Analizar experimento de detección<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Hola,
Tengo algunas preguntas sobre cómo analizar mi experimento de detección, estoy usando JMP 10.
Tengo 5 factores en dos niveles. Hice un diseño de screening, un diseño factorial fraccionado con resolución IV, y le agregué dos puntos centrales. Las interacciones de dos factores eran confusas, por lo que aumenté el diseño para resolverlas. Mi diseño no es ortogonal debido a dificultades para controlar algunas condiciones durante el experimento (por ejemplo, la temperatura no se pudo mantener en 20°C, resultó ser 22°C). Me gustaría saber qué parámetros parecen tener un efecto en la respuesta, qué tan grandes son estos efectos y, si puedo, también si hay un signo de curvatura en el modelo.
Si utilizo Screening Platform, se destacarán algunos factores: efectos principales, algunas interacciones de dos factores pero también dos términos cuadráticos.
- ¿Cuál es el requisito para que se destaque el factor?
Cuando presiono "Crear modelo" con estos factores resaltados, los dos términos cuadráticos no son significativos (Prob>t es 0,08 y 0,17).
- ¿Cómo es que la Plataforma de Detección los destaca, pero no son significativos en este modelo?
- ¿Cómo debo interpretar el resultado (sus estimaciones son -1,02 y 0,78)? ¿Que parece haber una curvatura (aunque no sean significativas)? Pero son confusos, por lo que no puedo decir qué términos cuadráticos dan el efecto.
- ¿No debería incluirlos en el modelo?
- El RSquare Adj es 0,88 para el primer modelo y 0,57 cuando excluyo los términos cuadráticos.
- ¿Necesito agregar términos axiales para obtener términos cuadráticos significativos?
¿Debería utilizar otro método, un modelo de ajuste o una regresión por pasos?
Muchas preguntas, espero que alguien pueda ayudarme a resolver algunas de ellas. ¡Gracias de antemano!
Re: Analizar experimento de screeningComplemento para DSD
Complemento de diseño de cribado definitivo
Re: Analizar experimento de screeningDos cosas para agregar a los comentarios de Mark:
Después de ajustar su modelo, vaya al punto rojo junto a la barra de título del modelo de ajuste, vaya a Diagnóstico de fila y seleccione "Trazar residual según lo previsto".Mire el gráfico y busque patrones que sugieran curvatura o alguna otra tendencia en sus datos.
Además, dependiendo de la versión de JMP que esté utilizando, debería considerar utilizar el Diseño de detección definitivo para su próximo DOE.Esto le dará la menor cantidad de ejecuciones necesarias para encontrar muchos, si no todos, los factores activos (importantes), incluidos los términos de curvatura, para su modelo.En su caso de 5 factores continuos, su diseño potencialmente sería de 11 ejecuciones.
Mejor,
Factura
Re: Analizar experimento de screeningLa plataforma Screening utiliza alfa = 0,1 para seleccionar contrastes. Este criterio representa el doble de riesgo de error tipo I (falso positivo) que el criterio utilizado frecuentemente de 0,05 para alfa. Este aumento de riesgo es aceptable porque se seguirán incluyendo dichos factores y con más evidencia empírica se decidirá si se confirman como efectos verdaderos o no y porque disminuye el riesgo de error tipo II (falsos negativos). Esta compensación es deseable porque no continuará examinando factores que se considera que no tienen ningún efecto. Esta compensación es útil porque los experimentos de detección suelen ser pequeños y de tamaño fijo, por lo que no se puede aumentar la potencia con más ejecuciones. Por ahora, incluiría los seis factores hasta que haya más evidencia que muestre que uno o más de ellos no lo confirman.
Estoy confundido acerca de los términos cuadráticos de su modelo. No debería tener los tratamientos necesarios en su diseño de selección para respaldar la estimación de los términos cuadráticos en el modelo. Solo tienes puntos centrales.
Generalmente no recomendamos eliminar todos los términos que no fueron significativos en el ajuste inicial del modelo a los datos. Es una buena idea eliminar de manera conservadora el término menos significativo que no rompa la jerarquía del modelo y reajustar el modelo. Iterar de esta manera es más seguro porque el valor p de cualquier término depende de los otros términos del modelo y, por lo tanto, todos cambiarán a medida que simplifique el modelo lineal.
