JMP 10 arrive en mars. Dans mes prochains articles, je prévois de partager les principales nouvelles capacités dans le domaine de la conception expérimentale . La plus visible de ces nouvelles fonctionnalités est l’élément Evaluer la conception dans le menu DOE.
Que fait la fonctionnalité d'évaluation de la conception?
Evaluer la conception vous permet d'afficher les diagnostics de conception pour toute table de données comme s'il s'agissait d'une expérience conçue.
Pourquoi quelqu'un voudrait-il faire cela?
J'ai entendu deux raisons courantes de vouloir cette fonctionnalité. Premièrement, il existe de nombreux modèles dans les manuels, et il est souhaitable de comparer les capacités du modèle à la conception algorithmique. JMP produit. Deuxièmement, il arrive souvent qu'un analyste obtienne des données d'un collègue et cherche à savoir si les données peuvent prendre en charge de manière adéquate diverses possibilités de modèle.
Que diriez-vous d'un exemple?
Les données du tableau ci-dessous ont été rapportées par Longley dans le Journal de l'American Statistical Association en 1967. Les données sont des données économétriques. La réponse, Y, est une mesure de l’emploi total. Les colonnes X1 à X6 sont les facteurs. Vous pouvez probablement deviner, par exemple, que X6 est en réalité une année civile.
Une chose à propos des données économétriques est que les variables sont souvent corrélées. Bien entendu, ces données ne sont pas le résultat d'une expérience conçue. Néanmoins, nous pouvons utiliser les diagnostics de conception pour montrer pourquoi il est vraiment difficile de déterminer lequel des six facteurs détermine réellement la réponse.
Vous pouvez trouver les données Longley dans le fichier Longley.jmp du dossier Sample Data de JMP. La première chose que nous voyons après avoir saisi X1-X6 en tant que facteurs et Y en tant que réponse dans la boîte de dialogue de lancement est une fraction du tracé de l'espace de conception. Les points sur la ligne bleue dans le graphique montrent la fraction du volume couvert par les données dont la variance relative de prédiction est inférieure ou égale à la valeur tracée. Par exemple, la ligne verticale tombe sur l’axe des abscisses à 0,5. La ligne horizontale coupe la ligne verticale en un point de la courbe bleue et atteint l’axe des Y à environ 100. L'interprétation de ceci est que la moitié du volume d'espace couvert par les données a une variance relative de prédiction inférieure à 100. Inversement, la moitié du volume présente également une variance relative de prédiction supérieure à 100.
Alors est-ce mauvais ou bon?
En fait, c'est terrible! Il y a 16 lignes dans la table. Si vous pouviez contrôler X1 à X6 et réaliser une conception optimale, la variance de prédiction relative la plus défavorable serait de 0,4375. Ainsi, dans la moitié de la région de Longley, nous obtenons une variance prédictive plus de 200 fois pire que la combinaison de facteurs la plus mal prédite tirée d’une expérience bien conçue.
La prévision est donc mauvaise - qu'en est-il de l'estimation des paramètres?
Le tableau ci-dessous montre les VIF (facteurs d'inflation de la variance) permettant d'estimer les coefficients du modèle à effets principaux. Pour une conception orthogonale, le VIF pour chaque coefficient est égal à 1. Nous pouvons voir qu'en raison de la mauvaise conception des données, la variance des paramètres inconnus est autant que 2009 fois pire que pour une conception orthogonale.
Quelle est la cause de ces mauvais diagnostics?
L'ouverture du nœud de contour de la palette de couleurs sur les corrélations dans le rapport d'évaluation de la conception révèle la figure ci-dessous. Il est facile de voir que X1, X2, X5 et X6 sont presque parfaitement corrélés. Des corrélations élevées entre les facteurs entraînent une variance de coefficient élevée et une variance de prédiction élevée.
Les économistes doivent traiter les données économétriques au fur et à mesure. Les gouvernements ne mènent pas d'expériences conçues sur les économies nationales. En regardant ces diagnostics, nous pouvons comprendre pourquoi il est difficile de dire pourquoi les indicateurs économiques évoluent comme ils le font.
Une des raisons pour lesquelles Longley a écrit son article était pour souligner les difficultés d'interprétation des résultats de régression multiple avec des données historiques comme celle-ci. Heureusement, tirer des conclusions d'expériences bien conçues est beaucoup plus simple.
URL a écrit:
... [Retracer]...
[...] Vous y trouverez 60555 plus d'infos: blogs.sas.com/content/jmp/2012/02/06/new-in-jmp-10-for-experiment-design-evaluate-design/ [.. .] ...
Dix bonnes choses à propos de JMP 10 - JMP Blog a écrit:
[...] et les répliques sont modifiées. En plus de ces améliorations apportées à Custom Designer, une nouvelle plate-forme Evaluate Design vous permet d'évaluer toute table de données JMP traitée en tant que conception, de modifier le modèle et les termes d'alias, et de voir [...] ]
