A Discussion of Alternative Ways of Modeling and Interpreting Mixture Data

Summary

Artikkelen presenterer og sammenligner ulike modeller for regresjon hvor noen av variablene er blandingskomponenter (mixture components) som kan summeres til 100 %. Tolkningen av parametrene avhenger av den valgte modellen. Det vises at noen av modellene er spesielt nyttige for å få informasjon om mulige effekter. Anbefalinger og advarsler med hensyn til bruk av noe regresjonsprosedyrer in enkelte standard statistikkpakker gis. Metodene kan bli brukt også når data ikke kommer fra en ideelt statistisk design. Artikkelen diskuterer også hvordan det er mulig å finne kombinasjoner av variable som kan gi sluttprodukter med gode prediktive egenskaper. Et eksempel fra karbonindustri der en benytter flere prosess variable og to ulike sett med blandingsvariable benyttes til å illustrere ideene. The article presents and compares different models for regression where some of the variables are mixture components. The interpretations of the parameters depend on the model used. It is shown that some of the models are particularly useful for providing information about possible effects. Recommendations and cautions regarding the use of some regression procedures in some standard statistical software packages are given. The methods can be used when the data do not come from an ideal statistical design. The article also discusses how it is possible to find combinations of the variables that will provide output with good predictive properties. An example from the carbon industry with several process variables and two different mixtures is used to illustrate some of the ideas.