Gemischtes Modell mit ZufallseffektenHallo,
Ich erstelle ein DoE-Modell. Allerdings ist der R²-Wert für die Modellanpassung nicht gut. Dies könnte an der analytischen Messreihenfolge der Proben liegen, die die Messdaten beeinflusst. Ich habe die „Analytische Sequenz – Serie“ als Zufallseffektfaktor in das Modell aufgenommen. Der prozentuale Anteil dieses Faktors ist im Modell recht hoch. In anderen Modellen ist er niedriger. Ab welchem Wert sollte der Zufallseffekt als Hauptfaktor im Modell berücksichtigt werden?
JMP meldet, dass der R²-Wert für das gemischte Modell nicht berechnet wird. Ich konnte keine Informationen darüber finden, warum das so ist.
Ich habe @martindemel hinzugefügt, da ich eines der Modelle mit ihm besprochen hatte. Nun habe ich weitere Fragen zu diesem Thema erhalten.
Danke schön.
Mit freundlichen Grüße,
Chethana
Grundlagen der Datenanalyse und ModellierungVersuchsplanungBetreff: Gemischtes Modell mit ZufallseffektenHallo @Coverbird30 : Die Antwort auf Ihre erste Frage „Ab welchem Wert sollten wir den Zufallseffekt als Hauptfaktor im Modell berücksichtigen?“ lautet: Es kommt darauf an. Könnten Sie bitte genauer beschreiben, um welche Daten es sich handelt, wie sie erhoben wurden, welche Ziele verfolgt werden usw.?
Ihre zweite Frage betrifft das vorhergesagte R² und dessen Nichtverfügbarkeit für gemischte Modelle (wenn Ihre Methode REML ist). Die Leave-One-Out-Residuen (und damit das vorhergesagte R²) werden aus den Diagonalelementen der Hat-Matrix mittels der Methode der kleinsten Quadrate berechnet. Wird die Methode der kleinsten Quadrate (und EMS für Varianzkomponenten) nicht zugunsten von REML verwendet, existiert keine Hat-Matrix … und somit auch kein R² usw.
Mehr zur Hutmatrix weiter unten.
https://stats.stackexchange.com/questions/410443/how-to-use-press-statistic-for-model-selection
https://en.wikipedia.org/wiki/Projection_matrix#Ordinary_least_squares
https://math.stackexchange.com/questions/3895869/standardized-residuals
Betreff: Gemischtes Modell mit ZufallseffektenHallo @Coverbird30 ,
Um es klarzustellen: Fragen Sie, ab welchem Prozentsatz des Gesamtwerts Sie Ihren Faktor als festen Effekt in Ihr Modell aufnehmen möchten? Oder fragen Sie, ab welchem Prozentsatz des Gesamtwerts der Zufallseffekt als signifikanter Zufallseffekt betrachtet werden sollte?
Im ersten Fall hängt die Entscheidung, einen Effekt als zufällig oder fix zu modellieren, stark vom Kontext ab. Im zweiten Fall gibt es keine formale Aussage, die diese Frage beantwortet.
Betreff: Gemischtes Modell mit ZufallseffektenHallo @Coverbird30 ,
Was genau meinen Sie mit „ In anderen Modellen sind sie niedriger“ in Bezug auf die Zufallseffekte? Könnten Sie uns den Datensatz zur Verfügung stellen, damit wir ihn genauer untersuchen können? Die Summe der Prozentwerte beträgt immer 100 %, daher ist sie nicht immer ein zuverlässiger Indikator. Der Wald-p-Wert ist ein guter Indikator dafür, ob der Zufallseffekt signifikant ist (was hier nicht der Fall zu sein scheint), obwohl der Unterschied zwischen dem zugehörigen Prozentwert des Zufallseffekts der Reihe und dem des Residuums recht groß ist.
Eine Möglichkeit besteht darin, ein Fixed-Effects-Modell und ein Random-Effects-Modell zu vergleichen, indem man die BIC/AIC-Werte vergleicht, um festzustellen, welches Modell besser geeignet ist.
Ich würde auch darüber nachdenken, ob Sie die 'Serie' weiter dem Teil, dem Analytiker oder dem Messsystem zuordnen können, da Ihnen dies ermöglicht, mehr Tests mit der Messsystemanalyse durchzuführen und die in Ihrer Studie vorhandenen wahren Zufallseffekte zuzuordnen.
Danke,
Ben
Betreff: Gemischtes Modell mit ZufallseffektenEntschuldigung, ich bin etwas verwirrt von Ihrer Terminologie und Ihrer Situation. Führen Sie eine erklärende Untersuchung oder ein prädiktives Modell durch? Was meinen Sie mit „Ich erstelle ein DOE-Modell“? Meinen Sie, dass Sie ein Modell anhand von Daten aus einem Experiment erstellen? Denn wenn Sie ein Experiment durchführen, sollten Sie bereits ein hypothetisches Modell im Kopf haben. So bestimmen Sie, welche Experimente durchgeführt werden müssen. R² ist nur eine von vielen Statistiken, die zur Verfeinerung des Modells verwendet werden. Die wichtigere Statistik ist die Differenz zwischen R² und dem korrigierten R². Diese gibt Aufschluss darüber, ob das Modell überspezifiziert ist (z. B. durch die Einbeziehung insignifikanter Terme).
Haben Sie Probleme mit Ihrem Messsystem oder ändert sich Ihre Versuchseinheit im Laufe der Zeit? Das führt zurück zu meiner ersten Frage. Wenn Sie ein Erklärungsmodell entwickeln, kann der Zufallseffekt im Modell hilfreich sein. Für Vorhersagemodelle ist er deutlich weniger nützlich.
