Hola a todos,
He hecho un DOE personalizado y he estado analizando mis datos primero paso a paso para identificar efectos importantes y luego mínimos cuadrados estándar para encontrar efectos significativos. Pude ver los siguientes efectos significativos:
Luego verifiqué la falta de ajuste, que también estaba bien
Luego miré más abajo a través de las estimaciones de parámetros y vi muchos valores rojos para las estimaciones de parámetros. ¿Qué significa esto para mi modelo? ¿Ya no es significativo a pesar de que el resumen del efecto y la falta de ajuste dicen que lo es?
Muchas gracias por su ayuda en responder a esta pregunta.
Atentamente,
Hanna
Hola,
El resaltado rojo representa los valores de p inferiores a 0,05 y superiores a 0,01
El resaltado naranja representa los valores de p por debajo de 0,01
Todos los parámetros enumerados en la última tabla son significativos.
Mejor,
TS
Es conocido como ' formato condicional .' Puede encontrarlo seleccionando Archivo > Preferencias (Windows) o JMP > Configuración (Mac). Seleccione el grupo Informes a la izquierda.
Puede activar o desactivar este formato. Puede modificar las reglas y formatos. Puede agregar sus propios formatos.
Mis comentarios, sin ninguna comprensión de su situación:
1. La razón por la que tiene tantos factores significativos es porque tiene muy pocos DF para estimar el error.Supongo que su experimento está subestimando el verdadero error. Realmente necesita saber cuál es la base de las pruebas antes de interpretarlas.
2. ¿No está seguro de por qué está utilizando paso a paso para el análisis de DOE?Debe tener un modelo predicho á antes.Me gusta mucho el enfoque de Daniel para analizar experimentos.Satura el modelo y utiliza gráficas normales y seminormales para evaluar efectos interesantes.Agregaría diagramas de Pareto para evaluar la importancia práctica y, por supuesto, Box agregaría diagramas de Bayes.Todos estos gráficos están disponibles en JMP (consulte Evaluación de efectos).
El diagrama de Bayes que @statman referido está disponible en la plataforma Fit Least Squares. Implementa la primera versión publicada por George Box, que solo consideraba los efectos principales. Box luego actualizó el método para incluir términos de orden superior. Proporcionamos el gráfico actualizado como un script JMP en la carpeta Samples/Scripts aquí (Windows):
También adjunté el guión a mi respuesta.
Oh sí.¡Gracias por ese guión!
Hola @statman ,
Gracias por su rápida respuesta. El problema para nosotros era una limitación en la cantidad de experimentos que podíamos realizar. Lo que normalmente haríamos en ese caso es verificar las interacciones del segundo factor a través del enfoque por pasos y solo tener en cuenta las interacciones del segundo factor que surgen del enfoque por pasos además de las interacciones de primer orden. Aquellas que luego modelamos utilizando el cribado estándar de mínimos cuadrados en jmp. Esto funciona bastante bien si solo hay una cantidad limitada de efectos activos. Sin embargo, aquí, como mencionaste, esto se debe a un sobreajuste. ¿Sería su sugerencia aumentar el diseño para agregar más experimentos para tener más experimentos para estimar el error? ¿Cómo tendría que ser el aumento, simplemente aumentar los experimentos o agregar efectos de segundo orden antes del aumento?
2. ¿Podría dar más detalles sobre esto y cómo realizar esto en jmp? No soy estadístico, sino químico de formación, por lo que es posible que me falten algunos antecedentes con respecto a esta respuesta.
Estoy feliz de compartir mis pensamientos, pero no tengo una comprensión suficiente de su situación para brindarle consejos específicos (como si debería aumentar, replicar o qué), así que hablaré en generalidades que, naturalmente, es una simplificación excesiva:
Lo que está haciendo en un experimento es tratar de comparar los efectos de los términos en su modelo predicho (efectos principales, lineal de segundo orden, etc.) con el error aleatorio (ruido) y entre sí.Dado que los experimentos son, por diseño, estudios de espacio de inferencia estrechos (básicamente, ha eliminado la serie temporal y, por lo tanto, los efectos del ruido que cambian con el tiempo quedan naturalmente excluidos), debe exagerar los efectos del ruido para que sean representativos de las condiciones futuras.
“Desafortunadamente, los experimentos futuros (ensayos futuros, la producción de mañana) se verán afectados por condiciones ambientales (temperatura, materiales, personas) diferentes a las que afectan a este experimento… Es solo por el conocimiento del tema, posiblemente con la ayuda de más experimentos para cubrir una gama más amplia de condiciones, para que uno pueda decidir, con el riesgo de equivocarse, si las condiciones ambientales del futuro serán lo suficientemente parecidas a las de hoy para permitir el uso de los resultados disponibles”.
doctor deming
Desafortunadamente, a medida que las condiciones experimentales se vuelven más representativas de las condiciones futuras, la precisión de la detección de los efectos de los factores puede verse comprometida.Una de las estrategias para mejorar la precisión radica en el establecimiento de niveles para sus factores de diseño (por lo tanto, el consejo en la selección de diseños es establecer niveles en negrita, pero razonables).Las estrategias para manejar el ruido son fundamentales para realizar experimentos que sean realmente útiles en el futuro.Hay varias estrategias para manejar el ruido (p. ej., RCBD, BIB, parcelas divididas (para ruido a largo plazo) y repeticiones (para ruido a corto plazo).Cuando tiene restricciones de recursos significativas, sus opciones son limitadas.
La conclusión es que si está utilizando solo pruebas de significación estadística, cuanto menos representativa sea su estimación del ruido aleatorio, menos útil será la prueba estadística (es menos que útil que algo parezca significativo hoy e insignificante mañana).Stepwise utiliza pruebas estadísticas (de los datos disponibles) y, nuevamente, si esos datos no son representativos, esas pruebas pueden ser peores que útiles (cometer errores tanto alfa como beta).Es interesante cómo se centra únicamente en el error alfa (valores p, por ejemplo) en situaciones de detección cuando, quizás, el error más peligroso es el beta.
No estoy seguro de lo que quieres decir con " ¿Podría dar más detalles sobre esto y cómo realizar esto en jmp?"¿Quiere decir diseñar experimentos apropiados o realizar análisis apropiados?
Todo análisis depende de cómo se adquirieron los datos. Para su análisis, dado que tiene un diseño no replicado, ejecute Ajustar modelo, asigne TODOS los DF al modelo (sature el modelo).Ejecute la personalidad de mínimos cuadrados estándar. Una vez que tenga la salida, seleccione el triángulo rojo junto a cada respuesta y seleccione Evaluación de efectos.Allí encontrará las opciones de gráfico normal, gráfico de Pareto y gráfico de Bayes (consulte el script adicional anterior).
"Los resultados de un experimento bien planificado a menudo son evidentes mediante un análisis gráfico simple. Sin embargo, el mejor análisis estadístico del mundo no puede rescatar un programa experimental mal planificado".
Gerardo Hahn
PD: puede que disfrutes leyendo a Cuthbert Daniel, ya que nunca tomó una clase de estadística, pero es un experimentador profundo.
