Richtige Modellauswahl für Mischungsfaktoren + ProzessfaktorVerehrte Gäste
Ich habe mit JMP18 ein benutzerdefiniertes Design für die Biomassepyrolyse erstellt und insgesamt 30 Experimente durchgeführt. Das Versuchsdesign umfasst die folgenden Faktoren (Screenshot im Anhang):
Mischungsfaktoren:
(1) Cellulosegehalt
(2) Hemicellulosegehalt
(3) Ligningehalt
(4) Aschegehalt
(5) Andere (z. B. Proteine)
Prozessfaktoren:
(6) Pyrolysetemperatur
Die Mischungsfaktoren (1)-(5) ergeben zusammen 100%. Ich habe auch Wechselwirkungen zwischen allen Faktoren, einschließlich Wechselwirkungen zweiter Ordnung, berücksichtigt.
Zwischen den Faktoren (1)–(5) besteht eine hohe Multikollinearität. Ich habe gelernt, dass das Standard-Kleinste-Quadrate-Modell in diesem Fall nicht geeignet ist, die relevanten Faktoren für mein Modell zu identifizieren, da es bei Multikollinearität zwischen Faktoren nicht robust ist. Welchen Modellansatz würden Sie wählen?
Aus einer technischen Dokumentation (siehe Anhang) von Bernd Heinen (SAS) schließe ich, dass der Elastic-Net-Modellansatz geeignet sein könnte, da er robust gegenüber Multikollinearität der Faktoren ist. Was meinen Sie dazu?
Vielen Dank für Ihre Hilfe!
Mit freundlichen Grüßen, Jannis
Fortgeschrittene statistische ModellierungPrädiktive Modellierung und maschinelles LernenBetreff: Richtige Modellauswahl für Mischungsfaktoren + ProzessfaktorHallo @jgrafmu2 ,
Mischungsdesigns sind Optimierungsdesigns. Das bedeutet, dass sie auf einem angenommenen Modell basieren, das an die durchgeführten Experimente angepasst werden kann. Ziel ist ein nützliches und prädiktives Modell, das die Optimierung der Formulierungsfaktoren und Prozessparameter ermöglicht, nicht aber die Filterung/Auswahl von Faktoren oder Effekten im Modell anhand von p-Werten oder anderen statistischen Kriterien (wie sie beispielsweise LASSO oder penalisierten Regressionsmethoden liefern).
Multikollinearität zwischen den Mischungsfaktoren ist völlig normal. Aufgrund der Mischungssituation besteht zwischen diesen Faktoren per Versuchsplanung eine Beziehung: X1 + X2 + X3 + X4 + X5 = 100 % (oder ein beliebiger konstanter Wert). Da diese Faktoren nicht unabhängig, sondern durch diese Mischungsbedingung verknüpft sind, tritt unabhängig von der gewählten Analysemethode Multikollinearität zwischen ihnen auf.
Das Modell der kleinsten Quadrate eignet sich für Mischungsdesigns, wenn Sie ein Modell ohne Achsenabschnitt anpassen: Elemente im Fenster „Modell anpassen“ . Wenn Sie das bereits in Ihrer Datentabelle vorhandene Skript „Modell anpassen“ verwenden, nachdem Sie das Design generiert haben, sollte die Option „Kein Achsenabschnitt“ standardmäßig aktiviert sein.
Sie sollten mit dem angenommenen Modell beginnen und es je nach Zielsetzung und Entscheidungskriterien (Vorhersagegenauigkeit mit RMSE, gute Modellkomplexität mit Informationskriterien wie AICc und BIC, gute Erklärungsleistung mit R² und korrigiertem R² usw.) verfeinern. Ein Beispiel für ein Mischungsdesign mit Analyse finden Sie in der JMP-Hilfe.
Die folgenden Diskussionen könnten Sie interessieren:
Wie kann die Effektzusammenfassung für ein Mischungs-DOE effektiv genutzt werden?
Kundenspezifisches Design: Mischung mit Prozessvariablen. Wie bewertet man ein Design?
Mischungsprozessdesign oder Response-Surface-Design
Im Zusammenhang mit den Unterschieden in den Variationsbereichen Ihrer Faktoren und dem Vorhandensein eines Mischungsfaktors „Sonstige“ könnte Sie auch diese Präsentation interessieren : Wann man kein Mischungsexperiment durchführen sollte.
Anbei finden Sie die mit Ihren Daten neu erstellte Datentabelle (bitte fügen Sie beim nächsten Mal die JMP-Tabelle hinzu, damit lässt sich Ihr Thema besser verstehen und Ihre Fragen leichter beantworten).
