効果検定表に従って相互作用プロットをどのように解釈すればよいでしょうか?ほとんどのソースはパラメータ推定値と効果テスト表では有意ですが、相互作用プロットでは交差が見られないのはなぜですか?
高度な統計モデリング実験計画法Re: 効果検定表に従って相互作用プロットをどのように解釈すればよいでしょうか?データの出所（例：観察、実験）などの情報が十分に提供されていないため、具体的な理由がわかりません。そのため、考慮すべき点がいくつかあります。表の統計的有意性は、用語の MS（ソースまたはモデル）と MS エラー（F テスト = MS 係数 / MS エラー）の 2 つに依存します。MSe の推定値が非常に小さい（代表的でない）場合、すべてが「統計的に有意」になる可能性があります。これが私の最初の推測です。MSe はどのように推定されましたか? ランダム化された複製の関数ですか (統計学者はこれを純粋なエラーと呼んでいます)、または適合性の欠如 (モデルから重要でない用語を削除) ですか? MSe は、プロセスにおける実際の変動とどのように比較されますか? 実用的な有意性を考慮しましたか?
Re: 効果検定表に従って相互作用プロットをどのように解釈すればよいでしょうか?こんにちは@Nimaxim 。提供された情報が限られているため、確実なことは言えません。しかし、私の推測では、サンプル サイズが原因だと思います。サンプル サイズ (誤差自由度) が非常に大きい場合、非常に小さな効果でも「統計的に有意」になります。したがって、相互作用は「統計的に有意」である可能性がありますが、違い (プロットの非平行線で示される) は無視できる可能性があります。この現象は、「過剰検出」と呼ばれることがあります。
Re: 効果検定表に従って相互作用プロットをどのように解釈すればよいでしょうか?@statman 、 @MRB3855私の質問に回答していただきありがとうございます。実際、この RSM 分析では、応答にニューラル ネットワークを使用しています。因子値は、実際の RFM モデル データに基づいています。結果の一部を添付します。
Re: 効果検定表に従って相互作用プロットをどのように解釈すればよいでしょうか?こんにちは、
背景を説明する写真を投稿していただきありがとうございます。とても役に立ちました。
パラメータ推定値テーブルの方が役に立つでしょう。プロファイラー画像に基づくと、相互作用は有意ですが、小さいと思われます。また、モデルの背後には多くの観察がある可能性があります。これにより、小さな効果を有意にすることができます。自由度が大きいと感度は高まりますが、偽陽性の可能性も高まります。
乾杯、
-B
Re: 効果検定表に従って相互作用プロットをどのように解釈すればよいでしょうか?こんにちは@Nimaxim : 他の投稿で言及されているすべてのことがここで関係しています。まず、もう少し明確にする必要があります。
1. 入力は複数のX（いわゆる「因子値」）です
2. 応答 Y は、同じ複数の X (上記 1 と同じ) に基づいて構築された NN モデルから取得されますか?
3. では、多重回帰/応答面を使用して、Y (上記 2 の NN モデルからの出力) を同じ X (上記 1 の) の関数としてモデル化していますか? つまり、多重回帰/応答面モデル (6 つの線形効果、6 つの二次効果、および 27 のモデル自由度を構成する 15 の相互作用) を使用して NN モデルからの出力を予測しようとしているのですか?
それは正しいでしょうか?
もしそうなら、あなたの結果は驚くべきものではありません。純粋なエラーはありません (つまり、繰り返しても同じ結果が得られます)。したがって、エラーの唯一の原因は、モデルの誤った指定 (適合の欠如) です。この道に進みすぎる前に...なぜこれを行っているのですか?
