Buena fracción de espacio, pero baja potencia de DoEHola comunidad JMP,
Estoy creando un diseño DoE con dos continuos, uno categórico (6 niveles) y otro categórico (2 niveles). Al crear un diseño D-óptimo para este estudio, observo que la potencia para detectar las interacciones que me interesan es bastante baja (coeficiente anticipado = 5, potencia = 0,61). Sin embargo, la fracción del gráfico de diseño se ve bastante bien. El 95 % de la fracción del espacio se encuentra por debajo de la varianza de predicción de 1,0.
¿Podrías explicar por qué la fracción del gráfico de diseño es buena mientras que la potencia del modelo es bastante baja?
Análisis y modelado de datos básicosDiseño de experimentosRe: Buena fracción de espacio, pero baja potencia de DoEConsideraciones importantes para la potencia son el número de ejecuciones y el diseño real. No se especificó ninguno, así que creé un diseño para los mismos factores y el mismo modelo utilizando el número predeterminado de ejecuciones (25). En este caso, la potencia es mejor que la que se mostró utilizando los mismos coeficientes previstos.
No estoy seguro de qué esperabas para la varianza de predicción relativa en este caso.
Re: Buena fracción de espacio, pero baja potencia de DoEHola,
Creo que mezclas las cosas.
Tanto los gráficos FDS como el análisis de potencia le indican algo sobre qué tan bueno es su DOE, pero miden cualidades completamente diferentes:
- Gráfica FDS → ¿Con qué precisión puede su modelo realizar predicciones en todo el espacio de diseño? ¿O qué tan confiables son las predicciones en la mayor parte de la región?
- Análisis de potencia → ¿Qué probabilidad hay de que su experimento detecte efectos reales dado el ruido y el tamaño de la muestra? ¿O podemos detectar con fiabilidad diferencias significativas?
Están relacionados porque ambos ayudan a decidir si su diseño es adecuado, pero operan en diferentes niveles del DOE.
- Potencia = 0,65 significa un 65 % de posibilidades de detectar un efecto del tamaño elegido.
- Si su curva FDS es alta (por ejemplo, 80 % del espacio < umbral de varianza), su diseño proporciona predicciones confiables en la mayor parte de la región.
El análisis de potencia se centra en la prueba de hipótesis, no en la precisión de las predicciones.
A continuación se muestran algunos ejemplos para que lo entiendas mejor:
Similitudes: Ambos dependen de la estructura de varianza del diseño. F DS → Varianza de predicción, mientras que Potencia → Varianza de efecto. Ambos se basan en el mismo elemento central: la matriz de diseño y el nivel de ruido .
Mejorar uno a menudo mejora el otro
Por ejemplo:
- Agregar réplicas reduce la varianza de errores
- aumenta la potencia
- reduce la varianza de predicción → mejora el FDS
- Cambiar a un diseño más óptimo (por ejemplo, I-óptimo)
- mejora la precisión de la predicción
- A menudo aumenta la detectabilidad del efecto (potencia)
Pero optimizan objetivos diferentes.
A veces uno mejora mientras que el otro no:
- El diseño AD óptimo puede maximizar la precisión de los parámetros pero producir una varianza de predicción promedio más pobre (peor FDS).
- Un diseño que distribuye los puntos (bueno para la potencia) puede dejar brechas de predicción en el espacio de diseño (peor FDS).
Espero que esto ayude a explicar por qué esto podría suceder.
