Incohérence du modèle de variance log-linéaireBonjour,
Lors de l'utilisation du modèle de variance loglinéaire, il existe une incohérence dans le modèle de variance. J'ai mis un exemple ci-dessous pour expliquer la situation.
Je construis 2 modèles en utilisant Loglinear Variance :
Modèle 1 : Réponse A. Facteurs A, B, C.
Modèle 2 : Réponse A , B. Facteurs A, B, C.
Remarque : La réponse A et les facteurs A, B, C sont les mêmes données pour les modèles 1 et 2.
En comparant le modèle 1 au modèle B, nous nous concentrons sur le modèle de moyenne et le modèle de variance pour la réponse A.
Le modèle moyen pour la réponse A est exactement le même entre le modèle 1 et le modèle 2 (le fond vert).
Cependant, le modèle de variance (ou Stdev) pour la réponse A entre le modèle 1 et le modèle 2 (le fond rouge) est totalement différent.
La comparaison est également effectuée avec les mêmes paramètres de facteur et la même mise à l'échelle.
Il semble qu'en ajoutant simplement une autre réponse au modèle (dans ce cas, nous ajoutons la réponse B au modèle avec la réponse A), le modèle de variance devient différent. Les réponses A et B sont indépendantes et ne doivent pas s’influencer mutuellement.
Cette situation de variance log-linéaire est-elle considérée comme normale et fiable ?
Merci de conseiller.
Frère,
Chris
Modélisation statistique avancéeRe : Incohérence du modèle de variance log-linéaireSalut @ChrisLooi ,
Une remarque préliminaire : même si vos réponses peuvent être mesurées individuellement, elles ne sont pas rigoureusement indépendantes, puisqu'une forte corrélation peut être constatée entre les deux réponses :
Ensuite, j'ai juste jeté un coup d'œil rapide au tableau de données fourni et j'ai remarqué qu'il vous manquait beaucoup de valeurs pour la réponse B.
Certaines lignes doivent-elles être identiques ou avez-vous un niveau de granularité/de détail différent dans vos données entre les réponses A et B ?
Je pense que les valeurs manquantes dans B peuvent être à l'origine du problème que vous rencontrez.
Voici le profileur avec les deux réponses "tel quel" (les mêmes que celle que vous avez montré précédemment) :
Cependant, lors de l'exécution d'une technique d'imputation automatisée des données sur la colonne « réponse B » pour éviter les valeurs manquantes (et en utilisant cette réponse imputée B comme deuxième réponse), le profileur affiche un meilleur comportement pour les réponses A et B (et le profileur de la réponse A est désormais identique au profileur lorsque la réponse A est la seule réponse modélisée) :
Vous pouvez également avoir des Profilers avec le même comportement en masquant et en excluant les lignes avec des valeurs manquantes pour B, pour ne conserver pour la modélisation que les lignes ayant des informations complètes pour les deux réponses A & B :
Il peut donc y avoir une correction à faire sur votre datatable, pour combler les valeurs manquantes, les imputer ou exclure les lignes avec des informations incomplètes entre les réponses A et B. La différence de granularité de vos données (et les valeurs manquantes qui en résultent) pourrait en être responsable. le changement que vous voyez dans les profileurs, car vous impliquez le même modèle pour les deux réponses, mais la quantité limitée d'informations dans la colonne B perturbe le modèle de variance (car il nécessite plus d'observations pour chaque terme du modèle que le modèle de moyenne : Variance log-linéaire Des modèles)
Vous pouvez également ajuster les deux réponses indépendamment (lancer la plateforme pour une seule réponse) avec un modèle différent (probablement un modèle plus petit pour la réponse B puisque vous avez moins d'observations disponibles pour le modèle de variance).
Ci-joint le datatable et les scripts utilisés,
Re : Incohérence du modèle de variance log-linéaireSalut Victor,
Merci pour la réponse.
J'ai joint ici le fichier de données.
Notez que le modèle est construit en utilisant les effets ci-dessous :
1. Modèle moyen utilisant l’effet de surface de réponse.
2. Modèle de variance utilisant l'effet de surface de réponse + l'effet cubique.
J'ai essayé aussi :
1. Modèle moyen utilisant l’effet factoriel jusqu’à 2 degrés.
2. Modèle de variance utilisant l'effet factoriel jusqu'à 2 degrés.
Quoi qu’il en soit, le modèle de variance est toujours différent.
