Wenn Sie einen Block als festen Effekt in ein gesättigtes Modell einpassen und sein Effekt nicht signifikant ist, nachdem Sie ihn durch schrittweise Regression reduziert haben, müssen Sie ihn dann wieder zum Modell hinzufügen?Dies wurde gestern im JMP-Blog veröffentlicht. Phil Kay beschreibt dort die Reduzierung eines gesättigten Modells mit Blockeffekt. Er empfiehlt, den Zufallsblock in diesem speziellen Fall zunächst als festen Effekt hinzuzufügen. Nach der schrittweisen Regression sollte das reduzierte Modell erneut angepasst und der Block als Zufallseffekt hinzugefügt werden. In seinem Beispiel war der Block nach der Modellreduzierung signifikant. Ich frage mich, ob der Block tatsächlich signifikant ist. Gibt es einen Grund, ihn als Zufallseffekt wieder in das Modell aufzunehmen, oder kann man ihn einfach ganz weglassen?
https://community.jmp.com/t5/Phil-Kay-s-Blog/Model-Selection-for-Designed-Experiments-with-Blocks/ba-p/364531
VersuchsplanungBetreff: Wenn Sie einen Block als festen Effekt in ein gesättigtes Modell einpassen und sein Effekt nicht signifikant ist, nachdem Sie ihn durch schrittweise Regression reduziert haben, müssen Sie ihn dann wieder zum Modell hinzufügen?Hier sind meine Gedanken zum Thema Blockieren.
Erstens ist Blockieren eine Technik, um mit Faktoren umzugehen, die man nicht kontrollieren möchte . Ich bezeichne diese Faktoren als Rauschen. Die Gründe für die mangelnde Kontrollbereitschaft sind dreifach:
1. Es fehlt die Fähigkeit oder Technologie oder der Faktor ist zu komplex (z. B. Kundenerwartungen, gelieferte Materialien)
2. Die Kosten für die Kontrolle sind unerschwinglich (z. B. Umweltbedingungen)
3. Die Steuerung wäre umständlich oder unpraktisch (z. B. Schwankungen in der Stromquelle).
Ob der Block als fixer oder zufälliger Effekt behandelt wird, hängt von Ihrer Fähigkeit ab, die Faktoren dem Block zuzuordnen (Störfaktoren mit dem Block zu vermischen). Wenn Sie die erforderliche Sorgfalt walten lassen und die spezifischen Störfaktoren identifiziert haben, ermöglicht die Vermischung dieser Faktoren mit dem Block die Zuordnung des Blocks als fixer Effekt (dies ermöglicht auch die Zuordnung blockweiser Effekte zum Modell zur Bewertung der Faktorrobustheit). Wenn Sie die mit dem Block vermengten spezifischen Störfaktoren nicht identifiziert haben, behandeln Sie den Block als zufälligen Effekt. Die Blockierung ist eine hervorragende Technik, da sie dem Experimentator ermöglicht, den Inferenzraum zu erweitern, ohne die Präzision des Designs zu beeinträchtigen.
Ich glaube auch nicht, dass die schrittweise Vorgehensweise die geeignete Methode zum Erstellen eines DOE-Modells ist. Sie bestimmen, welche DOE-Methode Sie in Abhängigkeit von dem Modell durchführen, in das Sie Einblick gewinnen möchten. Sie sollten zur Modellverfeinerung einen subtraktiven (nicht additiven) Ansatz verwenden. Beginnen Sie mit einem gesättigten Modell (Ihren Hypothesen) und entfernen Sie unwesentliche Terme, um ein sinnvolles Modell zu ermitteln.
Ihre Frage verwirrt mich: „ Ich frage mich, ob der Block als signifikant gilt. Gibt es einen Grund, ihn als Zufallseffekt wieder in das Modell aufzunehmen, oder können Sie ihn einfach ganz weglassen?“
Ist der Block signifikant, bedeutet dies, dass Störfaktoren vorhanden sind, die mit dem Block von Interesse sind. Sie können den Block entweder disaggregieren, um die spezifischen Faktoren zu bestimmen und diese dann zu verwalten, oder iterieren, um robust gegenüber ihnen zu sein. Ein Modell mit Blockeffekt ist unsinnig (Sie können den Block nicht verwalten).
Hier ist ein Artikel, den Sie vielleicht lesen möchten:
Sanders, D., Leitnaker M. und McLean R. (2002) „ Randomisierte vollständige Blockdesigns in industriellen Studien “ , Quality Engineering, Band 14, Ausgabe 1
Betreff: Wenn Sie einen Block als festen Effekt in ein gesättigtes Modell einpassen und sein Effekt nicht signifikant ist, nachdem Sie ihn durch schrittweise Regression reduziert haben, müssen Sie ihn dann wieder zum Modell hinzufügen?Hallo @mjz5448 ,
Ich habe mir das Video (noch) nicht angesehen, aber ich denke, dass Phils Standpunkt möglicherweise differenzierter ist als diese Zusammenfassung.
Ich habe gemischte Gefühle (kein Wortspiel beabsichtigt) hinsichtlich dieses möglichen Ansatzes.
