En mi post anterior , Hablé de las cantidades fundamentales que afectan la capacidad de un experimento diseñado Detectar efectos no despreciables de los factores. Estos son:
1) El tamaño del efecto.
2) El error cuadrático medio (RMSE) del modelo ajustado
3) El nivel de significación de la prueba de hipótesis.
4) El número de carreras.
Aquí, presento la nueva interfaz de usuario de Power Analysis en JMP 10.
¿Por qué hiciste un cambio?
Siempre es un poco arriesgado cambiar la interfaz de una característica existente del software, por lo que lo hicimos con cierta inquietud. Sin embargo, como verá, la nueva interfaz ofrece más capacidad y claridad (esperamos).
Entonces, ¿qué es diferente?
La Figura 1 muestra las interfaces JMP 9 y JMP 10 una al lado de la otra. El diseño que se está evaluando es un diseño ortogonal de dos niveles con seis factores y 12 ejecuciones.
Lo primero que notará es que el nombre del nodo de esquema ha cambiado de Relativo de varianza de coeficientes a Análisis de potencia. Dado que muchos profesionales deben demostrar que un diseño propuesto tiene la potencia adecuada antes de continuar, tener el Análisis de potencia fácilmente visible parecía una buena idea.
Tenga en cuenta que la potencia informada para todos los factores es la misma en ambas versiones, pero la relación señal / ruido es 1 en JMP 9 y 2 en JMP 10.
¿Que pasa con eso?
En JMP 10, hemos redefinido lo que entendemos por la señal en la relación señal / ruido. En JMP 9, la señal se definió como la magnitud del coeficiente de regresión en el modelo de ajuste. Ahora, para factores de dos niveles, definimos la señal como la magnitud de la diferencia en la respuesta pronosticada que va de un nivel a otro. En otras palabras, la señal es el efecto del factor. El efecto factorial es el doble del coeficiente de regresión para factores de dos niveles. Para que la potencia informada sea la misma, necesitamos duplicar la relación señal / ruido predeterminada. Por lo tanto, el tamaño del efecto predeterminado no ha cambiado, solo la definición de la relación señal / ruido.
¿Qué pasa con las otras diferencias?
Hay un cuadro de edición adicional para el error Grados de libertad en JMP 10. De forma predeterminada, este valor es la diferencia entre el número de ejecuciones y el número de parámetros. Hay una excepción a esta regla y es cuando el número de ejecuciones es igual al número de parámetros. En ese caso, en realidad no hay grados de libertad de error, y técnicamente no se puede probar el efecto de ningún factor, por lo que el poder quedaría indefinido. En este caso, "inventamos" un grado de libertad, de modo que podamos proporcionar algún valor significativo (aunque generalmente deprimentemente bajo) para el poder.
¿Cuál es la utilidad del cuadro de edición Error Degrees of Freedom? ¿No está cambiando ese número haciendo trampa?
No es trampa a menos que aumente el número de grados de libertad de error sin aumentar posteriormente el número de ejecuciones en el diseño para que coincida.
Hay dos usos para permitir el control de los grados de error de libertad.
Primero, al aumentar los grados de libertad de error, puede obtener una evaluación rápida y sucia de cómo aumentará la potencia si agrega corridas a su diseño. Y puedes averiguarlo sin generar un nuevo diseño.
En segundo lugar, puede utilizar los grados de libertad de error para obtener una imagen más precisa de la potencia para detectar el efecto de un factor de trama completo en un experimento de parcela dividida. Esto es algo que requiere scripts JSL en JMP 9.
¿Cómo funciona?
Considere un escenario con dos factores que son difíciles de cambiar de una ejecución a otra. Supongamos que tienes seis factores en total. Decides hacer 16 carreras en grupos de dos donde los factores difíciles de cambiar permanecen iguales en cada grupo. La figura 2 muestra la configuración del diseño personalizado.
Si hace clic en el botón Crear diseño, obtendrá un diseño ortogonal de parcela dividida. Antes de mirar la sección de Análisis de poder, recomiendo ir al menú del triángulo rojo y elegir Simular respuestas. Luego haga clic en el botón Crear tabla. Finalmente, ejecute el script de modelo en el panel superior izquierdo de la tabla resultante.
