819821_es-ES

liliconcom

Modelo de primer orden vs. modelo de segundo orden en .jmp

¿Cómo explico que mi modelo de segundo orden muestra una relación significativa entre los predictores y las respuestas, ya que no tuve falta de ajuste, mientras que con los mismos datos en un modelo de primer orden tuve una falta de ajuste significativa? ¿Cómo explico que el segundo orden proporciona una mejor aproximación de los datos? Solo estoy tratando de entenderlo, ya que solo tengo un conocimiento básico al respecto en este momento. Gracias de antemano.

Diseño de experimentosRe: Modelo de primer orden vs. modelo de segundo orden en .jmp

Hola @LocalTables505 ,

¡Bienvenido a la Comunidad!
La prueba de falta de ajuste es útil para evaluar si su modelo se ajusta bien a los datos. Un valor p estadísticamente significativo para esta prueba indica que el error del modelo es mucho mayor que el error puro y que su modelo puede no ser adecuado: https://www.jmp.com/support/help/en/17.2/#page/jmp/lack-of-fit.shtml

Esta situación puede ocurrir en su ejemplo si su modelo de primer orden es "demasiado simple" para los resultados/datos que ha recopilado, por ejemplo, si faltan algunos términos para modelar la curvatura en sus datos (a través de términos de segundo orden, interacción y/o efectos cuadráticos).
También puede comprobar la idoneidad de su modelo de regresión a través del análisis de residuos, para verificar si se cumplen los supuestos de regresión y si se detectan patrones en los residuos que podrían indicar la insuficiencia del modelo: https://www.jmp.com/en_us/statistics-knowledge-portal/what-is-regression/simple-linear-regression-assumptions.html

Espero que esta respuesta ayude a tu comprensión.

Re: Modelo de primer orden vs. modelo de segundo orden en .jmp

Para agregar algo a todo lo que escribió @Victor_G , con lo que estoy de acuerdo, ¿ha graficado sus respuestas frente a los predictores en un diagrama de dispersión simple? Yo comenzaría por ahí, incluso antes de modelar. Esto le da una oportunidad de proponer un modelo inicial que se ajuste de manera más apropiada a los datos. Le ayudará a identificar un patrón general en las respuestas (lineal, curvilínea, etc.), valores atípicos, puntos de datos de apariencia extraña y, si tiene réplicas de los valores del predictor, una oportunidad de observar su variabilidad de manera gráfica. Como siempre les dije a mis ingenieros, científicos y otros, los tres pasos para un análisis de datos exitoso son: 1. graficar los datos. 2. Graficar los datos. 3. ¡GRAFIAR LOS DATOS!