你好，
我是 JMP 用戶，我有疑問
JMP 如何發現
執行 D OPTIMAL 後 DOE 的影響
設計。
例如，如果我有一個 16 次運行的設計，結果是
我只能執行13，那我可以使用D-OPTIMAL
找出要跳過的內容。
問題是我不知道是否唯一的方法
評估效果的重要性正在使用
透過普通最小平方法得出的 p 值
回歸。
如果是這樣的話我覺得就太簡單了
因為有貝葉斯替代方案
為此，我們可以進一步估計
缺失值。
我非常感謝有關此主題的反饋。
謝謝。
我認為您誤解了 D 最優設計的工作原理。 只能為您指定的模型建立 D 最優設計，而不能「選擇要跳過的運行」。
例如，假設我有 4 個因素，並希望擬合一個具有所有主效應和所有雙向交互作用的模型。 這將為我的模型提供 11 項（包括截距）。 D 最優設計將需要至少 11 次運行（這是 JMP 在設計創建過程中提供的最小運行次數）。 這是一個要求，因為 D 最優中的 D 指的是需要求逆的矩陣的行列式。
現在，如果我採取相同的情況，但將所有雙向交互列為“如果可能”而不是“必要”，您將看到最小運行次數下降到 5（僅攔截和主效應）。 執行此操作時，您實際上是在告訴 JMP 創建貝葉斯 D 最優設計。 在這種情況下，您無法使用主效應和所有雙向交互作用來擬合模型。 您將需要使用前向逐步回歸（或 JMP 提供的一些其他技術）來確定哪些雙向互動被視為「活躍」。
現在，也許您的問題更多是關於 16 次運行的 D 最優設計，該設計允許估計所有主效應和所有 2 向交互作用，但由於某種原因，3 次運行未完成。 對於這種情況，您有 13 次運行，這超出了所需的 11 次運行。 因此，普通最小二乘迴歸將起作用並為所有參數提供測試。 不幸的是，該設計對於 13 次運行並不是最優的，而是對於 16 次運行是最優的。 因此，參數估計值的多重共線性可能較高，參數估計值的變異數也較大。 這不是 JMP 限制，而是最小平方法迴歸的限制，無法完成最初設計的設計。
JMP 在這種情況下提供了替代方案。 您可以估算缺失值。 您可以嘗試以不同方式處理多重共線性和缺失值的替代建模技術（PLS、神經網路、分區模型等）。 如果您使用 JMP Pro，您甚至可以選擇更多擬合模型來以不同的方式處理這些情況。
但要非常小心，尤其是在估算缺失值時。 如果這是一個設計好的實驗，則每次試驗的選擇都會對結果產生很大的影響。 畢竟，您正在嘗試用最少的數據點獲取最多的資訊。 我不建議為設計的實驗估算值，因為沒有太多數據來確定適當的結構來準確地估算值，並且「彌補」結果將對模型產生很大影響。
