¿Regresión hacia atrás para el análisis DOE de mezcla con JMP regular (no profesional)?Estoy trabajando en una capacitación del DOE en la que se utilizará JMP normal, por lo que para el análisis del DOE no se puede utilizar la regresión generalizada. Es una pena que los resultados de GenReg SVEM para mezclas sean excelentes, ¡una gran herramienta!
Con JMP normal, probé paso a paso y todos los modelos posibles para mezclas y observé resultados bastante no reproducibles, por lo que, como se muestra en los seminarios web de JMP, cambié al análisis inverso de mínimos cuadrados estándar simple que proporciona resultados bastante reproducibles.
Sin embargo, la regresión hacia atrás es un método que no recomiendo para el análisis DOE estándar (prefiero todos los modelos posibles), entonces, ¿cómo les explico a los alumnos que con el análisis hacia atrás JMP regular se prefiere para mezclas? ¿Existe alguna otra forma alternativa y mejor de analizar?
Diseño de experimentosRe: ¿Regresión hacia atrás para el análisis DOE de mezcla con JMP regular (no profesional)?Hola @frankderuyck ,
Creo que parte de la respuesta es que los experimentos de mezclas son bastante diferentes de otros experimentos. Los efectos de los factores de mezcla están, por naturaleza, correlacionados. La correlación de efectos significa más ambigüedad, lo que significa que es más probable que se encuentren modelos competitivos que se ajusten igualmente bien a los datos. Por lo tanto, será más útil un enfoque más conservador para la selección del modelo.
Espero que esto ayude,
filo
Re: ¿Regresión hacia atrás para el análisis DOE de mezcla con JMP regular (no profesional)?Hola Phil, esto también es lo que esperaba como respuesta, ¡gracias!
Una pregunta más: dado que los valores p no indican la importancia del efecto de la mezcla, ¿el diagrama de Pareto de Logworth sigue siendo un buen indicador de la fuerza de un efecto? ¿Está bien que todavía se puedan eliminar los efectos de Logworth bajos?
Re: ¿Regresión hacia atrás para el análisis DOE de mezcla con JMP regular (no profesional)?Hola @frankderuyck ,
Como @Phil_Kay Como lo mencioné, los diseños de mezcla son bastante diferentes de otros diseños (como los diseños factoriales), ya que los factores no son independientes: cambiar el nivel de un factor de mezcla tiene un impacto en otros, por lo que los factores de mezcla están correlacionados.
Además, el énfasis de este tipo de diseño está más en la predictibilidad y la optimización que en la detección/significación estadística.
Por último, parece que ha elegido un diseño de mezcla basado en modelos (no un enfoque de llenado de espacio), por lo que ya ha asumido un posible modelo completo que le gustaría investigar.
Por estas 3 razones, tiene más sentido en el análisis comenzar desde el modelo completo con los posibles términos que ha asumido en la creación del diseño, y comenzar a eliminar términos en el modelo (excepto los efectos principales), basándose en el rendimiento predictivo del modelo (RMSE por ejemplo), NO en valores p individuales/valor logarítmico de cada término (debido a la multicolinealidad/correlación entre factores de mezcla, no hay intersección en este tipo de modelo, los valores p/valor logarítmico no son una métrica válida para la selección del modelo) .
Si desea utilizar un enfoque por pasos para "automatizar" la selección del modelo, puede utilizar la regresión por pasos hacia atrás, con un criterio de información (AICc o BIC, para equilibrar la precisión y la complejidad del modelo) como regla de parada.
Espero que esta respuesta adicional te ayude.
Re: ¿Regresión hacia atrás para el análisis DOE de mezcla con JMP regular (no profesional)?Hola Víctor, ¡gracias de nuevo por tu útil aporte! Probaré la herramienta de selección Backward Stepwise con el criterio AICc. Es bueno que en una capacitación básica se use una herramienta de análisis estándar, por lo que también usaré Stepwise simple para DOE normal, pero con regresión hacia adelante. Sé que no es perfecto, pero entrenar y enseñar el poder del DOE usando casos claros todavía funciona bien.
Re: ¿Regresión hacia atrás para el análisis DOE de mezcla con JMP regular (no profesional)?En cuanto a que la predicción de mezclas es el objetivo principal, supongo que el criterio DOE es I-óptimo.
Re: ¿Regresión hacia atrás para el análisis DOE de mezcla con JMP regular (no profesional)?Debo admitir que estoy un poco confundido por algunas de tus publicaciones en este hilo, pero aquí están mis pensamientos:
El análisis principal para diseños de mezclas es la superficie de respuesta de la mezcla.Ya debes conocer el modelo, estás explorando la superficie para determinar dónde obtendrás resultados óptimos.Piense en ello como un mapa topográfico de la respuesta. Visualizar dónde desea "muestrear" esa superficie le ayuda a pensar en las combinaciones de la configuración de los factores. Si está ejecutando diseños de mezclas (o cualquier diseño de optimización), ya debería conocer los factores y el ruido que afectan la consistencia y la previsibilidad (estos deberían haberse estudiado en diseños de detección anteriores).
Re: ¿Regresión hacia atrás para el análisis DOE de mezcla con JMP regular (no profesional)?Como los valores p para las mezclas no indican significancia, será difícil descartar efectos significativos; además, debido a la fuerte colinealidad, el modelo de mezcla preciso es difícil de encontrar y no es el problema; El objetivo es especificar un buen modelo predictivo y útil, por lo que se requiere un enfoque pragmático. Veo en seminarios web que el pareto logworth se usa para la selección hacia atrás de parámetros efectivos del modelo, así que lo usaré en mi capacitación. La predicción aquí es el objetivo, entonces, ¿no es mejor construir un DOE I óptimo?
Re: ¿Regresión hacia atrás para el análisis DOE de mezcla con JMP regular (no profesional)?Hola franco,
Si elige Estimaciones>Mezclas de Cox, los valores p serán más reconocibles y estarán de acuerdo con el Profiler.
