Selección correcta del modelo para factores de mezcla + factor de procesoEstimados
Desarrollé un diseño personalizado con JMP18 sobre pirólisis de biomasa y realicé un total de 30 experimentos. El diseño experimental consta de los siguientes factores (captura de pantalla adjunta):
Factores de mezcla:
(1) Contenido de celulosa
(2) Contenido de hemicelulosa
(3) Contenido de lignina
(4) Contenido de cenizas
(5) Otros (por ejemplo, proteínas)
Factores del proceso:
(6) Temperatura de pirólisis
Los factores de mezcla (1)-(5) suman 100%. También consideré las interacciones entre todos los factores, incluidas las de segundo orden.
Existe una alta multicolinealidad entre los factores (1)-(5). Descubrí que, en este caso, el modelo de mínimos cuadrados estándar no sería adecuado para identificar los factores relevantes para mi modelo, ya que no es robusto ante la multicolinealidad entre factores. ¿Qué enfoque de modelo elegiría?
A partir de la documentación técnica (adjunta) de Bernd Heinen, de SAS, concluyo que el enfoque del modelo Elastic Net podría ser adecuado, ya que es robusto a la multicolinealidad de factores. ¿Qué opina?
¡Muchas gracias por tu ayuda!
Saludos cordiales, Jannis
Modelado estadístico avanzadoModelado predictivo y aprendizaje automáticoRe: Selección correcta del modelo para factores de mezcla + factor de procesoHola @jgrafmu2 ,
Los diseños de mezclas son diseños de optimización, lo que significa que se construyen con un modelo supuesto que se puede ajustar a los experimentos realizados. El objetivo es obtener un modelo útil y predictivo que ayude a optimizar los factores de formulación y los parámetros del proceso, no a filtrar/seleccionar factores o efectos en el modelo basándose en valores p u otros criterios estadísticos (como los que ofrecen LASSO o los métodos de regresión penalizada).
Es completamente normal que exista multicolinealidad entre los factores de mezcla; la relación entre estos factores es predeterminada : X1+X2+X3+X4+X5 = 100% (o cualquier valor constante), debido a la situación de la mezcla. Dado que estos factores no son independientes, sino que están vinculados mediante esta restricción de mezcla, existirá multicolinealidad entre ellos, independientemente del análisis elegido.
El modelo de Mínimos Cuadrados es adecuado para el diseño de mezclas si se ajusta un modelo sin intersección : Elementos en la ventana de inicio de Ajuste del Modelo . Si se utiliza el script "Ajustar Modelo" ya presente en la tabla de datos una vez generado el diseño, la opción "Sin Intersección" debería estar marcada por defecto.
Debe comenzar con el modelo supuesto y, según su objetivo y criterio de decisión (rendimiento predictivo con RMSE, buena complejidad del modelo con criterios de información como AICc y BIC, buen rendimiento explicativo con R² y R² ajustado, etc.), puede refinarlo. Puede consultar este ejemplo en la documentación de ayuda de JMP; podría ayudarle a comprender cómo proceder con el análisis: Ejemplo de un diseño de mezcla con análisis.
Te podrían interesar las siguientes discusiones:
¿Cómo utilizar eficazmente el resumen de efectos para una DOE de mezcla?
Diseño personalizado: Combinación de variables de proceso. ¿Cómo evaluar el diseño?
Diseño de proceso de mezcla o diseño de superficie de respuesta
En relación con las diferencias en los rangos de variación de sus factores y la presencia de un factor de mezcla "Otros", también podría interesarle esta presentación Cuándo no realizar un experimento de mezcla.
Adjunto encontrará la tabla de datos recreada con su captura (la próxima vez agregue la tabla JMP, es más fácil comprender su tema y responder a sus preguntas).
