Se si adatta un blocco come effetto fisso in un modello saturo e il suo effetto non è significativo dopo averlo ridotto tramite regressione graduale, è necessario aggiungerlo nuovamente al modello?Questo articolo è stato pubblicato ieri sul blog di JMP, dove Phil Kay descrive la riduzione di un modello saturo con un effetto blocco. Sostiene che il blocco casuale dovrebbe essere aggiunto prima come effetto fisso in questo caso specifico, poi, dopo aver ridotto il modello tramite regressione stepwise, si dovrebbe riadattare il modello ridotto e aggiungere il blocco come effetto casuale. Nel suo esempio, il blocco era significativo dopo la riduzione del modello. Mi chiedo se il blocco risulti significativo, se ci sia un motivo per aggiungerlo nuovamente al modello come effetto casuale o se si possa semplicemente ometterlo del tutto.
https://community.jmp.com/t5/Phil-Kay-s-Blog/Selezione-del-modello-per-esperimenti-progettati-con-blocchi/ba-p/364531
Progettazione degli esperimentiR: Se si adatta un blocco come effetto fisso in un modello saturo e il suo effetto non è significativo dopo averlo ridotto tramite regressione graduale, è necessario aggiungerlo nuovamente al modello?Ecco i miei pensieri sul tema del blocco.
In primo luogo, il blocco è una tecnica per gestire quei fattori che non si è disposti a controllare. Io li definisco "rumore". Le ragioni per cui non si è disposti a controllare i fattori sono tre:
1. Non c'è capacità o tecnologia oppure il fattore è troppo complesso (ad esempio, aspettative del cliente, materiali forniti)
2. Il costo del controllo è proibitivo (ad esempio, le condizioni ambientali)
3. Sarebbe scomodo o poco pratico da controllare (ad esempio, variazioni nella fonte di alimentazione)
La scelta di trattare il blocco come un effetto fisso o casuale dipende dalla capacità di assegnare i fattori al blocco (fattori di confondimento con il blocco). Se si è svolta la due diligence e si sono identificati i fattori di rumore specifici, confondere tali fattori con il blocco consentirebbe di assegnare il blocco come effetto fisso (ciò consente anche di assegnare effetti blocco per fattore al modello per la valutazione della robustezza dei fattori). Se non si sono identificati i fattori di rumore specifici confondibili con il blocco, allora si tratta il blocco come un effetto casuale. Il blocco è una tecnica fantastica in quanto consente allo sperimentatore di aumentare lo spazio di inferenza senza influire negativamente sulla precisione del progetto.
Inoltre, non credo che il metodo graduale sia appropriato per costruire un modello in DOE. Si determina quale DOE eseguire in funzione del modello su cui si desidera approfondire l'analisi. Si dovrebbe utilizzare un approccio sottrattivo (non additivo) per il raffinamento del modello. Si inizia con un modello saturo (le proprie ipotesi) e si rimuovono i termini non significativi per determinare un modello ragionevole.
La tua domanda mi confonde: " Mi chiedevo se il blocco risulta significativo, c'è qualche motivo per aggiungerlo nuovamente al modello come effetto casuale o è possibile ometterlo del tutto?"
Se il blocco è significativo, significa che ci sono fattori di rumore confusi con il blocco stesso e che sono di interesse. È possibile disaggregare il blocco per determinare quali siano questi fattori specifici e quindi decidere di gestirli, oppure è possibile iterare per renderli robusti. Non si vorrebbe un modello con un effetto blocco, perché sarebbe assurdo (non è possibile gestire il blocco).
Ecco un articolo che potresti voler leggere:
Sanders, D., Leitnaker M. e McLean R. (2002) " Progetti di blocchi completi randomizzati negli studi industriali " Quality Engineering, Vol. 14, Numero 1
R: Se si adatta un blocco come effetto fisso in un modello saturo e il suo effetto non è significativo dopo averlo ridotto tramite regressione graduale, è necessario aggiungerlo nuovamente al modello?Ciao @mjz5448 ,
Non ho ancora guardato il video, ma penso che il punto di vista di Phil possa essere più sfumato di questo riassunto.
Ho sentimenti contrastanti (senza alcun gioco di parole) riguardo a questo possibile approccio.
