Was tun bei eingedämmten Effekten?Ich führe eine 2x2-Vollfaktorstudie durch und versuche nur, Haupteffekte und Einweginteraktionen zu modellieren. Wie unten gezeigt, habe ich einen Haupteffekt, der weniger signifikant erscheint als die Einweginteraktion, die ihn enthält. Ich weiß, dass der Interaktionsfaktor selbst auch unbedeutend ist, aber in der Vergangenheit habe ich ihn als signifikant angesehen. In der Vergangenheit habe ich einfach den unbedeutenden Interaktionsfaktor entfernt, bevor ich den Haupteffekt entfernt habe. Gibt es dazu irgendwelche Hinweise? Warum könnte dies passieren? Gibt es etwas Bestimmtes im Datensatz, das dies verursacht? Wie geht man in dieser Situation richtig mit Effekten um? Vielen Dank im Voraus.
Erweiterte statistische ModellierungGrundlegende Datenanalyse und ModellierungVersuchsplanungPrädiktive Modellierung und maschinelles LernenBetreff: Was tun mit eingeschlossenen Effekten?Mir ist bewusst, dass diese Begriffe hier und anderswo in der Vergangenheit vertauscht wurden. Ich verwende die Begriffe so, wie JMP sie verwenden würde.
Die Wirkungshierarchie ist das oft beobachtete Prinzip, dass die meisten Wirkungen erster Ordnung sind, die nächstgrößeren Wirkungen zweiter Ordnung usw. Wirkungen dritter Ordnung sind eher selten.
Wir verwenden Modellvererbung, um auszudrücken, dass Terme höherer Ordnung (lineare Prädiktorkombination) Terme niedrigerer Ordnung einschließen sollten
Ich glaube nicht, dass Sie Unrecht haben. Meine Verwendung entspricht lediglich JMP. Wir alle müssen darauf achten, zu erklären, was wir meinen, wenn wir bestimmte Begriffe verwenden. Sie erklären sich immer selbst.
Betreff: Was tun mit eingeschlossenen Effekten?@Mark_Bailey , ich dachte, das wäre das Hierarchieprinzip. Das heißt, wenn Sie nach dem Hierarchieprinzip einen Effekt zweiter Ordnung (höherer Ordnung) haben, sollten Sie die Effekte erster Ordnung (niedrigerer Ordnung) einbeziehen. Vererbung ist ein Analyseprinzip, das helfen kann, zu bestimmen, welche der vermischten Effekte höherer Ordnung aktiv sind, indem die Bedeutung der Effekte niedrigerer Ordnung beurteilt wird. Vererbung: Damit ein Effekt höherer Ordnung aktiv ist, muss mindestens ein Elternteil aktiv sein. Korrigieren Sie mich, wenn ich falsch liege.
Betreff: Was tun mit eingeschlossenen Effekten?Hallo @sanch1 ,
Die statistische Erklärung von @Mark_Bailey kann Ihnen helfen zu verstehen, wie/warum Modellvererbung verwendet wird, um Modelle auf der Grundlage von DoE-Daten zu erstellen. Ich möchte weitere Fragen und Anmerkungen zur Modellierung und Signifikanz von Effekten geben:
- Bedenken Sie, dass es möglicherweise viele Wege gibt, zu unterschiedlichen (aber nützlichen) Modellen zu gelangen, abhängig von Ihrem Bewertungsmaßstab für „Signifikanz“ oder „Genauigkeit“ des Modells: p-Wert-Schwellenwert für Effekte, Informationskriterium wie AICc und BIC, R²/R² angepasst, RMSE, … Wichtig ist, dass Sie die Maße verwenden, die auf Ihr Ziel und Ihren Zweck (erklärendes und/oder prädiktives Modell) abgestimmt sind.
- Zu Ihren Fragen möchte ich auch die Notwendigkeit betonen, zwischen statistischer Signifikanz und praktischer Signifikanz (Größeneffekt) zu unterscheiden. Weitere Informationen zu diesem vorherigen Thema finden Sie unter: https://community.jmp.com/t5/Discussions/Which-one-to-define-effect-size-Logworth-or-Scaled-Estimates/mp/728779/highlight/true#M91099
Abhängig von Ihrem Signal-Rausch-Verhältnis können Sie möglicherweise einige Haupteffekte und/oder Wechselwirkungseffekte statistisch erkennen (oder nicht). In einer „kontrollierten“ Umgebung (in der Störfaktoren „kontrolliert“ oder aufrechterhalten werden) mit einem möglicherweise hochpräzisen Messsystem (mit hoher Wiederholbarkeit und Reproduzierbarkeitsgenauigkeit) können Sie möglicherweise Effekte mit sehr geringer Effektgröße erkennen. Abhängig von den Bedingungen, unter denen Sie vorherige Studien durchgeführt haben, kann dies erklären, warum Sie diese Effekte möglicherweise übersehen haben.
