Inkonsistenz des loglinearen VarianzmodellsHallo,
Bei der Verwendung des loglinearen Varianzmodells gibt es eine Inkonsistenz im Modell für das Varianzmodell. Ich habe unten ein Beispiel aufgeführt, um die Situation zu erklären.
Ich erstelle 2 Modelle mit loglinearer Varianz:
Modell 1: Reaktion A. Faktoren A, B, C.
Modell 2: Antwort A, B. Faktoren A, B, C.
Hinweis: Antwort A und Faktor A, B, C sind die gleichen Daten für Modell 1 und 2.
Beim Vergleich von Modell 1 mit Modell B konzentrieren wir uns auf das Mittelwertmodell und das Varianzmodell für Antwort A.
Das mittlere Modell für Antwort A ist genau das gleiche zwischen Modell 1 und Modell 2 (grüner Hintergrund).
Das Varianzmodell (oder Stdev-Modell) für Antwort A zwischen Modell 1 und Modell 2 (roter Hintergrund) ist jedoch völlig unterschiedlich.
Der Vergleich erfolgt ebenfalls mit denselben Faktoreinstellungen und derselben Skalierung.
Es scheint, dass das Varianzmodell durch einfaches Hinzufügen einer weiteren Antwort zum Modell (in diesem Fall fügen wir Antwort B mit Antwort A zum Modell hinzu) anders wird. Reaktion A und B sind unabhängig und sollten sich nicht gegenseitig beeinflussen.
Wird diese Situation mit der loglinearen Varianz als normal angesehen und ist vertrauenswürdig?
Dank der Beratung.
Br,
Chris
Erweiterte statistische ModellierungBetreff: Inkonsistenz des loglinearen VarianzmodellsHallo @ChrisLooi ,
Eine Vorbemerkung: Auch wenn Ihre Antworten individuell gemessen werden können, sind sie nicht völlig unabhängig, da eine starke Korrelation zwischen den beiden Antworten erkennbar ist:
Dann habe ich mir kurz die bereitgestellte Datentabelle angesehen und festgestellt, dass für Antwort B viele Werte fehlen.
Sollten einige Zeilen identisch sein oder weisen Ihre Daten zwischen Antwort A und B eine unterschiedliche Granularität/Detailebene auf?
Ich denke, dass die fehlenden Werte in B das Problem verursachen können, auf das Sie stoßen.
Hier ist der Profiler mit den beiden Antworten „wie sie sind“ (die gleichen wie die, die Sie zuvor gezeigt haben):
Wenn jedoch eine automatisierte Datenimputationstechnik für Spalte „Antwort B“ durchgeführt wird, um fehlende Werte zu vermeiden (und diese unterstellte Antwort B als zweite Antwort verwendet wird), zeigt der Profiler ein besseres Verhalten für Antwort A und B (und der Profiler von Antwort A ist jetzt identisch). an den Profiler, wenn die Antwort A die einzige modellierte Antwort ist):
Sie können auch Profiler mit demselben Verhalten verwenden, indem Sie Zeilen mit fehlenden Werten für B ausblenden und ausschließen, um für die Modellierung nur die Zeilen zu behalten, die vollständige Informationen für beide Antworten A und B enthalten:
Daher muss möglicherweise eine Korrektur an Ihrer Datentabelle vorgenommen werden, um die fehlenden Werte zu ergänzen, sie zu imputieren oder Zeilen mit unvollständigen Informationen zwischen den Antworten A und B auszuschließen. Der Unterschied in der Granularität Ihrer Daten (und die daraus resultierenden fehlenden Werte) könnten dafür verantwortlich sein Die Änderung, die Sie in Profilern sehen, da Sie das gleiche Modell für beide Antworten implizieren, aber die begrenzte Menge an Informationen in Spalte B stört das Varianzmodell (da es mehr Beobachtung für jeden Term im Modell erfordert als das Mittelwertmodell: Loglineare Varianz). Modelle)
Sie können die beiden Antworten auch unabhängig voneinander mit einem anderen Modell anpassen (die Plattform nur für eine Antwort starten) (wahrscheinlich ein kleineres Modell für Antwort B, da weniger Beobachtungen für das Varianzmodell verfügbar sind).
Im Anhang finden Sie die Datentabelle und die verwendeten Skripte.
Betreff: Inkonsistenz des loglinearen VarianzmodellsHallo Victor,
Danke für die Antwort.
Ich habe hier die Datendatei angehängt.
Beachten Sie, dass das Modell mit den folgenden Effekten erstellt wird:
1. Mittelwertmodell unter Verwendung des Response-Surface-Effekts.
2. Varianzmodell unter Verwendung des Antwortflächeneffekts + des kubischen Effekts.
Ich habe es auch versucht:
1. Mittelwertmodell mit faktoriellem Effekt bis zu 2 Grad.
2. Varianzmodell mit faktoriellem Effekt bis zu 2 Grad.
Das Varianzmodell ist jedoch immer noch anders.
