658111_it-IT

liliconcom

Valori significativi nelle stime dei parametri

Ciao a tutti,

Ho creato un DOE personalizzato e ho analizzato i miei dati prima in modo graduale per identificare effetti importanti, quindi i minimi quadrati standard per trovare effetti significativi. Ho potuto vedere i seguenti effetti significativi:

Ho quindi controllato la mancanza di adattamento, che era anche ok

Ho quindi esaminato più in basso le stime dei parametri e ho visto molti valori rossi per le stime dei parametri. Cosa significa questo per il mio modello? Non è più significativo anche se il riepilogo degli effetti e la mancanza di adattamento dicono che lo è?

Molte grazie per l'aiuto nel rispondere a questa domanda.

 

Cordiali saluti,

Anna

 

 

Modellazione statistica avanzataProgettazione di esperimentiRi: Valori significativi nelle stime dei parametri

CIAO,

 

L'evidenziazione rossa rappresenta i valori p inferiori a 0,05 e superiori a 0,01

L'evidenziazione arancione rappresenta i valori p inferiori a 0,01

Tutti i parametri elencati nell'ultima tabella sono significativi.

 

Migliore,

ST

Ri: Valori significativi nelle stime dei parametri

È noto come ' formattazione condizionale .' Puoi trovarlo selezionando File > Preferenze (Windows) o JMP > Impostazioni (Mac). Seleziona il gruppo Rapporti a sinistra.

Puoi attivare o disattivare questa formattazione. È possibile modificare le regole e i formati. Puoi aggiungere i tuoi formati.

Ri: Valori significativi nelle stime dei parametri

I miei commenti, senza alcuna comprensione della tua situazione:

1. Il motivo per cui hai così tanti fattori significativi è perché hai pochissimi DF per la stima dell'errore.La mia ipotesi è che il tuo esperimento stia sottovalutando il vero errore. Devi davvero sapere qual è la base dei test prima di interpretarli.

2. Non sei sicuro del motivo per cui stai utilizzando Stepwise per l'analisi del DOE?Dovresti avere un modello previsto prima.Mi piace molto l'approccio di Daniel all'analisi degli esperimenti.Satura il modello e utilizza grafici normali e seminormali per valutare effetti interessanti.Aggiungerei i grafici di Pareto per valutare il significato pratico e, ovviamente, Box aggiungerei i grafici di Bayes.Tutti questi grafici sono disponibili in JMP (vedere Screening degli effetti).

Ri: Valori significativi nelle stime dei parametri

Il complotto di Bayes @statman a cui si fa riferimento è disponibile nella piattaforma Fit Least Squares. Implementa la prima versione pubblicata da George Box, che considerava solo gli effetti principali. Box ha successivamente aggiornato il metodo per includere termini di ordine superiore. Forniamo il grafico aggiornato come script JMP nella cartella Samples/Scripts qui (Windows):

Ho anche allegato lo script alla mia risposta.

Ri: Valori significativi nelle stime dei parametri

O si.Grazie per quella sceneggiatura!

Ri: Valori significativi nelle stime dei parametri

CIAO @statman ,

grazie per la veloce risposta. Il problema per noi era una limitazione nella quantità di esperimenti che potevamo eseguire. Quello che di solito faremmo in quel caso è ancora controllare le interazioni del secondo fattore attraverso l'approccio graduale e prendere in considerazione solo quelle interazioni del secondo fattore che emergono dall'approccio graduale oltre alle interazioni del primo ordine. Quelli che poi modelliamo utilizzando lo screening standard dell'effetto dei minimi quadrati in jmp. Funziona abbastanza bene se c'è solo una quantità limitata di effetti attivi. Tuttavia qui, come hai detto, questo lascia a un overfit. Il tuo suggerimento sarebbe quello di aumentare il design per aggiungere più esperimenti per avere più esperimenti per stimare l'errore? Come dovrebbe essere l'aumento, solo aumentare gli esperimenti o aggiungere effetti di secondo ordine prima dell'aumento?

