Comment puis-je interpréter le graphique d'interaction en fonction du tableau de test d'effet ?Alors que la plupart des sources sont significatives dans les estimations des paramètres et le tableau des tests d’effet, pourquoi aucune intersection n’est-elle observée dans le graphique d’interaction ?
Modélisation statistique avancéeConception d'expériencesRé : Comment puis-je interpréter le graphique d'interaction en fonction du tableau de test d'effet ?Vous n'avez pas fourni suffisamment d'informations, comme la provenance de vos données (par exemple, observationnelles, expérimentales), pour donner une raison spécifique. Voici donc quelques éléments à prendre en compte. La signification statistique dans votre tableau dépend de 2 choses : la MS des termes (source ou modèle) ET l'erreur MS (test F = MSfactors/MSerror). Si l'estimation de la MSe est très petite (et non représentative), alors tout peut être « statistiquement significatif ». Ce serait ma première hypothèse. Comment votre MSe a-t-il été estimé ? Est-ce une fonction de réplications randomisées (ce que les statisticiens aiment appeler l'erreur pure) ou un manque d'ajustement (suppression des termes non significatifs du modèle) ? Comment la MSe se compare-t-elle à la variation réelle du processus ? Avez-vous pris en compte la signification pratique ?
Ré : Comment puis-je interpréter le graphique d'interaction en fonction du tableau de test d'effet ?Bonjour @Nimaxim . Difficile de le dire avec certitude avec les informations limitées que vous avez fournies. Mais je suppose que c'est la taille de l'échantillon. Si la taille de votre échantillon (erreur df) est très grande, même de très petits effets sont considérés comme « statistiquement significatifs ». Ainsi, même si les interactions peuvent être « statistiquement significatives », les différences (comme le montrent les lignes non parallèles dans les graphiques) peuvent être négligeables. Ce phénomène est parfois appelé « surpuissance ».
Ré : Comment puis-je interpréter le graphique d'interaction en fonction du tableau de test d'effet ?@statman , @MRB3855 Merci pour vos réponses à ma question. En fait, cette analyse RSM utilise un réseau neuronal pour les réponses. Les valeurs des facteurs sont basées sur des données réelles du modèle RFM. Je joins certains des résultats.
Ré : Comment puis-je interpréter le graphique d'interaction en fonction du tableau de test d'effet ?Bonjour,
Merci d'avoir posté une photo pour le contexte, c'est super utile.
Le tableau des estimations de paramètres est celui que vous trouverez le plus utile. D'après l'image de votre profileur, je pense que les interactions sont significatives, mais également faibles. De plus, il est probable que vous ayez beaucoup d'observations derrière votre modèle ? Cela contribuera à rendre les petits effets significatifs. Un grand nombre de degrés de liberté peut augmenter la sensibilité, mais aussi augmenter le risque de faux positifs.
Acclamations,
-B
Ré : Comment puis-je interpréter le graphique d'interaction en fonction du tableau de test d'effet ?Bonjour @Nimaxim : Tous les éléments mentionnés dans les autres articles sont en jeu ici. J'ai d'abord besoin de quelques précisions :
1. Les entrées sont les différents X (ce que vous appelez des « valeurs de facteurs »)
2. La réponse Y provient d'un modèle NN qui est/a été construit sur la base de ces mêmes X (comme dans 1 ci-dessus) ?
3. Ensuite, vous utilisez une surface de régression/réponse multiple pour modéliser Y (qui est la sortie d'un modèle NN comme dans 2 ci-dessus) en fonction des mêmes X (comme dans 1 ci-dessus) ? c'est-à-dire que vous essayez de prédire la sortie d'un modèle NN avec un modèle de régression/surface de réponse multiple (6 effets linéaires, 6 effets quadratiques et 15 interactions pour constituer les 27 degrés de liberté du modèle) ?
Est-ce que j'ai bien compris ?
Si tel est le cas, vos résultats ne sont pas surprenants. Il n'y a pas d'erreur pure (c'est-à-dire que les réplications donnent des résultats identiques), donc la seule source d'erreur est due à une mauvaise spécification du modèle (manque d'ajustement). Avant d'aller trop loin dans cette voie... pourquoi faites-vous cela ?
