Incoerenza del modello di varianza loglineareCiao,
Durante l'utilizzo del modello di varianza loglineare, è presente un'incoerenza nel modello per il modello di varianza. Di seguito riporto un esempio per spiegare la situazione.
Costruisco 2 modelli utilizzando la varianza loglineare:
Modello 1: Risposta A. Fattori A, B, C.
Modello 2: Risposta A, B. Fattori A, B, C.
Nota: la risposta A e il fattore A,B,C sono gli stessi dati sia per il modello 1 che per il modello 2.
Confrontando il Modello 1 con il Modello B, ci concentriamo sul modello della media e sul modello della varianza per la risposta A.
Il modello medio per la risposta A è esattamente lo stesso tra il modello 1 e il modello 2 (lo sfondo verde).
Tuttavia, il modello di varianza (o Stdev) per la risposta A tra il modello 1 e il modello 2 (lo sfondo rosso) è totalmente diverso.
Anche il confronto viene effettuato con le stesse impostazioni del fattore e lo stesso ridimensionamento.
Sembra che semplicemente aggiungendo un'altra risposta al modello (in questo caso aggiungiamo la risposta B al modello con la risposta A) il modello della varianza diventi diverso. Le risposte A e B sono indipendenti e non dovrebbero influenzarsi a vicenda.
Questa situazione con varianza loglineare è considerata normale e ci si può fidare?
Grazie per consigliare.
fratello,
Chris
Modellazione statistica avanzataRi: Incoerenza del modello di varianza loglineareCiao @ChrisLooi ,
Una premessa: anche se le vostre risposte possono essere misurate individualmente, non sono rigorosamente indipendenti, poiché si può osservare una forte correlazione tra le due risposte:
Quindi, ho dato una rapida occhiata al datatable fornito e ho notato che sono presenti molti valori mancanti per la risposta B.
Alcune righe dovrebbero essere identiche o i dati hanno un livello di granularità/dettaglio diverso tra la risposta A e la risposta B?
Penso che i valori mancanti in B possano causare il problema riscontrato.
Ecco il profiler con le due risposte "così com'è" (uguale a quella che hai mostrato in precedenza):
Tuttavia, quando si esegue la tecnica di imputazione automatizzata dei dati sulla colonna "risposta B" per evitare valori mancanti (e utilizzando questa risposta B imputata come seconda risposta), il profiler mostra un comportamento migliore per la risposta A e B (e il profiler della risposta A è ora identico al profiler quando la risposta A è l'unica risposta modellata):
Puoi anche avere Profiler con lo stesso comportamento nascondendo ed escludendo le righe con valori mancanti per B, per mantenere per la modellazione solo le righe con informazioni complete per entrambe le risposte A e B:
Quindi potrebbe esserci una correzione da fare sul tuo datatable, per riempire i valori mancanti, imputarli o escludere righe con informazioni incomplete tra le risposte A e B. La differenza di granularità nei tuoi dati (e i risultanti valori mancanti) potrebbe essere responsabile di il cambiamento che vedi nei profiler, poiché implichi lo stesso modello per entrambe le risposte, ma la quantità limitata di informazioni nella colonna B disturba il modello della varianza (poiché richiede più osservazioni per ciascun termine nel modello rispetto al modello medio: Varianza loglineare Modelli)
Puoi anche adattare le due risposte in modo indipendente (avviare la piattaforma solo per una risposta) con un modello diverso (probabilmente un modello più piccolo per la risposta B poiché hai meno osservazioni disponibili per il modello della varianza).
In allegato è riportato il datatable e gli script utilizzati,
Ri: Incoerenza del modello di varianza loglineareCiao Vittorio,
Grazie per la risposta.
Ho allegato qui il file dei dati.