 

2. Potresti approfondire questo e come eseguirlo in jmp? Non sono uno statistico ma un chimico per formazione, quindi potrei perdere alcune informazioni su questa risposta.

Ri: Valori significativi nelle stime dei parametri

Sono felice di condividere i miei pensieri, ma non ho una comprensione sufficiente della tua situazione per fornire consigli specifici (come dovresti aumentare, replicare o cosa), quindi parlerò in generale che naturalmente è una semplificazione eccessiva:

Quello che stai facendo in un esperimento è provare a confrontare gli effetti dei termini nel tuo modello previsto (effetti principali, lineare del 2 ° ordine, ecc.) Con errori casuali (rumore) e tra loro.Poiché gli esperimenti sono, in base alla progettazione, studi spaziali di inferenza ristretta (hai sostanzialmente rimosso le serie temporali e quindi gli effetti del rumore che cambiano nel tempo sono naturalmente esclusi) devi esagerare gli effetti del rumore per essere rappresentativi delle condizioni future.

 

“Sfortunatamente, gli esperimenti futuri (prove future, la produzione di domani) saranno influenzati da condizioni ambientali (temperatura, materiali, persone) diverse da quelle che influenzano questo esperimento... È solo dalla conoscenza dell'argomento, eventualmente aiutata da ulteriori esperimenti per coprire una gamma più ampia di condizioni, che si può decidere, con il rischio di sbagliare, se le condizioni ambientali del futuro saranno abbastanza vicine a quelle di oggi per consentire l'uso dei risultati in mano.

Dottor Deming

 

Sfortunatamente, poiché le condizioni sperimentali diventano più rappresentative delle condizioni future, la precisione del rilevamento degli effetti dei fattori può essere compromessa.Una delle strategie per migliorare la precisione risiede nell'impostazione del livello per i fattori di progettazione (quindi il consiglio nello screening dei progetti è di impostare livelli in grassetto, ma ragionevoli).Le strategie per gestire il rumore sono fondamentali per eseguire esperimenti che saranno effettivamente utili in futuro.Esistono numerose strategie per gestire il rumore (ad esempio, RCBD, BIB, split-plot (per rumore a lungo termine) e ripetizioni (per rumore a breve termine).Quando hai vincoli di risorse significativi, le tue opzioni sono limitate.

 

La linea di fondo è che se stai usando solo test di significatività statistica, meno rappresentativa è la tua stima del rumore casuale, meno utile è il test statistico (è meno che utile che qualcosa appaia significativo oggi e insignificante domani).Stepwise utilizza test statistici (dei dati in mano) e, ancora una volta, se quei dati non sono rappresentativi, quei test potrebbero essere peggiori che utili (commettere errori sia alfa che beta).È piuttosto interessante come ci si concentri esclusivamente sull'errore alfa (valori p per esempio) nelle situazioni di screening quando, forse, l'errore più pericoloso è il beta.  

 

Non sono sicuro di cosa intendi per " Potresti approfondire questo e come eseguirlo in jmp?"Intendi progettare esperimenti appropriati o eseguire analisi appropriate? 

Tutte le analisi dipendono da come sono stati acquisiti i dati. Per la tua analisi, poiché hai un progetto non replicato, esegui Fit Model, assegna TUTTI i DF al modello (satura il modello).Esegui la personalità dei minimi quadrati standard. Una volta ottenuto l'output, seleziona il triangolo rosso accanto a ciascuna risposta e seleziona Screening effetti.Lì troverai le opzioni di trama normale, trama di Pareto e trama di Bayes (vedi script aggiuntivo sopra).

 

"I risultati di un esperimento ben pianificato sono spesso evidenti utilizzando una semplice analisi grafica. Tuttavia la migliore analisi statistica del mondo non può salvare un programma sperimentale mal pianificato".

Gerald Hahn

 

ps, potresti divertirti a leggere Cuthbert Daniel perché non ha mai seguito un corso di statistica, ma è un profondo sperimentatore.