurs significatifs est que vous avez très peu de DF pour estimer l'erreur.Je suppose que votre expérience sous-estime la véritable erreur. Vous avez vraiment besoin de savoir quelle est la base des tests avant de les interpréter.
2. Vous ne savez pas pourquoi vous utilisez Stepwise pour l'analyse du DOE ?Vous devriez avoir un modèle prédit au préalable.J'aime beaucoup l'approche de Daniel pour analyser les expériences.Il sature le modèle et utilise des tracés normaux et semi-normaux pour évaluer les effets intéressants.J'ajouterais des diagrammes de Pareto pour évaluer la signification pratique et, bien sûr, Box ajouterait des diagrammes de Bayes.Tous ces tracés sont disponibles dans JMP (voir Effect Screening).
Re : Valeurs significatives dans les estimations de paramètresLe tracé de Bayes qui @statman auquel il est fait référence est disponible sur la plate-forme Fit Least Squares. Il implémente la première version publiée par George Box, qui ne considérait que les effets principaux. Box a ensuite mis à jour la méthode pour inclure des termes d'ordre supérieur. Nous fournissons le tracé mis à jour sous forme de script JMP dans le dossier Samples/Scripts ici (Windows) :
J'ai également joint le script à ma réponse.
Re : Valeurs significatives dans les estimations de paramètresOh ouais.Merci pour ce scénario !
Objet : Valeurs significatives dans les estimations de paramètresSalut @statman ,
Merci pour cette réponse rapide. Le problème pour nous était une limitation du nombre d'expériences que nous pouvions effectuer. Ce que nous ferions habituellement dans ce cas, c'est toujours vérifier les interactions de 2ème facteur à travers l'approche par étapes et ne prendre en compte que les interactions de 2ème facteur qui sortent de l'approche par étapes en plus des interactions de 1er ordre. Ceux que nous modélisons ensuite en utilisant le tramage standard à effet des moindres carrés dans jmp. Cela fonctionne assez bien s'il n'y a qu'un nombre limité d'effets actifs. Cependant ici, comme vous l'avez mentionné, cela a laissé place à un surajustement. Votre suggestion serait-elle d'augmenter la conception pour ajouter plus d'expériences afin d'avoir plus d'expériences pour estimer l'erreur ? Comment l'augmentation devrait-elle être, simplement augmenter les expériences ou ajouter des effets de second ordre avant l'augmentation ?
2. Pourriez-vous élaborer sur cela et comment effectuer cela dans jmp? Je ne suis pas statisticien mais chimiste de formation, il me manque donc peut-être des informations sur cette réponse.
Objet : Valeurs significatives dans les estimations de paramètresJe suis heureux de partager mes réflexions, mais je n'ai pas une compréhension suffisante de votre situation pour fournir des conseils spécifiques (comme devriez-vous augmenter, répliquer ou quoi), donc je vais parler de généralités, ce qui est naturellement une simplification excessive :
Ce que vous faites dans une expérience, c'est essayer de comparer les effets des termes de votre modèle prédit (effets principaux, linéaire de 2e ordre, etc.) à l'erreur aléatoire (bruit) et entre eux.Étant donné que les expériences sont, par conception, des études d'espace d'inférence étroites (vous avez essentiellement supprimé les séries chronologiques et donc les effets du bruit qui changent dans le temps sont naturellement exclus), vous devez exagérer les effets du bruit pour être représentatifs des conditions futures.
"Malheureusement, les expériences futures (essais futurs, production de demain) seront affectées par des conditions environnementales (température, matériaux, personnes) différentes de celles qui affectent cette expérience... Ce n'est que par la connaissance du sujet, éventuellement aidée par d'autres expériences pour couvrir un plus large éventail de conditions, que l'on peut décider, au risque de se tromper, si les conditions environnementales du futur seront suffisamment proches de celles d'aujourd'hui pour permettre l'utilisation des résultats en main.
Dr Deming
Malheureusement, à mesure que les conditions expérimentales deviennent plus représentatives des conditions futures, la précision de la détection des effets des facteurs peut être compromise.L'une des stratégies pour améliorer la précision réside dans la définition du niveau de vos facteurs de conception (d'où le conseil dans les conceptions de dépistage est de définir des niveaux audacieux, mais raisonnables).Les stratégies de gestion du bruit sont essentielles pour mener des expériences réellement utiles à l'avenir.Il existe un certain nombre de stratégies pour gérer le bruit (par exemple, RCBD, BIB, split-plots (pour le bruit à long terme) et les répétitions (pour le bruit à court terme).Lorsque vous avez des contraintes de ressources importantes, vos options sont limitées.
En fin de compte, si vous n'utilisez que des tests de signification statistique, moins votre estimation du bruit aléatoire est représentative, moins le test statistique est utile (il est moins qu'utile de faire apparaître quelque chose de significatif aujourd'hui et d'insignifiant demain).Stepwise utilise des tests statistiques (des données en main) et, encore une fois, si ces données ne sont pas représentatives, ces tests peuvent être pires qu'utiles (commettre des erreurs alpha et bêta).Il est assez intéressant de voir comment l'accent est mis uniquement sur l'erreur alpha (valeurs p par exemple) dans les situations de dépistage lorsque, peut-être, l'erreur la plus dangereuse est la bêta.
Je ne sais pas ce que vous entendez par " Pourriez-vous élaborer sur cela et comment effectuer cela dans jmp ?"Voulez-vous dire concevoir des expériences appropriées ou effectuer des analyses appropriées ?
Toute analyse dépend de la façon dont les données ont été acquises. Pour votre analyse, puisque vous avez une conception non répliquée, exécutez Ajuster le modèle, affectez TOUS les DF au modèle (saturez le modèle).Exécutez la personnalité des moindres carrés standard. Une fois que vous avez la sortie, sélectionnez le triangle rouge à côté de chaque réponse et sélectionnez Effect Screening.Vous y trouverez les options de tracé normal, de Pareto et de Bayes (voir le script supplémentaire ci-dessus).
"Les résultats d'une expérience bien planifiée sont souvent évidents à l'aide d'une simple analyse graphique. Cependant, la meilleure analyse statistique au monde ne peut sauver un programme expérimental mal planifié."
Gérald Hahn
ps, vous aimerez peut-être lire Cuthbert Daniel car il n'a jamais suivi de cours de statistiques, mais est un expérimentateur profond.