Nota che il modello è costruito utilizzando gli effetti indicati di seguito:
1. Modello medio che utilizza l'effetto Superficie di risposta.
2. Modello di varianza che utilizza l'effetto Superficie di risposta + effetto Cubico.
Ho provato anche:
1. Modello medio che utilizza l'effetto fattoriale fino a 2 gradi.
2. Modello di varianza che utilizza l'effetto fattoriale fino a 2 gradi.
Il modello di varianza, a prescindere, è ancora diverso.
fratello,
Chris
Ri: Incoerenza del modello di varianza loglineareCiao @ChrisLooi ,
Ho provato a riprodurre la situazione che hai con il set di dati di esempio JMP InjectionMolding.jmp e creando una nuova colonna di risposta e due modelli, uno con risposta Shrinkage e uno con risposte Shrinkage e Shuffle[Shrinkage], con gli stessi termini in entrambi i modelli.
Non vedo differenze nel profiler quando creo un modello con una o due risposte, utilizzando Loglinear Variance:
Sono presenti gli stessi termini nel pannello Effetti di varianza dalla finestra Adatta modello?
Potresti condividere un set di dati anonimo in cui potremmo riprodurre il problema?
Quale versione di JMP usi?
Ri: Incoerenza del modello di varianza loglineareCiao @ChrisLooi ,
Ho provato a riprodurre la situazione che hai con il set di dati di esempio JMP InjectionMolding.jmp e creando una nuova colonna di risposta e due modelli, uno con risposta Shrinkage e uno con risposte Shrinkage e Shuffle[Shrinkage], con gli stessi termini in entrambi i modelli.
Non vedo differenze nel profiler quando creo un modello con una o due risposte, utilizzando Loglinear Variance:
Sono presenti gli stessi termini nel pannello Effetti di varianza dalla finestra Adatta modello?
Potresti condividere un set di dati anonimo in cui potremmo riprodurre il problema?
Quale versione di JMP usi?
Ri: Incoerenza del modello di varianza loglineareCiao Vittorio,
Grazie per la risposta.
Ho allegato qui il file dei dati.
Nota che il modello è costruito utilizzando gli effetti indicati di seguito:
1. Modello medio che utilizza l'effetto Superficie di risposta.
2. Modello di varianza che utilizza l'effetto Superficie di risposta + effetto Cubico.
Ho provato anche:
1. Modello medio che utilizza l'effetto fattoriale fino a 2 gradi.
2. Modello di varianza che utilizza l'effetto fattoriale fino a 2 gradi.
Il modello di varianza, a prescindere, è ancora diverso.
fratello,
Chris
Ri: Incoerenza del modello di varianza loglineareCiao @ChrisLooi ,
Una premessa: anche se le vostre risposte possono essere misurate individualmente, non sono rigorosamente indipendenti, poiché si può osservare una forte correlazione tra le due risposte:
Quindi, ho dato una rapida occhiata al datatable fornito e ho notato che sono presenti molti valori mancanti per la risposta B.
Alcune righe dovrebbero essere identiche o i dati hanno un livello di granularità/dettaglio diverso tra la risposta A e la risposta B?
Penso che i valori mancanti in B possano causare il problema riscontrato.
Ecco il profiler con le due risposte "così com'è" (uguale a quella che hai mostrato in precedenza):
Tuttavia, quando si esegue la tecnica di imputazione automatizzata dei dati sulla colonna "risposta B" per evitare valori mancanti (e utilizzando questa risposta B imputata come seconda risposta), il profiler mostra un comportamento migliore per la risposta A e B (e il profiler della risposta A è ora identico al profiler quando la risposta A è l'unica risposta modellata):
Puoi anche avere Profiler con lo stesso comportamento nascondendo ed escludendo le righe con valori mancanti per B, per mantenere per la modellazione solo le righe con informazioni complete per entrambe le risposte A e B:
Quindi potrebbe esserci una correzione da fare sul tuo datatable, per riempire i valori mancanti, imputarli o escludere righe con informazioni incomplete tra le risposte A e B. La differenza di granularità nei tuoi dati (e i risultanti valori mancanti) potrebbe essere responsabile di il cambiamento che vedi nei profiler.
In allegato è riportato il datatable e gli script utilizzati,
