Regressione all'indietro per l'analisi DOE della miscela con JMP regolare (non professionale)?Sto lavorando a un corso di formazione DOE in cui verrà utilizzato il normale JMP, quindi per l'analisi DOE non è possibile utilizzare la regressione generalizzata. Questo è un peccato perché i risultati di GenReg SVEM per le miscele sono eccellenti, ottimo strumento!
Con JMP normale ho provato gradualmente tutti i modelli possibili per le miscele e ho notato risultati abbastanza non riproducibili, quindi, come mostrato nei webinar JMP, sono passato alla semplice analisi all'indietro dei minimi quadrati standard che fornisce risultati abbastanza riproducibili.
Tuttavia, la regressione all'indietro è un metodo che non consiglio per l'analisi DOE standard (preferisco tutti i modelli possibili), quindi come spiego ai tirocinanti che con la normale analisi all'indietro JMP questo è preferibile per le miscele? Esiste qualche altra alternativa, un modo migliore per analizzare?
Progettazione di esperimentiRi: Regressione all'indietro per l'analisi DOE della miscela con JMP regolare (non professionale)?CIAO @frankderuyck ,
Penso che parte della risposta sia che gli esperimenti Mixture sono in realtà molto diversi dagli altri esperimenti. Gli effetti dei fattori di miscelazione sono, per natura, correlati. La correlazione degli effetti significa maggiore ambiguità, il che significa che è più probabile che si trovino modelli concorrenti che si adattano allo stesso modo ai dati. Pertanto, un approccio più conservativo alla selezione del modello sarà più utile.
Spero che aiuti,
Fil
Re: Regressione all'indietro per l'analisi DOE della miscela con JMP regolare (non professionale)?Ciao Phil, questa è anche quella che mi aspettavo come risposta, grazie!
Un'altra domanda: poiché i valori p non indicano la significatività dell'effetto miscela, il grafico di Logworth Pareto è ancora un buon indicatore della forza di un effetto? OK, è ancora possibile eliminare gli effetti a basso logworh?
Re: Regressione all'indietro per l'analisi DOE della miscela con JMP regolare (non professionale)?CIAO @frankderuyck ,
COME @Phil_Kay Come accennato in precedenza, i disegni di miscela sono molto diversi dagli altri disegni (come i disegni fattoriali), poiché i fattori non sono indipendenti: la modifica del livello di un fattore di miscela ha un impatto sugli altri, quindi i fattori di miscela sono correlati.
Inoltre, l'enfasi di questo tipo di progettazione è più sulla predittività e sull'ottimizzazione che sullo screening/significatività statistica.
Infine, sembra che tu abbia scelto una progettazione di miscele basata su modelli (non un approccio di riempimento dello spazio), quindi hai già ipotizzato un possibile modello completo che vorresti indagare.
Per questi 3 motivi, nell'analisi ha più senso iniziare dal modello completo con i possibili termini assunti nella creazione del progetto e iniziare a rimuovere i termini nel modello (eccetto gli effetti principali), in base alle prestazioni predittive del modello (RMSE ad esempio), NON sui singoli valori p/logworth di ciascun termine (a causa della multicollinearità/correlazione tra fattori di miscela, nessuna intercetta in questo tipo di modello, i valori p/logworth non sono una metrica valida per la selezione del modello) .
Se si desidera utilizzare un approccio graduale per "automatizzare" la selezione del modello, è possibile utilizzare la regressione graduale all'indietro, con un criterio informativo (AICc o BIC, per bilanciare l'accuratezza e la complessità del modello) come regola di arresto.
Spero che questa risposta aggiuntiva ti possa aiutare,
Ri: Regressione all'indietro per l'analisi DOE della miscela con JMP regolare (non professionale)?Ciao Vittorio, grazie ancora per il tuo utile contributo! Proverò lo strumento di selezione Stepwise all'indietro con il criterio AICc. È positivo che in una formazione di base venga utilizzato uno strumento di analisi standard, quindi utilizzerò il semplice Stepwise anche per il DOE regolare, tuttavia con la regressione in avanti. So che non è perfetto, ma per addestrare e insegnare il potere DOE utilizzando casi ben definiti funziona comunque bene.
Ri: Regressione all'indietro per l'analisi DOE della miscela con JMP regolare (non professionale)?Per quanto riguarda la previsione delle miscele è l'obiettivo principale, presumo che il criterio DOE sia I-Ottimale?
Ri: Regressione all'indietro per l'analisi DOE della miscela con JMP regolare (non professionale)?Devo ammettere che sono un po' confuso da alcuni dei tuoi post in questo thread, ma ecco i miei pensieri:
L'analisi primaria per la progettazione delle miscele è la superficie di risposta della miscela.Dovresti già conoscere il modello, stai esplorando la superficie per determinare dove otterrai risultati ottimali.Consideratela come una mappa topografica della risposta. Visualizzare dove vuoi "campionare" quella superficie ti aiuta a pensare alle combinazioni delle impostazioni dei fattori. Se stai eseguendo progetti di miscele (o qualsiasi progetto di ottimizzazione), dovresti già conoscere i fattori e il rumore che influenzano la coerenza e la prevedibilità (questi avrebbero dovuto essere studiati nei progetti di screening precedenti).
Ri: Regressione all'indietro per l'analisi DOE della miscela con JMP regolare (non professionale)?Poiché i valori p per le miscele non indicano significatività, sarà difficile escludere effetti significativi; inoltre, a causa della forte collinearità, il modello di miscela preciso è difficile da trovare e non rappresenta il problema; l'obiettivo è specificare un buon modello predittivo e utile, quindi è necessario un approccio pragmatico. Nei webinar vedo che il logworth pareto viene utilizzato per la selezione all'indietro di parametri del modello efficaci, quindi lo userò nella mia formazione. La previsione qui è l'obiettivo, quindi non è meglio costruire un DOE I-ottimale?
Ri: Regressione all'indietro per l'analisi DOE della miscela con JMP regolare (non professionale)?Ciao Frank,
Se si sceglie Stime>Miscele Cox i valori p saranno più riconoscibili e in accordo con il Profiler.
