回复：DSD 分析中的高 RMSE如果存在主動效應，為什麼您會期望響應服從正態分佈？
回复：DSD 分析中的高 RMSE我的意思是響應的分佈。
回复：DSD 分析中的高 RMSE你的意思是殘差的正態分佈，對吧？
很高興您找到了解決方案！
回复：DSD 分析中的高 RMSE只是告訴你我們最後是如何解決這個問題的。 我們嘗試了不同的數據轉換，因此我們可以獲得更多的正態分佈，在整個響應範圍內具有更恆定的方差。 當我們分析變換後的響應時，我們可以檢測到更多的影響（主效應和二階效應）。
回复：DSD 分析中的高 RMSE我上一篇文章的一個更正：我的意思是我們將重複中央運行兩次，而不是第二次運行（對於有點混亂，我深表歉意）。
無論如何，中央運行還應該涵蓋您提到的所有要點（注意事項）。
由於我們將重複中央運行，我們希望中央運行的可變性將是整個設計可變性的最佳（我們可以重複的 17 次運行中的最佳）近似值。 此外，我們希望我們設計的 RMSE 也會下降，因為模型中會有更多的運行。 如果 RMSE 的下降大到足以檢測到一些新的影響，我們就不必僅基於 3 個數據點來估計方差。
回复：DSD 分析中的高 RMSE這是一個開始。 關於這些重複運行的一些注意事項：您會假設可變性在設計空間內是恆定的（換句話說，運行 #2 代表所有其他實驗條件）。 重複運行的可變性是否捕獲了運行初始設計時遇到的所有可變性來源（操作員是否改變？儀器改變？設置改變？）。 您在僅基於 2 或 3 個數據點估計方差時感覺如何？ 這基本上就是你在做什麼。
回复：DSD 分析中的高 RMSE是的，我們知道測量也可能是問題所在。 每次我們對每個樣本進行至少 3 次重複測量（顯示出相對較低的方差係數）。 我們在激光衍射分析方面遇到了一些問題，這可能會提高某些響應中的 RMSE，但不包括激光衍射分析的響應中的 RMSE 也有點高，但沒有那麼高。
回复：DSD 分析中的高 RMSE謝謝你的好主意。 我們決定將第二次運行重複兩次，因此我們將查看一次運行中的變異是否也很高，或者只是在整個模型中。 然後我們將新的運行添加到模型中並查看 RMSE 是否更低。
這對你有意義嗎？
回复：DSD 分析中的高 RMSE最後的評論是一種不同的方法。 由於您的 RMSE 較高，您可能希望進行測量系統研究。 可能 RMSE 高是因為可能需要首先改進測量系統。 在添加更多實驗運行之前，可能需要考慮這一點。
回复：DSD 分析中的高 RMSE我還想提醒您，如果可以執行更多運行，您可以使用定制設計來增強您的初始實驗。 你之前提到你沒有資源做更多事情，但我還是想提一下，以防以後有可能。 新運行將添加到您已有的 DSD 中。
回复：DSD 分析中的高 RMSE您的模型在給定此數據樣本和模型選擇的客觀過程（擬合確定性篩選）的情況下是最好的。
您可以嘗試重新運行其中一些條件，看看 RMSE 是否真的那麼高。 也許相反，您擁有同一過程的一些歷史數據，可以重新分析這些數據以確定 RMSE。 它可能真的很高，不一定是有偏見的模型的產物。
放棄 Fit Definitive Screening 分析的另一種選擇是 Analyze > Fit Model > Loglinear Variance。 該分析迭代地擬合兩個收斂模型：一個用於均值，另一個用於方差。 您可以使用此分析來查看是否是設計因素之一造成的。 不幸的是，DSD 的經濟狀況可能無法進行很好的分析，但值得一試。
請參閱幫助 > 書籍 > 擬合線性模型。 有一章專門分析這個問題。
回复：DSD 分析中的高 RMSE是的，你提出了一些很好的問題，基本上回答了我的問題。 我明白你的意思。
所以看起來，我的模型沒有構建得盡可能好，因此 RMSE 很大。 我仍然可以檢測到對模型影響最大的主要因素，但不幸的是我無法檢測到任何第二個因素的交互作用。 當然，一種選擇是，它們不存在，但另一種更可能是，它們太小而無法用如此高的 RMSE 檢測到。
再次感謝你的幫助。
丹尼爾
回复：DSD 分析中的高 RMSE顯然，如果您能夠在分析中添加虛假因素，那麼您就是“被允許的”。 “（你）得到的結果仍然是正確的和值得信賴的”，但它們是什麼意思？ fake-factor-turned-real-factor 代表什麼？ 您是否使用此設計列來設置因子水平？ （沒有。）這些因素水平是多少？ 你為什麼要把它包括在分析中？
您可以將任何列添加到模型矩陣並為其估計線性參數，只要該列不與用於估計模型中另一項的列混淆即可。 如果混淆了，那麼這兩列只是同一列的別名。 該組合在回歸的投影矩陣中產生奇點。 這樣的組合是不允許的。 JMP 嘗試估計盡可能多的未混淆參數（直到模型矩陣的秩）並將其餘參數歸零。