Die Entscheidung für einen festen oder zufälligen Blockeffekt steht vor der Analyse fest, je nachdem, wie Sie diesen Blockeffekt berücksichtigen: Ist das Niveau reproduzierbar oder sind nur diese Niveaus von Interesse, können Sie ihn als festen Blockeffekt behandeln, was sich auf den Mittelwert der Antwort (Bias) auswirkt. Handelt es sich bei den Niveaus um eine Stichprobe aus einer größeren Population oder sind Sie nicht wirklich an diesen zwei (oder mehr) bestimmten Niveaus interessiert, sondern an der Variation innerhalb der Population, behandeln Sie ihn als Zufallseffekt, was sich auf die Varianz der Antwort auswirkt.
Was Ihre konkrete Frage betrifft, glaube ich, dass sie sich auf den Fall eines unbedeutenden zufälligen Blockeffekts bezieht. Der zufällige Blockeffekt erfasst einen Teil der durch den Blockeffekt bedingten Variation. Seine Entfernung würde daher die unerklärte Varianz Ihrer Experimente erhöhen, was zu weniger präzisen Schätzungen der Fixeffekte und höheren p-Werten führen würde. Selbst wenn er nicht statistisch signifikant wäre, würde ich den zufälligen Effekt nicht aus dem Modell entfernen, da er wichtig ist, um einen Teil des experimentellen Rauschens (tägliche Variation, Gerätevariabilität usw.) zu erfassen.
Hoffe, dies verdeutlicht die Verwendung des Zufallsblockeffekts.Betreff: Wenn Sie einen Block als festen Effekt in ein gesättigtes Modell einpassen und sein Effekt nicht signifikant ist, nachdem Sie ihn durch schrittweise Regression reduziert haben, müssen Sie ihn dann wieder zum Modell hinzufügen?
Entschuldigen Sie die Verwirrung, ich wollte sagen:
"Ich frage mich, obder Block wird NICHT als signifikant angezeigt. Gibt es einen Grund, ihn als Zufallseffekt wieder in das Modell aufzunehmen, oder können Sie ihn einfach ganz weglassen?
Was meinen Sie mit „den Block auflösen“?
Betreff: Wenn Sie einen Block als festen Effekt in ein gesättigtes Modell einpassen und sein Effekt nicht signifikant ist, nachdem Sie ihn durch schrittweise Regression reduziert haben, müssen Sie ihn dann wieder zum Modell hinzufügen?Hallo Victor,
Sie haben Recht, ich wollte fragen, was zu tun ist, wenn der Block NICHT signifikant ist. Entschuldigen Sie die Verwirrung.
Selbst wenn der Zufallsblock nicht signifikant ist, belässt man ihn normalerweise im Modell? Bedeutet die Tatsache, dass er nicht signifikant ist, nicht, dass das Zufallsrauschen nicht zu groß ist? Ich frage mich, ob es sinnvoll ist, Modelle sowohl mit als auch ohne Blockeffekt anzupassen und den Fehler zu vergleichen?
Betreff: Wenn Sie einen Block als festen Effekt in ein gesättigtes Modell einpassen und sein Effekt nicht signifikant ist, nachdem Sie ihn durch schrittweise Regression reduziert haben, müssen Sie ihn dann wieder zum Modell hinzufügen?Block kann, wie alle anderen Terme im Modell, aus dem Modell entfernt werden, wenn er sowohl praktisch als auch statistisch als unbedeutend erachtet wird. Natürlich werden alle aus dem Modell entfernten Terme in den experimentellen Fehler einbezogen, der die P-Werte beeinflusst (diese werden wahrscheinlich steigen, wenn der MSE kleiner wird).
Wenn der Block signifikant ist, müssen Sie feststellen, welche der möglicherweise vielen Störfaktoren, die mit dem Block vermengt sind, aktiv sind. Ich nenne dies die Disaggregation des Blocks.
Betreff: Wenn Sie einen Block als festen Effekt in ein gesättigtes Modell einpassen und sein Effekt nicht signifikant ist, nachdem Sie ihn durch schrittweise Regression reduziert haben, müssen Sie ihn dann wieder zum Modell hinzufügen?Ich stimme @Victor_G zu, was das Belassen Ihres Zufallsblocks betrifft. Wenn Sie den Block als fixiert betrachten, können Sie mit und ohne den Block anpassen und Ihre anderen relevanten Parameterschätzungen vergleichen, um zu zeigen, ob und wie die Einbeziehung/der Ausschluss des Blockierungsfaktors diese anderen Schätzungen verzerrt.
Wenn Sie den Block als zufällig behandeln und mit und ohne Anpassung den Fehler vergleichen, weist das Modell mit dem Block in den meisten Fällen weniger Fehler auf, da die Einbeziehung des Blockierungsfaktors einen Teil der unerklärten Varianz „übernimmt“. Ich sage „in den meisten Fällen“, weil ich glaube, dass eine negative Schätzung der Varianzkomponente das Gegenteil bewirken würde, bin mir da aber nicht ganz sicher.
Betreff: Wenn Sie einen Block als festen Effekt in ein gesättigtes Modell einpassen und sein Effekt nicht signifikant ist, nachdem Sie ihn durch schrittweise Regression reduziert haben, müssen Sie ihn dann wieder zum Modell hinzufügen?Zu Ihrer Information, Victor: Phil hat in seinem Blogbeitrag auf meine Frage geantwortet und ebenfalls vorgeschlagen, den zufälligen Blockeffekt im Modell zu belassen, auch wenn er nicht signifikant ist.
