Quería diseñar un experimento para evaluar 18 factores frente a una respuesta. Ahora entiendo que hay diseños mejores y más modernos para resolver este problema, pero en ese momento utilicé un diseño de Plackett-Burman de 20 ejecuciones. Completé cada ejecución por duplicado, para 40 ejecuciones en total. Adjunto un .csv de los resultados anonimizados, donde he estandarizado los niveles de los factores (restando media y dividido por desviación estándar).
Entiendo que debido a que Plackett-Burman es un diseño saturado, no puedo intentar ajustar un modelo lineal porque el número de términos significa que es casi seguro que estará sobreajustado, por lo que debería usar una "detección de dos niveles" (aunque tal vez esto cambios porque tengo duplicados?) . Utilicé esta opción, sumando los 18 factores AR como X y la respuesta como Y. Captura de pantalla de los resultados a continuación:
Esperaba que A, M y D tuvieran un efecto especialmente, pero me sorprendería bastante que F y K tuvieran efectos significativos. Por lo tanto, pensé en comprobar aquí si estoy interpretando estos resultados correctamente. Estoy especialmente confundido con el hecho de que JMP agregue términos 'nulos' como parte de la selección de dos niveles. Esta página en la documentación se describe el fundamento:
El proceso continúa hasta norte se obtienen efectos, donde norte es el número de filas en la tabla de datos, saturando así completamente el modelo. Si no es posible una saturación completa con los factores, JMP genera efectos ortogonalizados aleatorios para absorber el resto de la variación. estan etiquetados nulo sustantivo, masculino— dónde norte es un número. Por ejemplo, esta situación ocurre si hay filas replicadas exactamente en el diseño.
Tengo filas replicadas en el diseño, pero cuando miro el gráfico de arriba me parece que los factores A y M están separados de los otros factores, y que los factores distintos de A y M solo parecen significativos debido a que los términos nulos son agregado.
¿Por qué cuestionaría estos resultados, aparte de que sería sorprendente que ciertos factores tuvieran efectos? De la documentación del JMP: "El análisis de los diseños de detección depende del principio de efecto de escasez , donde la mayor parte de la variación en la respuesta se explica por un pequeño número de efectos". Me pregunto si esto se está rompiendo aquí, si tantos factores resultan significativos.
Muchas gracias de antemano por cualquier ayuda.
Estoy usando JMP Pro 17.0.0