Aumentar su diseño a medida que avanza es una excelente manera de aumentar gradualmente la evidencia empírica a medida que amplía y confirma su modelo.
Re: Analizar experimento de screening¡Gracias por sus útiles respuestas!
Sí, solo tengo factores continuos y me equivoqué en mi publicación anterior: agregué 4 puntos centrales, no 2.
¿Cómo decido qué factores incluir en el modelo?
Si empiezo a usar la plataforma Screening y se resaltan 6 factores. Hago un modelo con ellos, pero en el modelo sólo cuatro de ellos son significativos. ¿Debería hacer un nuevo modelo sólo con los importantes? Y luego analizar ese modelo según la falta de ajuste, el cuadrado R ajustado, etc.
Entiendo que el gráfico medio normal es útil. Las estimaciones de los términos inactivos caerán sobre la recta que tiene pendiente δ, porque representan ruido aleatorio que sigue la distribución normal.
¿Sería apropiado el siguiente procedimiento?Usando la plataforma de detección:
Haga un modelo (ajuste de mínimos cuadrados) con los términos que están lejos de la línea en el gráfico seminormal, pero excluyendo los términos cuadráticos.
Haga un nuevo modelo con solo los términos significativos (pero aún así un modelo jerárquico si hay interacciones de dos factores).
-¿Debo eliminar un factor a la vez, el que tiene menor nivel de significancia, y hacer un nuevo modelo? ¿O debería eliminar todos los términos insignificantes al mismo tiempo?
Y luego analizar el modelo según la discusión previa.
Re: Analizar experimento de screeningNo me preocuparía el hecho de que sus niveles no fueran exactamente los requeridos en el tratamiento. ¡Asegúrese de actualizar el valor en la tabla de datos antes del análisis! La correlación que se introduce (no ortogonalidad) por estas desviaciones debería ser pequeña y, por lo tanto, no ser un problema: la regresión puede manejar bien tales anomalías.
Te recomiendo que estudies el capítulo sobre la plataforma de Screening en la guía. (Ayuda > Libros, > Guía de diseño de experimentos) Esta información será de gran ayuda para prepararlo para utilizar esta plataforma y responder sus preguntas.
Algunos puntos que podrías considerar:
- Los contrastes con un valor p individual < 0,1 se seleccionan automáticamente. Puede anular la selección haciendo clic y presionando la tecla Control y haciendo clic en contrastes para agregar o eliminar contrastes del conjunto actual de contrastes seleccionados.
- Los valores p en la plataforma de detección dependen del modelo actual, es decir, qué otros términos se incluyen en el modelo. Cuando hace clic en Crear modelo, solo se incluyen los términos seleccionados, por lo que los valores p cambiarán. Además, la plataforma Screening utiliza contrastes, pero Fit Least Squares utiliza estimaciones de parámetros. Cuando las estimaciones no son ortogonales, habrá una diferencia entre ellas y los contrastes, lo que provocará un cambio en los valores p asociados.
- Puede utilizar la prueba de falta de ajuste en Mínimos cuadrados de ajuste para ayudarle a decidir si hay curvatura. Primero eliminaría los términos cuadráticos. También comprenda que esta prueba es débil ya que tendrá solo 1 grado de libertad desde 2 puntos centrales. Si esta prueba es significativa, entonces tiene evidencia de curvatura y eso respaldaría uno o ambos términos cuadráticos.
- No tiene todos los tratamientos necesarios en su matriz de diseño para respaldar una matriz modelo (regresión) con ambos términos cuadráticos. Si decide que la curvatura es significativa, puede aumentar el diseño con nuevos tramos. (DOE > Diseño de aumento. Estudie el capítulo de la guía sobre cómo aumentar un diseño). Sin aumento, tendría que confiar en creencias basadas en conocimiento externo para seleccionar uno de los términos cuadráticos. No hay soporte para tal selección en este conjunto de datos.
- El R cuadrado siempre aumenta cuando agrega un término y siempre disminuye cuando elimina un término, independientemente de su importancia para el modelo. El cuadrado R ajustado generalmente se comporta de la misma manera, pero su penalización complica la interpretación. ¿Está utilizando el cuadrado R ajustado para la selección del modelo?
- La plataforma Screening asume que todos sus factores son continuos. Supongo que se deben a que agregaste puntos centrales.
También puede probar la función de plataforma Stepwise de Todos los modelos posibles con solo cinco factores.
