Varianza del parámetro previoHola,
Estoy intentando comprender la opción Varianza del parámetro a priori para el diseño D-óptimo bayesiano. La ayuda de JMP indica: « El valor que introduce es la raíz cuadrada del recíproco de la varianza a priori. Un valor mayor representa una varianza menor y, por lo tanto, mayor información a priori de que el efecto no está activo».
Estoy un poco confundido, ya que pensé que si ingresaba un valor mayor, el algoritmo sabría que tengo mayor conocimiento previo de la importancia del efecto. Sin embargo, la instrucción de ayuda indica que un valor mayor significa que el efecto no está activo. ¿Podría alguien aclararme esto, por favor?
Gracias
Diseño de experimentosRe: Varianza de parámetros previosEl valor que introduce es la raíz cuadrada del recíproco de la varianza previa. Esto se refiere a cómo se representa numéricamente la incertidumbre previa sobre los parámetros del modelo. Específicamente: es el recíproco de la desviación estándar, también conocido como precisión de la previa.
"Un valor mayor representa una varianza menor y, por lo tanto, más información previa de que el efecto no está activo".
Esto te dice cómo interpretar el número:
- Un valor mayor (es decir, mayor precisión o menor varianza) sugiere que usted cree firmemente que el efecto es cercano a cero , es decir, que no está activo .
- Un valor más pequeño (es decir, una precisión menor o una variación mayor) significa que hay más incertidumbre: se está más abierto a la posibilidad de que el efecto pueda ser distinto de cero.
¿Por qué esto es importante para el diseño D-óptimo bayesiano?
Los diseños D-óptimos bayesianos utilizan información previa para determinar qué ejecuciones experimentales le brindarán la mayor información dado lo que ya cree.
- Si cree firmemente que ciertos efectos son insignificantes (es decir, inactivos), les asigna valores anteriores estrictos (variaciones pequeñas → valores grandes en JMP).
- Si no está seguro acerca de algunos efectos, utiliza valores anteriores débiles (variaciones grandes → valores pequeños en JMP).
Esto ayuda a que el diseño se centre en estimar las partes más informativas o inciertas del modelo.
Re: Varianza de parámetros previosMuchas gracias statman,
Esto también explica por qué el generador de perfiles de predicción de varianza en el diseño Evaluate muestra una varianza mucho menor en el espacio de parámetros para los factores que están inactivos, ya que esos efectos son cercanos a cero.
