설계된 실험에 따라 모델에서 항 제거좋습니다. 4개의 2-수준 요인을 사용하여 완전 요인 설계를 수행했다고 가정해 보겠습니다. 모델을 피팅할 때 모든 양방향 상호 작용을 포함했습니다. 일부 요인의 주효과와 상호 작용은 0.05에서 유의하지 않습니다. 그런 다음 가장 중요하지 않은 요소(효과 요약 표 하단에 있는 요소)를 제거하면 중요하지 않은 용어 중 일부가 중요해집니다. 내가 '최고의' 모델을 개발하려고 한다면 이렇게 하는 것이 편할 것 같다. 그러나 요인이 반응 변수에서 역할을 하는지 여부를 확인하려는 경우 이것이 타당한지 확신할 수 없습니다. DOE 맥락에서 중요하지 않은 용어를 제거하고 나머지 용어를 중요한 용어로 설명하는 적절한 근거가 있습니까?
기본 데이터 분석 및 모델링실험 설계Re: 설계된 실험에 따라 모델에서 항 제거일반적인 내 생각은 다음과 같습니다(구체적인 조언을 얻으려면 상황에 대한 보다 철저한 이해가 필요합니다).
먼저, 16개 처리가 포함된 복제되지 않은 계승이 있다고 가정하겠습니다. 모형에는 4차까지 가능한 모든 항이 포함되어 있습니다.
실험과 F-검정(또는 아마도 다른 검정)과 관련하여 중요한 개념을 제시하셨습니다. 실험에서 일반적인 유의성 테스트는 모델 항의 MS를 MSe(오류)와 비교하는 것입니다. 이것이 F-비율 또는 F-값입니다. 중요한 질문은 다음과 같습니다. 오류 기간은 어떻게 추정되었습니까? 추정치는 실제 오류를 얼마나 대표합니까? 유용하고 대표적인 비교가 이루어지고 있습니까?
모델에서 중요하지 않은 항을 제거하면(적합성 결여) MSe가 더 낮게 편향될 가능성이 있습니다(작은 SS를 DF로 나눈 값). 따라서 모델 항의 MS를 더 작은 MSe와 비교할 때 더 큰 F-값(및 더 작은 p-값)을 얻게 됩니다.
빠른 읽기:
https://www.additive-net.de/images/software/minitab/downloads/SCIApr2004MSE.pdf
먼저 파레토 효과 차트를 사용하여 모델 항의 실질적인 중요성을 평가하고 복제되지 않은 실험(정규/절반 정규 플롯)에 대한 통계적 유의성을 평가하는 Daniel의 방법을 사용하고 베이즈 플롯(박스)으로 보강할 수도 있습니다. 이는 편견 없이 실질적인 유의성과 통계적 유의성을 모두 제공합니다.
Daniel, Cuthbert, "요인 2단계 실험 해석에 절반 정규 도표 사용", 기술 측정 , Vol. 1959년 11월 1일 4호
실험에서 활성화된 요인/상호작용을 결정한 후에는 모델을 단순화/축소합니다. 모델을 단순화하는 목적은 두 가지입니다.
1. 반복과 예측에 더 유용한 모델을 얻으려면
2. 모델 적합성과 가정 위반 여부를 평가하는 데 도움이 되는 잔차를 얻습니다.
참고: 단순화된 모델에 대한 통계적 유의성을 재평가하지 않습니다.
Re: 설계된 실험에 따라 모델에서 항 제거감사해요. MSe 편향에 대한 귀하의 요점은 나머지 용어의 중요성에 대한 내 결론에 대한 내 우려의 핵심입니다. 아마도 내가 생각하는 것보다 제1종 오류율이 더 높을 것입니다. 따라서 나는 요인 효과를 거짓으로 주장하고 있는 것일 수도 있습니다.
신호 대 잡음비가 좋지 않을 것으로 예상했기 때문에 4번의 반복 실험을 수행한 반복 실험이었다고 덧붙일 것입니다. 그것이 용어 의미에 대한 잘못된 주장을 막는 데 도움이 됩니까?
요인은 이분형/범주형이었고 반응은 연속적이었습니다.
Re: 설계된 실험에 따라 모델에서 항 제거이외에 몇 가지 비고와 의견을 추가하려면 @statman 답변.
귀하의 주제는 모델 평가 및 선택과 매우 유사해 보입니다. 이 과정에서 통계적 유의성은 하나의 측정항목일 수 있지만 유일한 측정항목은 아닙니다(항상 도메인 전문 지식을 추가하세요!).
로그 가능성, 정보 기준(AICc, BIC) 또는 모델 측정항목(R2 및 R2 조정을 통한 설명력, MSE/RMSE/RASE를 통한 예측력 등)과 같은 보완 모델의 추정 및 평가 측정항목은 다양한 관점을 제공하며 강조할 수 있습니다. 다른 모델.
그런 다음 도메인 전문 지식과 통계적 평가를 기반으로 주제에 가장 적합하고 관련성이 있는 것을 선택할 수 있으며, 다양한 모델을 사용하여 개별 예측을 추정하도록 선택할 수 있습니다(그들이 어떻게/어디에서 다른지 확인하기 위해). 또는 결합된 모델을 사용하여 예측 오류를 평균화합니다.
"모든 모델이 틀렸지만 일부 모델은 유용합니다"는 여러 가능한 모델을 다루고 질문에 답하기 위해 일부 모델을 평가하고 선택하려고 할 때 매우 적절한 인용문입니다.
이 추가 답변이 도움이 되기를 바랍니다.
Re: 설계된 실험에 따라 모델에서 항 제거왜 4번 반복하나요? 복제 내에서 그리고 복제 간에 무엇이 변경되었나요? RMSE가 공정에서 볼 수 있는 변동과 합리적이고 유사해 보입니까? 프로세스가 안정적인가요?
DOE의 가장 일반적인 결함은 다음과 같습니다(Daniel의 설명 참조).
- 과포화: 치료 횟수에 비해 효과가 너무 많습니다.
- 과도한 보수성: 원하는 추정치에 비해 관측치가 너무 많습니다.
- 잘못된 값에 대한 데이터 연구 실패
- 모든 앨리어싱을 고려하지 않음
- 오차 분산에 대한 오해로 인한 부정확성.
특히 유의성을 평가하기 위해 p-값에 의존하는 경우 포인트 5가 중요합니다.
적절한 모델을 결정하기 위해 다른 통계를 사용하는 것에 관한 Victor의 조언도 고려해 볼 가치가 있습니다.
Re: 설계된 실험에 따라 모델에서 항 제거실험은 자원 봉사 참가자 팀이 마스터 디자인 매트릭스에서 4번의 실행(무작위로 할당된 처리)을 수행한 "오픈 소스"였습니다. 팀 효과와 시나리오 등 기타 방해 요인(4개)을 차단했습니다. 이러한 방해 요인이 없더라도 요인의 영향에도 불구하고 팀의 점수(반응 변수)가 달라질 것으로 예상했습니다. 이러한 성가신 요인은 인간 대상에 대한 "현실주의"와 보다 엄격하게 통제된 실험 사이의 불행한 절충안이었습니다.
