Rückwärtsregression für Mixture-DOE-Analyse mit regulärem (nicht professionellem) JMP?Ich arbeite an einer DOE-Schulung, bei der reguläres JMP verwendet wird, sodass für die DOE-Analyse die generalisierte Regression nicht verwendet werden kann. Das ist schade für GenReg. SVEM-Ergebnisse für Mischungen sind ausgezeichnet, tolles Werkzeug!
Mit regulärem JMP habe ich schrittweise alle möglichen Modelle für Mischungen ausprobiert und festgestellt, dass die Ergebnisse ziemlich nicht reproduzierbar sind. Deshalb bin ich – wie in JMP-Webinaren gezeigt – auf die einfache Standard-Rückwärtsanalyse der kleinsten Quadrate umgestiegen, die ziemlich reproduzierbare Ergebnisse liefert.
Allerdings ist die Rückwärtsregression eine Methode, die ich nicht für die Standard-DOE-Analyse empfehle (ich bevorzuge alle möglichen Modelle). Wie kann ich den Auszubildenden also erklären, dass dies bei der regulären JMP-Rückwärtsanalyse für Mischungen bevorzugt wird? Gibt es eine andere alternative, bessere Möglichkeit zur Analyse?
VersuchsplanungBetreff: Rückwärtsregression für Mixture-DOE-Analyse mit regulärem (nicht professionellem) JMP?Hallo @frankderuyck ,
Ich denke, ein Teil der Antwort liegt darin, dass sich Mischungsexperimente wirklich deutlich von anderen Experimenten unterscheiden. Mischungsfaktoreffekte sind naturgemäß korreliert. Korrelation der Effekte bedeutet mehr Mehrdeutigkeit, was bedeutet, dass es wahrscheinlicher ist, dass Sie konkurrierende Modelle finden, die ähnlich gut zu den Daten passen. Daher ist ein konservativerer Ansatz bei der Modellauswahl sinnvoller.
Ich hoffe das hilft,
Phil
Betreff: Rückwärtsregression für Mixture-DOE-Analyse mit regulärem (nicht professionellem) JMP?Hallo Phil, das habe ich auch als Antwort erwartet, danke!
Noch eine Frage: Da p-Werte nicht auf die Signifikanz von Mischungseffekten hinweisen, ist das Logworth-Pareto-Diagramm immer noch ein guter Indikator für die Stärke eines Effekts? OK, dass man niedrige Logworth-Effekte trotzdem eliminieren kann?
Betreff: Rückwärtsregression für Mixture-DOE-Analyse mit regulärem (nicht professionellem) JMP?Hallo @frankderuyck ,
Als @Phil_Kay Ich habe es bereits erwähnt: Mischungsdesigns unterscheiden sich deutlich von anderen Designs (z. B. faktoriellen Designs), da die Faktoren nicht unabhängig sind: Die Änderung des Niveaus eines Mischungsfaktors hat Auswirkungen auf andere, daher sind Mischungsfaktoren korreliert.
Außerdem liegt der Schwerpunkt dieser Art von Design mehr auf Vorhersage und Optimierung als auf Screening/statistischer Signifikanz.
Schließlich scheinen Sie sich für ein modellbasiertes Mischungsdesign (keinen raumfüllenden Ansatz) entschieden zu haben, sodass Sie bereits von einem möglichen vollständigen Modell ausgegangen sind, das Sie untersuchen möchten.
Aus diesen drei Gründen ist es bei der Analyse sinnvoller, mit dem vollständigen Modell mit den möglichen Termen zu beginnen, die Sie bei der Entwurfserstellung angenommen haben, und mit dem Entfernen von Termen aus dem Modell (mit Ausnahme der Haupteffekte) zu beginnen, basierend auf der Vorhersageleistung des Modells Modell (z. B. RMSE), NICHT auf einzelnen p-Werten/Logwert jedes Termes (aufgrund der Multikollinearität/Korrelation zwischen Mischungsfaktoren gibt es in diesem Modelltyp keinen Achsenabschnitt, p-Werte/Logwert sind keine gültige Metrik für die Modellauswahl) .
Wenn Sie einen schrittweisen Ansatz zur „Automatisierung“ der Modellauswahl verwenden möchten, können Sie die schrittweise Rückwärtsregression mit einem Informationskriterium (AICc oder BIC, um Genauigkeit und Komplexität des Modells auszugleichen) als Stoppregel verwenden.
Ich hoffe, diese zusätzliche Antwort wird Ihnen helfen,
Betreff: Rückwärtsregression für Mixture-DOE-Analyse mit regulärem (nicht professionellem) JMP?Hallo Victor, nochmals vielen Dank für deinen nützlichen Beitrag! Ich werde das Backward Stepwise-Auswahltool mit dem AICc-Kriterium ausprobieren. Es ist gut, dass in einem Basistraining ein Standardanalysetool verwendet wird, daher werde ich die einfache Schrittweise auch für reguläre DOE verwenden, jedoch mit Vorwärtsregression. Ich weiß, dass es nicht perfekt ist, aber das Trainieren und Lehren der DOE-Kraft anhand eindeutiger Fälle funktioniert immer noch gut.
Betreff: Rückwärtsregression für Mixture-DOE-Analyse mit regulärem (nicht professionellem) JMP?Da die Vorhersage von Mischungen das Hauptziel ist, gehe ich davon aus, dass das DOE-Kriterium I-optimal ist?
Betreff: Rückwärtsregression für Mixture-DOE-Analyse mit regulärem (nicht professionellem) JMP?Ich muss zugeben, dass mich einige Ihrer Beiträge in diesem Thread etwas verwirren, aber hier sind meine Gedanken:
Die primäre Analyse für Mischungsentwürfe ist die Mischungsreaktionsoberfläche.Sie sollten das Modell bereits kennen, Sie erkunden die Oberfläche, um herauszufinden, wo Sie optimale Ergebnisse erzielen.Betrachten Sie es als eine topografische Karte der Reaktion. Wenn Sie visualisieren, wo Sie diese Oberfläche „abtasten“ möchten, können Sie über die Kombinationen der Faktoreinstellungen nachdenken. Wenn Sie Mischungsdesigns (oder Optimierungsdesigns) ausführen, sollten Sie bereits über Faktoren und Rauschen Bescheid wissen, die sich auf Konsistenz und Vorhersagbarkeit auswirken (diese sollten in früheren Screening-Designs untersucht worden sein).
Betreff: Rückwärtsregression für Mixture-DOE-Analyse mit regulärem (nicht professionellem) JMP?Da p-Werte für Mischungen keine Signifikanz anzeigen, wird es schwierig sein, signifikante Auswirkungen herauszufiltern. außerdem ist das genaue Mischungsmodell aufgrund der starken Kollinearität schwer zu finden und stellt nicht das Problem dar; Das Ziel besteht darin, ein gutes prädiktives und nützliches Modell zu spezifizieren, daher ist ein pragmatischer Ansatz erforderlich. Ich sehe in Webinaren, dass der Logworth-Pareto für die Rückwärtsauswahl effektiver Modellparameter verwendet wird, daher werde ich ihn in meinem Training verwenden. Vorhersage ist hier das Ziel. Ist es also nicht besser, ein I-optimales DOE zu erstellen?
Betreff: Rückwärtsregression für Mixture-DOE-Analyse mit regulärem (nicht professionellem) JMP?Hallo Frank,
Wenn Sie Schätzungen>Cox-Mischungen wählen, sind die p-Werte besser erkennbar und stimmen mit dem Profiler überein.