La Figura 3 muestra las estimaciones de parámetros de los datos falsos que generé. Las estimaciones de los parámetros no son importantes. Quiero llamar su atención sobre la columna de la tabla denominada DF Den.
X1 y X2 son los factores de la trama completa. Tienen 5 grados de libertad por error. X3 a X6 son los factores de subplot, y cada uno tiene 4 grados de libertad para el error.
Recuerde que el error predeterminado Grados de libertad es la diferencia entre el número de ejecuciones y el número de parámetros. En este caso, ese número es 9. La figura 4 muestra la interfaz de análisis de energía predeterminada.
Para obtener los valores correctos para la potencia de todos los efectos de la trama, debemos cambiar los Grados de error de libertad a 5. De manera similar, para los efectos de subparcela, deberíamos cambiar los Grados de error de libertad a 4. La figura 5 muestra el resultado de lado a lado.
Por lo tanto, la potencia para detectar los efectos de la trama completa en este diseño es de 0,463; vea los dos números superiores en el panel izquierdo de la Figura 5. La potencia para detectar efectos de subtrama es 0.843; vea los cuatro números inferiores en el panel derecho de la Figura 5. Este análisis asume que toda la varianza del gráfico y la varianza del error son las mismas (una suposición estándar).
¿Por qué no podía JMP hacer todo esto?
A menos que el diseño sea ortogonal, los grados de libertad mostrados en el análisis REML dependen de las respuestas observadas. Entonces, en general, no es fácil completar estos valores de antemano. Estén atentos para nuevas mejoras en JMP 11.
¿Hay otras diferencias?
El análisis de poder tiene una serie de columnas ocultas. La figura 6 muestra la tabla completa para el primer ejemplo. Usted agrega estas columnas a la pantalla haciendo clic derecho dentro de la tabla.
Las columnas adicionales proporcionan información que le permitiría realizar estos cálculos a mano utilizando un script JSL.
// Potencia = 1 - F Distribución ( F Crit, dfnum, dfdenom, nonCentrality ) ;
Potencia = 1 - F Distribución ( 6.608, 1, 5, 12 ) ;
Ejecutando las salidas de script JSL anteriores 0.789140997559235 a la ventana de registro.
¿Que sigue?
Hasta ahora solo he hablado de factores con dos niveles. Con más de dos niveles, la situación es más complicada. Ese será el tema de un futuro post.
Jake Warren escribió:
No estoy seguro de haber dicho lo que quería antes. Creo que esta palabra las declaraciones mejor.
En JMP 9: Potencia es la probabilidad de encontrar un parámetro de modelo significativo si el cambio en la respuesta media a través de los niveles de un factor (el tamaño del efecto) es 2 * X * Desviación estándar de error, o el coeficiente de regresión es X * Desviación estándar de error , donde X es la relación señal / ruido.
En JMP 10: Potencia es la probabilidad de encontrar un parámetro de modelo significativo si el cambio en la respuesta media a través de los niveles de un factor (el tamaño del efecto) es X * Desviación estándar de error, o el coeficiente de regresión es .5 * X * Error estándar Desviación, donde X es la relación señal / ruido. (Esencialmente, aquí, la relación señal a ruido es el doble de lo que era en JMP 9.)
Jake Warren escribió:
Entonces, para aclarar, ¿son estas dos interpretaciones correctas?
En JMP 9: Potencia es la probabilidad de encontrar un parámetro de modelo significativo si el parámetro del modelo es X veces más grande que la desviación estándar de error, donde X es la relación señal / ruido especificada. En otras palabras, la potencia es la probabilidad de encontrar un parámetro de modelo significativo si el cambio en la respuesta media a través de los niveles de un factor es 2 veces mayor que la desviación estándar de error.
En JMP 10: Potencia es la probabilidad de encontrar un parámetro de modelo significativo si el parámetro del modelo es .5X veces más grande que la desviación estándar de error, donde X es la relación señal / ruido especificada. En otras palabras, la potencia es la probabilidad de encontrar un parámetro significativo del modelo si el cambio en la respuesta media a través de los niveles de un factor es X veces más grande que la desviación estándar de error.