- Der experimentelle Raum und die Stichprobengröße können sich auch zwischen Ihren früheren Studien und dieser mit DoE durchgeführten Studie unterscheiden. Abhängig von den Faktoren, den Faktorbereichen, dem angenommenen Modell und der Aufteilung der Punkte im experimentellen Raum kann es Unterschiede in der Repräsentativität Ihres Datensatzes und der Fähigkeit zur Erkennung von Effekten geben. Beispielsweise erschwert ein sehr enger Raum mit geringer Stichprobengröße die Erkennung statistisch signifikanter Effekte. In Bezug auf Punkt 2 neigen sehr große Stichproben dazu, kleine Unterschiede in statistisch signifikante Unterschiede umzuwandeln. Aus diesem Grund ist praktische Signifikanz erforderlich, um die Modellangemessenheit zu beurteilen.
Es ist wichtig, die statistische Analyse durch Fachwissen zu ergänzen, um die von Ihnen erstellten Modelle zu hinterfragen/zu informieren und Validierungsläufe zu verwenden, um die Vorhersagen Ihres endgültigen Modells zu bestätigen.
Ich hoffe, dass diese (nicht erschöpfenden) Überlegungen Ihnen helfen können, die Unterschiede zu verstehen, die Sie in Ihren verschiedenen Analysen gesehen haben.
Betreff: Was tun mit eingeschlossenen Effekten?In einer 2x2-Vollfaktorstudie stellt man häufig fest, dass die Signifikanz von Haupteffekten und Interaktionen je nach Faktoren und Interaktionen zwischen ihnen variieren kann. Manchmal kann ein Haupteffekt im Vergleich zu einer Interaktion, die ihn enthält, weniger signifikant erscheinen, möglicherweise aufgrund der kombinierten Wirkung mehrerer Faktoren. Wenn Sie mit einer Interaktion konfrontiert sind, die einen weniger signifikanten Haupteffekt enthält, sollten Sie Ihr Modell vereinfachen, indem Sie nicht bedeutungsvolle Begriffe entfernen, um sich auf besser interpretierbare Effekte zu konzentrieren.
Betreff: Was tun mit eingeschlossenen Effekten?Hallo @sanch1 ,
über die Interaktion, die als aktiv angezeigt wird, obwohl Sie glauben, dass sie es nicht sollte. Haben Sie versucht, ein Interaktionsdiagramm mit allen Datenpunkten zu zeichnen, um zu verstehen, warum die Interaktion als aktiv angezeigt wird? In dem Artikel Søren Bisgaard & Michael Sutherland (2003) Split Plot Experiments:Taguchi's Ina Tile Experiment Reanalyzed, Quality Engineering, 16:1, 157-164) zeigen die Autoren ein Beispiel für dieses Diagramm mit dieser Situation für ein nicht wiederholtes Experiment. Probleme bei der Datenerfassung oder ein Fehler beim Aufzeichnen der Daten in der Tabelle könnten diesen Effekt verursachen.
Betreff: Was tun mit eingeschlossenen Effekten?JMP respektiert die „Modellvererbung“. Dieses Prinzip besagt, dass Sie Terme niedrigerer Ordnung einschließen sollten, selbst wenn sie nicht signifikant sind, wenn Sie Terme höherer Ordnung einschließen, die sie enthalten. Es geht nicht um die der Antwort zugrunde liegende physikalische Wissenschaft oder ein theoretisches Modell. Experimentatoren erwarten im Allgemeinen, dass das Modell skaleninvariant ist. Das heißt, wenn ich die Skala für einen Faktor ändere, bleiben die Terme im Modell gleich. Das ist nicht der Fall, wenn Sie die Modellvererbung nicht respektieren. JMP folgt der bewährten Methode, alle Faktorebenen auf [-1,1] zu codieren. Die Koeffizienten werden daher ebenfalls codiert. Sie könnten das Modell in die ursprüngliche wissenschaftliche oder technische Skala konvertieren. Sie würden Änderungen in den Termen beobachten, wenn Sie die Modellvererbung außer Acht lassen.
