Signifikante Werte in ParameterschätzungenHallo alle,
Ich habe ein benutzerdefiniertes DOE erstellt und meine Daten zunächst schrittweise analysiert, um wichtige Effekte zu identifizieren, und dann nach der Methode der kleinsten Quadrate, um signifikante Effekte zu ermitteln. Ich konnte folgende signifikante Auswirkungen feststellen:
Ich habe dann die fehlende Passform überprüft, die auch in Ordnung war
Ich habe mir dann die Parameterschätzungen weiter unten angesehen und viele rote Werte für die Parameterschätzungen gesehen. Was bedeutet das für mein Modell? Ist es nicht mehr signifikant, obwohl die Wirkungszusammenfassung und mangelnde Anpassung dies besagen?
Vielen Dank für Ihre Hilfe bei der Beantwortung dieser Frage.
Mit freundlichen Grüße,
Hanna
Erweiterte statistische ModellierungVersuchsplanungBetreff: Signifikante Werte in ParameterschätzungenHallo,
Die rote Hervorhebung stellt p-Werte unter 0,05 und über 0,01 dar
Die orangefarbene Hervorhebung stellt p-Werte unter 0,01 dar
Alle in der letzten Tabelle aufgeführten Parameter sind von Bedeutung.
Am besten,
TS
Betreff: Signifikante Werte in ParameterschätzungenEs ist bekannt als ' bedingte Formatierung .' Sie finden es, indem Sie „Datei“ > „Einstellungen“ (Windows) oder „JMP“ > „Einstellungen“ (Mac) auswählen. Wählen Sie links die Gruppe „Berichte“ aus.
Sie können diese Formatierung aktivieren oder deaktivieren. Sie können die Regeln und Formate ändern. Sie können Ihre eigenen Formate hinzufügen.
Betreff: Signifikante Werte in ParameterschätzungenMeine Kommentare, ohne Verständnis für Ihre Situation:
1. Der Grund dafür, dass Sie so viele wichtige Faktoren haben, liegt darin, dass Sie nur sehr wenige DFs zur Fehlerschätzung haben.Ich vermute, dass Ihr Experiment den wahren Fehler unterschätzt. Sie müssen wirklich wissen, was die Grundlage der Tests ist, bevor Sie sie interpretieren.
2. Sie sind sich nicht sicher, warum Sie die schrittweise Analyse von DOE verwenden?Sie sollten im Voraus ein vorhergesagtes Modell haben.Mir gefällt der Daniel-Ansatz bei der Analyse von Experimenten sehr.Er sättigt das Modell und verwendet normale und halbnormale Diagramme, um interessante Effekte zu bewerten.Ich würde Pareto-Diagramme hinzufügen, um die praktische Bedeutung zu beurteilen, und natürlich würde Box Bayes-Diagramme hinzufügen.Alle diese Diagramme sind in JMP verfügbar (siehe Effekt-Screening).
Betreff: Signifikante Werte in ParameterschätzungenDas ist der Bayes-Plot @statman Die genannten Informationen sind in der Fit Least Squares-Plattform verfügbar. Es implementiert die erste von George Box veröffentlichte Version, die nur die Haupteffekte berücksichtigte. Box hat die Methode später aktualisiert, um Begriffe höherer Ordnung einzubeziehen. Wir stellen den aktualisierten Plot hier als JMP-Skript im Ordner „Samples/Scripts“ bereit (Windows):
Ich habe das Skript auch meiner Antwort beigefügt.
Betreff: Signifikante Werte in ParameterschätzungenOh ja.Danke für dieses Skript!
Betreff: Signifikante Werte in ParameterschätzungenHallo @statman ,
Danke für die schnelle Antwort. Das Problem für uns war die begrenzte Anzahl an Experimenten, die wir durchführen konnten. Was wir in diesem Fall normalerweise tun würden, ist immer noch, durch den schrittweisen Ansatz nach Wechselwirkungen des zweiten Faktors zu suchen und nur die Wechselwirkungen des zweiten Faktors zu berücksichtigen, die sich zusätzlich zu den Wechselwirkungen erster Ordnung aus dem schrittweisen Ansatz ergeben. Diese modellieren wir dann mithilfe des Standard-Least-Square-Effect-Screenings in JMP. Dies funktioniert recht gut, wenn nur eine begrenzte Anzahl aktiver Effekte aktiv ist. Allerdings kam es hier, wie Sie bereits erwähnt haben, zu einer Überanpassung. Wäre Ihr Vorschlag, das Design zu erweitern, um mehr Experimente hinzuzufügen, um mehr Experimente zur Schätzung des Fehlers zu haben? Wie müsste die Erweiterung sein, einfach die Experimente steigern oder Effekte 2. Ordnung vor der Erweiterung hinzufügen?