La decisione di avere un effetto blocco fisso o casuale è nota prima dell'analisi, a seconda di come si considera questo fattore di blocco: se il livello può essere riproducibile o se i livelli sono gli unici di interesse, allora è possibile trattarlo come un effetto blocco fisso e influenzerà la media della risposta (bias). Se i livelli sono un campione di una popolazione più ampia o se non si è realmente interessati a questi due (o più) livelli particolari, ma alla variazione nella popolazione, allora trattarlo come un effetto casuale e influenzerà la varianza della risposta.
Per quanto riguarda la tua domanda specifica, credo che la domanda sia intesa nel caso di un effetto blocco casuale insignificante. L'effetto blocco casuale cattura una parte della variazione dovuta all'effetto blocco, quindi rimuoverlo aumenterebbe la varianza inspiegata dei tuoi esperimenti, con conseguenti stime degli effetti fissi meno precise e valori p più elevati. Anche se non statisticamente significativo, non rimuoverei l'effetto casuale dal modello, poiché è essenziale catturare parte del rumore sperimentale (variazione giornaliera, variabilità delle apparecchiature, ecc.).
Spero che questo chiarisca l'uso dell'effetto blocco casuale,R: Se si adatta un blocco come effetto fisso in un modello saturo e il suo effetto non è significativo dopo averlo ridotto tramite regressione graduale, è necessario aggiungerlo nuovamente al modello?
Scusate la confusione, volevo dire:
"Mi chiedo seil blocco NON risulta significativo, c'è qualche motivo per aggiungerlo nuovamente al modello come effetto casuale o è possibile semplicemente ometterlo del tutto?"
Cosa intendi con "disaggregare il blocco"?
R: Se si adatta un blocco come effetto fisso in un modello saturo e il suo effetto non è significativo dopo averlo ridotto tramite regressione graduale, è necessario aggiungerlo nuovamente al modello?Ciao Victor,
Hai ragione, volevo chiederti cosa fare se il blocco NON è significativo. Scusa per la confusione.
Quindi, anche se il blocco casuale non è significativo, in genere lo si lascia sempre nel modello? Il fatto che non sia significativo non significa che il rumore casuale non sia eccessivo? Mi chiedo se sia appropriato adattare i modelli sia con che senza l'effetto blocco e confrontare l'errore.
R: Se si adatta un blocco come effetto fisso in un modello saturo e il suo effetto non è significativo dopo averlo ridotto tramite regressione graduale, è necessario aggiungerlo nuovamente al modello?Il blocco, come qualsiasi altro termine nel modello, se ritenuto insignificante sia dal punto di vista pratico che statistico può essere rimosso dal modello. Naturalmente, tutti i termini rimossi dal modello saranno considerati nell'errore sperimentale che influenza i valori di p (che probabilmente aumenteranno con la riduzione dell'errore minimo).
Se il blocco è significativo, sarà necessario determinare quali dei possibili fattori di rumore confusi con il blocco siano attivi. Chiamo questa operazione "disaggregare il blocco".
R: Se si adatta un blocco come effetto fisso in un modello saturo e il suo effetto non è significativo dopo averlo ridotto tramite regressione graduale, è necessario aggiungerlo nuovamente al modello?Concordo con @Victor_G riguardo al lasciare il tuo blocco casuale. Se decidi di trattare il blocco come fisso, potresti adattarlo con e senza il blocco e confrontare le stime degli altri parametri di interesse per mostrare se e come l'inclusione/esclusione del fattore di blocco distorce queste altre stime.
Se si tratta il blocco come casuale e si adatta con e senza e si confronta l'errore, la MAGGIOR PARTE delle volte il modello con il blocco avrà meno errore poiché l'inclusione del fattore di blocco "assume" parte della varianza inspiegata. Dico "la maggior parte" perché credo che una stima della componente di varianza negativa farebbe l'opposto, ma non ne sono del tutto sicuro.
Re: Se si adatta un blocco come effetto fisso in un modello saturo e il suo effetto non è significativo dopo averlo ridotto tramite regressione graduale, è necessario aggiungerlo nuovamente al modello?Per tua informazione, Victor, Phil ha risposto alla mia domanda nel suo post sul blog e ha suggerito di lasciare l'effetto del blocco casuale nel modello, anche se non è significativo.
