Robert Anderson JMP Leitender Systemingenieur
Wissenschaftler und Ingenieure müssen das bestmögliche Modell für ihren Prozess oder ihr Produkt finden und die wirklich wichtigen und unwichtigen Faktoren korrekt identifizieren. Oft besteht die größte Sorge darin, einen wichtigen oder entscheidenden Faktor zu übersehen. Ein noch heimtückischeres und potenziell schwerwiegenderes Problem besteht jedoch darin, dass statistische Modellierungsmethoden häufig Faktoren identifizieren, die zwar statistisch signifikant, aber nicht wirklich aktiv sind. Die Identifizierung dieser nicht-echten Effekte führt dazu, dass wertvolle wissenschaftliche und technische Ressourcen für die weitere Untersuchung dieser falschen Effekte verschwendet werden. Es kann viel Zeit und Ressourcen kosten, bis das fehlerhafte Modell und die nicht-echten Effekte erkannt werden. Die Holdback-Validierungsmethode in JMP Pro bietet eine leistungsstarke Möglichkeit, dieses Problem der Modellanpassung selbst bei relativ kleinen Datensätzen zu unterdrücken. Anhand simulierter Datensätze zeigt dieses Dokument, wie häufig und einfach das Problem der Erkennung nicht-echter Effekte auftreten kann und wie die Holdback-Validierung dieses Problem effektiv unterdrücken kann. Die Holdback-Validierung ist jedoch kein Allheilmittel, und es werden auch einige Beispiele gezeigt, in denen sie nicht gut funktioniert.
