Variance des paramètres antérieursSalut,
J'essaie de comprendre l'option Variance du paramètre a priori pour le plan bayésien D-optimal. L'aide JMP indique : « La valeur saisie est la racine carrée de l'inverse de la variance a priori. Une valeur plus élevée représente une variance plus faible et donc davantage d'informations a priori indiquant que l'effet n'est pas actif. »
Je suis un peu perdu, car je pensais qu'en saisissant une valeur plus élevée, l'algorithme comprendrait mieux que je sais que l'effet est important. Or, l'instruction d'aide indique qu'une valeur plus élevée signifie que l'effet n'est pas actif. Quelqu'un pourrait-il m'éclairer ?
Merci
Plan d'expériencesObjet : Variance des paramètres antérieursLa valeur saisie est la racine carrée de l'inverse de la variance a priori. Cela fait référence à la manière dont l'incertitude a priori sur les paramètres du modèle est représentée numériquement. Plus précisément, il s'agit de l'inverse de l'écart type, également appelé précision de la variance a priori.
« Une valeur plus grande représente une variance plus petite et donc plus d'informations préalables indiquant que l'effet n'est pas actif. »
Ceci vous indique comment interpréter le nombre :
- Une valeur plus élevée (c'est-à-dire une précision plus élevée ou une variance plus faible) suggère que vous croyez fermement que l'effet est proche de zéro — qu'il n'est pas actif .
- Une valeur plus petite (c'est-à-dire une précision plus faible ou une variance plus grande) signifie que vous êtes plus incertain — vous êtes plus ouvert à la possibilité que l'effet puisse être différent de zéro.
Pourquoi est-ce important pour la conception bayésienne D-optimale ?
Les conceptions bayésiennes D-optimales utilisent des informations préalables pour déterminer quelles expérimentations vous donneront le plus d'informations compte tenu de ce que vous croyez déjà.
- Si vous croyez fermement que certains effets sont négligeables (c'est-à-dire inactifs), vous leur attribuez des priors serrés (petites variances → grandes valeurs dans JMP).
- Si vous n'êtes pas sûr de certains effets, vous utilisez des priors faibles (grandes variances → petites valeurs dans JMP).
Cela permet à la conception de se concentrer sur l’estimation des parties les plus informatives ou les plus incertaines du modèle.
Objet : Variance des paramètres antérieursMerci beaucoup Statman,
Cela explique également pourquoi le profileur de prédiction de variance dans la conception Evaluate montre une variance beaucoup plus faible dans l'espace des paramètres pour les facteurs qui sont inactifs, puisque ces effets sont proches de zéro.