結果不同的原因是，如果你在模型中明確包含一個假因子，那麼它在分析中就不再是假因子，也不再像以前那樣用於估計 RMSE。
回复：DSD 分析中的高 RMSE感謝您的回答和您的努力。
我只有一個答复，因為其他幾點我現在已經很清楚了。
7. 是的，從數學上講，這是有道理的。 我只是不知道我是否被允許在 Fit Definitive Screening 中這樣做（所以，我得到的結果仍然是正確和值得信賴的）。 我覺得很奇怪，結果是不同的，然後當我在我的選擇中不包括假因素時，因為擬合最終篩選以兩種方式從假因素計算初始 RMSE。
你對此有什麼解釋嗎？
回复：DSD 分析中的高 RMSE我剛剛在單擊“發布”時丟失了我的回复，我現在必須離開去旅行，但我會嘗試快速重新獲取我的回复。
- 您了解功效是顯著性、方差、效應大小和样本大小的函數。 使用 RMSE 和係數的默認值不太可能為特定情況提供功效分析。
- 如果效應量很大且二階效應很少，您的 DSD 應該能夠找到多達六個具有高功率的主效應。 我之前的評論是籠統的。 它可能沒有多大價值，因為它取決於很多屬性。
- 您還可以將兩種非水溶劑和水作為三個混合因子（成分）包括在內，並直接對它們進行建模。 我不知道使用蠕動泵是否是大 RMSE 的原因。
- 完全隨機運行 - 檢查！
- 不受控制的外部因素沒有問題 - 檢查！
- 較大的 RMSE 仍然無法解釋 - 檢查！
- 一般來說，向線性回歸模型添加附加項會降低 RMSE，即使這些項並不顯著。 否則，歸因於每個新項的平方和將轉到誤差平方和。
回复：DSD 分析中的高 RMSE感謝您的全面回答和解釋。 他們對我很有幫助。 我會盡力澄清任何不確定性並回答您提出的問題。 為了避免混淆，我會用數字標記答案。
1. 在“評估設計”部分中，我為統計顯著性輸入了 0.05，為預期係數輸入了 1，為 RMSE 輸入了 1。 我在實驗之前輸入了這些值，因為我沒有得到關於我可以期望的 RMSE 或預期係數的信息。 我獲得了 0.92 的冪（見下面的評估設計照片）。 我知道只有當 RMSE 真的在 1 左右時才會有這種功效，我只是想證明設計在實驗之前看起來不錯。 當然，如果我輸入我得到的 RMSE 值和預期係數，功效會低得多（見下面的照片評估設計 2）。
2. 我不確定，但我預計大約有四個主要影響是活躍的。 然而，Jones 先生和 Nachtsheim 先生在 2016 年的一篇文章中指出 (Bradley Jones & Christopher J. Nachtsheim (2016)：Effective
最終篩選設計的基於設計的模型選擇，技術計量學），在具有 6 個因素和 4 個額外運行的 DSD 分析中（使用 DSD 分析的新方法）所有 6 個主要因素都可以檢測到 0.99 的冪。 如果我查看該數字，我不會在許多活躍的主效應中看到問題。 或者我錯過了什麼？
3. 是的，這個實驗包含混合物成分。 其中一個因素是非溶劑體積與最終體積之比（在最終體積中我們有非溶劑和水）。 使用蠕動泵，我將溶液添加到非溶劑中。 你認為讓這個比率保持不變會更好嗎？ 我認為這可能是 RMSE 較大的原因。 但是，我不能做更多的實驗，所以如果可能的話，我需要緩和這個問題（如果是這樣的話）。
4. 是的，這個實驗是完全隨機的。 我沒有很難改變的因素，我在實驗過程中對因素的控制也比較好。
5. 我知道還有其他因素會影響響應。 但是，我試圖控制所有可能的因素，所以我在這裡的實驗中沒有發現大問題。
6. 你是對的，產量最高的運行是離群值。 從學生化殘差中也可以清楚地看出這一點（見下面的殘差照片）。 然而，當我查看其他響應的殘差分析時，異常值不存在，但 RMSE 仍然很大。 所以我認為，大 RMSE 需要有一個額外的原因。
7. 我還有一個新問題。 當我使用 Fit Definitive Screening 進行分析時，我注意到，如果我在分析中包含假因素，RMSE 會更低。 （請參閱下面帶有虛假因素的照片分析。 左側是我得到的估計值，右側是響應和因子的選擇）。我可以這樣做嗎？
謝謝。
丹尼爾
回复：DSD 分析中的高 RMSE感謝您對您的情況和問題的詳細解釋。 我們會根據您的解釋盡力幫助您。
是的，教程示例和您的實驗之間最大的區別是 RMSE。 這種差異意味著較低的功率。 這意味著噸用於測試參數估計值與零的比率對於等效估計值將小 9.6 倍，因此具有更高的p -價值觀。 （這種減少噸比例或增加p -value 相當於較低的功率。）