Frère,
Chris
Re : Incohérence du modèle de variance log-linéaireSalut @ChrisLooi ,
J'ai essayé de reproduire la situation que vous avez avec l'exemple de jeu de données JMP InjectionMolding.jmp et de créer une nouvelle colonne de réponse et deux modèles, un avec une réponse Shrinkage et un avec des réponses Shrinkage et Shuffle[Shrinkage], avec les mêmes termes dans les deux modèles.
Je ne vois aucune différence dans le profileur lors de la création d'un modèle avec une ou deux réponses, en utilisant Loglinear Variance :
Avez-vous les mêmes termes dans le panneau Effets de variance de la fenêtre Ajuster le modèle ?
Pourriez-vous partager un ensemble de données anonymisées où nous pourrions reproduire le problème ?
Quelle version de JMP utilisez-vous ?
Re : Incohérence du modèle de variance log-linéaireSalut @ChrisLooi ,
J'ai essayé de reproduire la situation que vous avez avec l'exemple de jeu de données JMP InjectionMolding.jmp et de créer une nouvelle colonne de réponse et deux modèles, un avec une réponse Shrinkage et un avec des réponses Shrinkage et Shuffle[Shrinkage], avec les mêmes termes dans les deux modèles.
Je ne vois aucune différence dans le profileur lors de la création d'un modèle avec une ou deux réponses, en utilisant Loglinear Variance :
Avez-vous les mêmes termes dans le panneau Effets de variance de la fenêtre Ajuster le modèle ?
Pourriez-vous partager un ensemble de données anonymisées où nous pourrions reproduire le problème ?
Quelle version de JMP utilisez-vous ?
Re : Incohérence du modèle de variance log-linéaireSalut Victor,
Merci pour la réponse.
J'ai joint ici le fichier de données.
Notez que le modèle est construit en utilisant les effets ci-dessous :
1. Modèle moyen utilisant l’effet de surface de réponse.
2. Modèle de variance utilisant l'effet de surface de réponse + l'effet cubique.
J'ai essayé aussi :
1. Modèle moyen utilisant l’effet factoriel jusqu’à 2 degrés.
2. Modèle de variance utilisant l'effet factoriel jusqu'à 2 degrés.
Quoi qu’il en soit, le modèle de variance est toujours différent.
Frère,
Chris
Re : Incohérence du modèle de variance log-linéaireSalut @ChrisLooi ,
Une remarque préliminaire : même si vos réponses peuvent être mesurées individuellement, elles ne sont pas rigoureusement indépendantes, puisqu'une forte corrélation peut être constatée entre les deux réponses :
Ensuite, j'ai juste jeté un coup d'œil rapide au tableau de données fourni et j'ai remarqué qu'il vous manquait beaucoup de valeurs pour la réponse B.
Certaines lignes doivent-elles être identiques ou avez-vous un niveau de granularité/de détail différent dans vos données entre les réponses A et B ?
Je pense que les valeurs manquantes dans B peuvent être à l'origine du problème que vous rencontrez.
Voici le profileur avec les deux réponses "tel quel" (les mêmes que celle que vous avez montré précédemment) :
Cependant, lors de l'exécution d'une technique d'imputation automatisée des données sur la colonne « réponse B » pour éviter les valeurs manquantes (et en utilisant cette réponse imputée B comme deuxième réponse), le profileur affiche un meilleur comportement pour les réponses A et B (et le profileur de la réponse A est désormais identique au profileur lorsque la réponse A est la seule réponse modélisée) :
Vous pouvez également avoir des Profilers avec le même comportement en masquant et en excluant les lignes avec des valeurs manquantes pour B, pour ne conserver pour la modélisation que les lignes ayant des informations complètes pour les deux réponses A & B :
Il peut donc y avoir une correction à faire sur votre datatable, pour combler les valeurs manquantes, les imputer ou exclure les lignes avec des informations incomplètes entre les réponses A et B. La différence de granularité de vos données (et les valeurs manquantes qui en résultent) pourrait en être responsable. le changement que vous voyez dans les profileurs.
Ci-joint le datatable et les scripts utilisés,