Br,
Chris
Betreff: Inkonsistenz des loglinearen VarianzmodellsHallo @ChrisLooi ,
Ich habe versucht, die Situation, die Sie haben, mit dem JMP-Beispieldatensatz InjectionMolding.jmp zu reproduzieren und eine neue Antwortspalte und zwei Modelle zu erstellen, eines mit der Antwort Shrinkage und eines mit den Antworten Shrinkage und Shuffle[Shrinkage], mit den gleichen Begriffen in beiden Modellen.
Ich sehe keine Unterschiede im Profiler, wenn ich ein Modell mit einer oder zwei Antworten unter Verwendung der loglinearen Varianz erstelle:
Haben Sie dieselben Begriffe im Bereich „Varianzeffekte“ des Fensters „Modell anpassen“?
Könnten Sie uns einen anonymisierten Datensatz zur Verfügung stellen, mit dem wir das Problem reproduzieren könnten?
Welche Version von JMP verwenden Sie?
Betreff: Inkonsistenz des loglinearen VarianzmodellsHallo @ChrisLooi ,
Ich habe versucht, die Situation, die Sie haben, mit dem JMP-Beispieldatensatz InjectionMolding.jmp zu reproduzieren und eine neue Antwortspalte und zwei Modelle zu erstellen, eines mit der Antwort Shrinkage und eines mit den Antworten Shrinkage und Shuffle[Shrinkage], mit den gleichen Begriffen in beiden Modellen.
Ich sehe keine Unterschiede im Profiler, wenn ich ein Modell mit einer oder zwei Antworten unter Verwendung der loglinearen Varianz erstelle:
Haben Sie dieselben Begriffe im Bereich „Varianzeffekte“ des Fensters „Modell anpassen“?
Könnten Sie uns einen anonymisierten Datensatz zur Verfügung stellen, mit dem wir das Problem reproduzieren könnten?
Welche Version von JMP verwenden Sie?
Betreff: Inkonsistenz des loglinearen VarianzmodellsHallo Victor,
Danke für die Antwort.
Ich habe hier die Datendatei angehängt.
Beachten Sie, dass das Modell mit den folgenden Effekten erstellt wird:
1. Mittelwertmodell unter Verwendung des Response-Surface-Effekts.
2. Varianzmodell unter Verwendung des Antwortflächeneffekts + des kubischen Effekts.
Ich habe es auch versucht:
1. Mittelwertmodell mit faktoriellem Effekt bis zu 2 Grad.
2. Varianzmodell mit faktoriellem Effekt bis zu 2 Grad.
Das Varianzmodell ist jedoch immer noch anders.
Br,
Chris
Betreff: Inkonsistenz des loglinearen VarianzmodellsHallo @ChrisLooi ,
Eine Vorbemerkung: Auch wenn Ihre Antworten individuell gemessen werden können, sind sie nicht völlig unabhängig, da eine starke Korrelation zwischen den beiden Antworten erkennbar ist:
Dann habe ich mir kurz die bereitgestellte Datentabelle angesehen und festgestellt, dass für Antwort B viele Werte fehlen.
Sollten einige Zeilen identisch sein oder weisen Ihre Daten zwischen Antwort A und B eine unterschiedliche Granularität/Detailebene auf?
Ich denke, dass die fehlenden Werte in B das Problem verursachen können, auf das Sie stoßen.
Hier ist der Profiler mit den beiden Antworten „wie sie sind“ (die gleichen wie die, die Sie zuvor gezeigt haben):
Wenn jedoch eine automatisierte Datenimputationstechnik für Spalte „Antwort B“ durchgeführt wird, um fehlende Werte zu vermeiden (und diese unterstellte Antwort B als zweite Antwort verwendet wird), zeigt der Profiler ein besseres Verhalten für Antwort A und B (und der Profiler von Antwort A ist jetzt identisch). an den Profiler, wenn die Antwort A die einzige modellierte Antwort ist):
Sie können auch Profiler mit demselben Verhalten verwenden, indem Sie Zeilen mit fehlenden Werten für B ausblenden und ausschließen, um für die Modellierung nur die Zeilen zu behalten, die vollständige Informationen für beide Antworten A und B enthalten:
Daher muss möglicherweise eine Korrektur an Ihrer Datentabelle vorgenommen werden, um die fehlenden Werte zu ergänzen, sie zu imputieren oder Zeilen mit unvollständigen Informationen zwischen den Antworten A und B auszuschließen. Der Unterschied in der Granularität Ihrer Daten (und die daraus resultierenden fehlenden Werte) könnten dafür verantwortlich sein die Änderung, die Sie in Profilern sehen.
Im Anhang finden Sie die Datentabelle und die verwendeten Skripte.