您為統計顯著性 (0.05)、RMSE (1) 和預期係數 (1) 輸入了哪些值來確定功效？ 那就是問，權力對什麼結果有利？ 你為你的設計獲得的力量是什麼？
RMSE 是對響應標準差的估計。 這是依賴於模型. 它假設
- 線性回歸模型是正確的（無偏）
- 它僅包括響應的隨機誤差
- 響應的方差在整個響應範圍內是恆定的。
如果您的模型不包含主動（非隨機）效應的項，則對響應的貢獻將與 RMSE 的估計值合併並使其膨脹。
請記住，正態分佈的響應的均值和標準差通常是響應的獨立屬性。 也就是說，標準偏差 (RMSE) 不依賴於均值。 參數估計值用於均值響應模型，因此您不能根據參數估計值的大小期望任何 RMSE。
讓我們回顧一下篩選的主要原則:
- 效果的稀疏性：有很多潛在因素（及其影響），但事實上，大多數是不活躍的（參數為零）。
- 效果層次：響應中的大部分變化是一階，第二大影響是二階，依此類推。
- 效應的遺傳：任何高階效應都由表現出低階效應的相同因素表現出來。
- 設計投影：設計通過相關性限制了對所有潛在參數的估計，但隨著從模型中移除非活動因素及其非活動影響，相關性減少或消除。
您預計六個因素中有多少是活躍的？ 它不應超過兩個或可能三個，否則任何篩選設計都會失敗。
篩選設計主要用於支持一階模型。 （篩選不是關於優化因素，而只是關於篩選極少數因素。 DSD 是特殊的，因為它減少了您可能必須擴充以支持優化所需的更複雜模型的可能性。）化學過程（如結晶）的響應可能會表現出二階效應，如相互作用和非線性。 這些影響可能會使一階模型中的參數估計產生偏差，儘管 DSD 是一種別名優化設計，可以最大限度地減少這種相關性。
幾個結束的想法：
- 這項研究是否包括混合物成分？ 我想知道一起使用的溶劑。 這種情況可能需要不同的設計（定制設計）。
- 這個實驗是完全隨機的嗎？ 這意味著您在每次運行前重置每個因素。 另一種問法是，你有難以改變的因素嗎？ 這種情況需要不同的設計（裂區設計）。如果你有難以改變的因素並且沒有完全隨機化實驗，那麼你將影響 RMSE。 反過來，它也會增加難以改變的因素測試的I類錯誤率和容易改變的因素測試的II類錯誤率。 這可以解釋缺乏顯著影響。
- 除了實驗中變化的六個因素之外，還有其他因素嗎？ 在選擇六個因素進行研究之前，您是否確定了每個響應的所有因素？ 在運行期間如何控制這些外部因素？ 不受控制和未考慮的影響要么會導致隨機變化，要么如果它們與研究中的因素水平相關，或者會導致估計偏差。
- 您是否進行了任何殘差分析？ 是否有任何數據問題或違反線性回歸模型假設的跡象？ 與較大的數據集相比，經濟設計的殘差分析更困難，但仍然很有價值。 看來產量最高的運行可能是異常值。 此運行可能會對估計值產生異常高的影響。 它可以增加 RMSE。
這就是我目前能想到的。 希望其他專家能給出更多的想法。
為什麼 DSD 分析中的 RMSE 如此高你好，
我是 DOE 和最終篩選設計的新手，這就是為什麼我對 DSD 分析有一些疑問。 我正在使用 JMP 13。
我想找到球形結晶過程中的重要因素。 我在三個級別上使用 6 個因子進行了最終篩選設計，並進行了 4 次額外運行（2 個假因子）。 我正在測量幾種不同的反應。 設計評估向我表明，我具有良好的統計能力。 然而，當我嘗試使用 Fit Definitive Screening 分析結果時，我沒有得到或最多得到一個顯著的主效應。 因此，我也沒有得到任何顯著的二階效應（參見下面添加的照片，右）。 我認為原因是 RMSE 非常高。 我正在學習如何根據 JMP 教程中顯示的示例進行擬合最終篩選（文件提取 3，請參閱下面添加的照片，左側）。 當我分析該示例時，我得到了與教程中所示相同的結果。 我還注意到，在分析提取 3 時，RMSE 低得多，儘管提取 3 中的響應和我的實驗中的響應大小大致相同，因為這兩個響應都是產量。
我不明白 RMSE 的差異怎麼可能這麼大。 如果您查看主效應圖中的分佈，您可以看到，我的實驗中的分佈與提取 3 中的分佈相似，甚至更窄一些。 我還使用 Fit Y by X 工具計算了 RMSE，其中提取 3 中的 RMSE（大約 20）比我的實驗中的 RMSE（大約 18）更大。 這就是為什麼 Fit Definitive Screening 的分析看起來會有所不同。
我錯過了什麼嗎？
在擬合最終篩選之前，我應該對我的數據進行一些預分析過程嗎？
或者我真的有一個大 RMSE 的實驗嗎？ 如果是這樣，有可能解決這個問題嗎？
謝謝。
丹尼爾
實驗設計