2. Könnten Sie dies näher erläutern und erläutern, wie dies in JMP durchgeführt wird? Ich bin kein Statistiker, sondern ausgebildeter Chemiker, daher fehlen mir möglicherweise einige Hintergrundinformationen zu dieser Antwort.
Betreff: Signifikante Werte in ParameterschätzungenGerne teile ich meine Gedanken mit, aber ich verstehe Ihre Situation nicht ausreichend, um konkrete Ratschläge zu geben (z. B. sollten Sie sie erweitern, replizieren oder was auch immer), daher werde ich mich allgemein äußern, was natürlich eine zu starke Vereinfachung darstellt:
In einem Experiment versuchen Sie, die Auswirkungen von Termen in Ihrem vorhergesagten Modell (Haupteffekte, Linearität 2. Ordnung usw.) mit zufälligen Fehlern (Rauschen) und untereinander zu vergleichen.Da es sich bei Experimenten von Natur aus um eng gefasste Inferenzraumstudien handelt (Sie haben im Wesentlichen die Zeitreihen entfernt, sodass die Auswirkungen von Rauschen, die sich im Laufe der Zeit ändern, natürlich ausgeschlossen sind), müssen Sie die Auswirkungen von Rauschen übertreiben, um für zukünftige Bedingungen repräsentativ zu sein.
„Leider werden zukünftige Experimente (zukünftige Versuche, die Produktion von morgen) von Umgebungsbedingungen (Temperatur, Materialien, Menschen) beeinflusst, die sich von denen unterscheiden, die dieses Experiment beeinflussen … Dies ist nur durch Kenntnis des Themas möglich, möglicherweise unterstützt durch weitere Experimente, die abgedeckt werden können.“ ein breiteres Spektrum von Bedingungen, sodass man mit der Gefahr eines Irrtums entscheiden kann, ob die Umweltbedingungen der Zukunft denen von heute nahe genug sein werden, um die Verwendung der vorliegenden Ergebnisse zu ermöglichen.“
Dr. Deming
Da die experimentellen Bedingungen immer repräsentativer für zukünftige Bedingungen werden, kann die Genauigkeit der Erkennung von Faktoreffekten leider beeinträchtigt werden.Eine der Strategien zur Verbesserung der Präzision liegt in der Festlegung der Ebenen für Ihre Designfaktoren (daher wird beim Screening von Designs empfohlen, die Ebenen fett, aber angemessen festzulegen).Strategien zum Umgang mit Lärm sind entscheidend für die Durchführung von Experimenten, die in der Zukunft tatsächlich nützlich sind.Es gibt eine Reihe von Strategien zum Umgang mit Rauschen (z. B. RCBD, BIB, Split-Plots (für Langzeitrauschen) und Wiederholungen (für Kurzzeitrauschen).Wenn Sie erhebliche Ressourcenbeschränkungen haben, sind Ihre Optionen begrenzt.
Das Fazit lautet: Wenn Sie nur statistische Signifikanztests verwenden, ist der statistische Test umso weniger nützlich, je weniger repräsentativ Ihre Schätzung des Zufallsrauschens ist (es ist weniger als nützlich, wenn etwas heute bedeutsam und morgen unbedeutend erscheint).Stepwise verwendet statistische Tests (der vorliegenden Daten) und wenn diese Daten wiederum nicht repräsentativ sind, können diese Tests mehr als nützlich sein (sowohl Alpha- als auch Betafehler begehen).Es ist irgendwie interessant, dass in Screening-Situationen, in denen der Beta-Fehler vielleicht der gefährlichste Fehler ist, der Fokus ausschließlich auf dem Alpha-Fehler (z. B. p-Werten) liegt.
Ich bin mir nicht sicher, was Sie mit „ Könnten Sie dies näher erläutern und erläutern, wie dies in JMP durchgeführt wird?“Meinen Sie damit, geeignete Experimente zu entwerfen oder entsprechende Analysen durchzuführen?
Jede Analyse hängt davon ab, wie die Daten erfasst wurden. Da Sie für Ihre Analyse ein nicht repliziertes Design haben, führen Sie „Modell anpassen“ aus und weisen Sie dem Modell ALLE DFs zu (sättigen Sie das Modell).Führen Sie die Standard-Persönlichkeit der kleinsten Quadrate aus. Sobald Sie die Ausgabe haben, wählen Sie das rote Dreieck neben jeder Antwort und wählen Sie Effekt-Screening.Dort finden Sie die Optionen Normalplot, Paretoplot und Bayesplot (siehe zusätzliches Skript oben).
„Ergebnisse eines gut geplanten Experiments lassen sich oft anhand einer einfachen grafischen Analyse erkennen. Allerdings kann die weltweit beste statistische Analyse ein schlecht geplantes experimentelles Programm nicht retten.“
Gerald Hahn
P.S.: Die Lektüre von Cuthbert Daniel könnte Ihnen Freude bereiten, da er nie einen Statistikkurs belegt hat, aber ein profunder Experimentator ist.
