<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />總之，我試圖對 DOE 設計評估中相關圖上的顏色圖提出一個很好的定性解釋。到目前為止，我最好的解釋是，它是衡量兩種效果的可區分性的指標。例如，對於下面的相關圖，我們可以說主效應 x1 和 x2 不相關，但效應 x1*x1 和 x2*X2 的相關值接近 0.5。
如果我說這意味著 x2*x2 效應（或擬合係數）中 50% 的能量可能會滲入 x1*x1 效應，反之亦然，那麼與現實有多接近？這增加了方差，當然也增加了所做預測的置信區間。
你會如何解釋呢？
提前致謝，
正交
我諮詢了美國能源部的一位專家，他的回覆在下面。 我的解釋：底線是相關矩陣中的數字無法定量解釋。 它們僅建議您可能在“實際”度量（別名矩陣和方差膨脹因子）中發現問題的位置。 這是因為相關矩陣基於設計矩陣乘以轉置矩陣，但估計是基於其逆矩陣。 只有當矩陣非常稀疏時，數字在估計中才會有直接對應關係，因為在這種情況下逆矩陣很簡單。
相關性顏色圖是由設計矩陣（如果您在製作數據表之前選擇保存 X 矩陣，則為表屬性）產生的相關性，對於檢查設計的非正交程度非常有用。 要量化這種相關性如何體現，取決於如何處理效果 - 我們可以在設計評估中查看。
如果這兩項都在模型中，則這些效應估計和預測方差的方差將會增加 - 要查看效應估計與完全正交設計（可能不存在）相比的差異，請查看“設計評估”並檢查方差通貨膨脹因素(JMP 10) 或估算效率(JMP 11)。
如果未估計效果，則會導致估計效果出現偏差。 通過設計評估下的別名矩陣可以看到效果如何存在偏差。
Goos 和 Jones (2011) 的第二章對此進行了非常好的討論。
相關性顏色圖非常適合直觀地了解設計的正交性（甚至可以使用相關性作為度量），但混疊和估計效率都涉及 (轉置(X) * X) 的逆，這就是為什麼如果試圖以這種方式量化它，應該考慮其他診斷。
