透過前向逐步迴歸選擇模型建構中的因素你好！
我在碩士論文中使用 JMP 13 來建立統計模型。 我是建立模型的新手，所以如果我的問題看起來有點基本，我會提前道歉，但任何形式的幫助對我來說都意義重大。
在我的碩士論文中，我做了一個明確的篩選設計（6個因素+2個假因素，7個回應，17次運行）來研究一些過程。 完成所有必要的實驗和分析後，我使用 Jones 和 Nachtsheim 在 2016 年提出的兩種分析方法（DSD（EMS）方法的有效模型選擇或前向逐步迴歸（FSR））分析了收集的數據。 他們說EMS 通常是首選，但如果主動效應的數量不超過運行次數的一半，並且最多有兩個主動雙向交互作用或最多有一個主動二次效應，FSR 就可以充分執行（DOE 指南第11 頁） 。257）。 這些條件適用於我們所有的回應。
我對使用 FSR 方法選擇模型建構因素有一些疑問。 我在以下條件下進行了 FSR：
停止規則：最小 AICc
方向：前進
規則：合併
FSR 選擇了一些因素，我用標準最小平方法製作了一個模型。
這是我的第一個問題：
在效果摘要（請參閱下面的照片效果摘要 1）中，我注意到因子 Temp (5,25) 的 PValue 為 0,16260。 我知道由於組合規則而包含此因素（Temp. 包含在交互 Konc.lakt*Temp. 中，其 PValue 低於 0,05）。 Temp. 的型號是否有必要？包含在內，或者我可以在沒有它的情況下建立模型，儘管 Temp.包含在互動中嗎？ 如果溫度。已刪除，JMP 不斷警告我，Temp.不見了。
我還注意到，如果刪除 Temp，模型不會發生太大變化。作為一個因素，這是有道理的，因為 P 值很高，我將其理解為該因素微不足道的標誌。 （或者我錯了？）。 其他包含的因子的 PValue 也發生了變化，因此現在因子 Konc.lakt 的 PValue 也大於 0.05（我是否也應該排除它？）。
我比較了模型。 （請參閱下圖：簡化模型的預測圖 1 的實際值和非簡化模型的預測圖 2 的實際值）。 我將模型與圖片效果摘要 1 上的所有效果以及僅具有 PValue 低於 0.05 的因子的模型進行了比較（請參閱照片效果摘要 2）。 模型看起來非常相似，具有更多包含效果的模型具有更好的擬合度（這是有道理的），但不是非常好，殘差分析也非常相似，並且來自附加實驗的點，這些點沒有用於製作模型（藍色、紫色和綠色星星）處於相似的位置。 我在模型中保留不太活躍的效果是正確的嗎？ 我不這麼認為，因為這些影響不會對模型產生太大影響，因此將它們納入其中可能會產生誤導，並且我們可能會過度擬合模型。 或者我可能錯了？
如果我看另一個回應，我只得到一個值低於0.05 的因子，然後在模型中添加另一個因子會比前面的範例稍微改進模型（更好的擬合，更好的殘差分析），但仍然不是很好（請參閱下圖：未簡化模型的預測圖 3 的實際值和簡化模型的預測圖 4 的實際值）。 如果簡化模型中只剩下一個因素，情況會改變嗎？
感謝您提前做出的所有答覆和努力。
丹尼爾
回覆：透過前向逐步迴歸選擇模型建構中的因素是的，我每次測量都是這樣做的。 我還在適當的時候進行了轉換（更好的數據擬合和更好的殘差分析）。 您對我改進模型的其他建議有何看法？
回覆：透過前向逐步迴歸選擇模型建構中的因素很多時候，反應測試（測量）會執行多次 (3)，並對所得反應進行平均，以減少測量系統造成的誤差。
您可能還想查看 JMP 幫助以獲取有關模型轉換的信息
擬合線性模型>標準最小平方法報告和選項>因素分析> Box Cox Y 變換
回覆：透過前向逐步迴歸選擇模型建構中的因素這是一個好點。 我想是的，但我必須檢查一下。 該模型在其他一些響應中看起來要好得多，實際上我選擇了最糟糕的兩個模型，因為我想知道如何使這些模型更好。 響應可靠性是出於好奇而測量的，它應該作為一種好或壞的分析方法來衡量。 我覺得這個方法不太好...
我也在思考可以做些什麼來改進模型。 我想，如果分析方法不好，除了重複測量之外，沒有什麼可做的。 我還可以嘗試使用標準最小二乘以外的其他方法（例如對數線性方差）來建立模型嗎？ 我可以透過做更多的實驗來改進我的模型嗎？如果可以，我如何選擇模型將改進最多的因子值（如果可能的話）？ 有其他方法可以改進模型嗎？
回覆：透過前向逐步迴歸選擇模型建構中的因素謝謝你的回答，對我幫助很大。回覆：透過前向逐步迴歸選擇模型建構中的因素丹尼爾，
您的反應測試方法（即圓度和堅固度）是否具有足夠的能力？ 如果您在同一天和一段時間內多次分析樣品，您是否可以獲得可重複的結果。 我很好奇，因為一旦我們了解了測試方法的噪聲，我們經常會發現許多訊號都是從噪音中產生的。
回覆：透過前向逐步迴歸選擇模型建構中的因素對於你的第一個問題，這不是絕對必要的，但組合規則是為了尊重效應遺傳原則。消除主效應並在模型中保留包含該效應的交互作用通常是不好的做法。話雖如此，如果您確實將其刪除，則實際上是在說溫度對所有其他因素水平的平均影響為 0，但影響大小可以是非零，具體取決於其他因素的水平（透過互動）。
如果因素之間具有高度相關性，則 p 值可能會根據模型的輸入和輸出而發生巨大變化。既然你做了 DSD，你的主要效果應該都是完全正交的，所以我不認為這是發生的事情Konc.lakt。Alpha 等級並不神聖。如果 p 值很小，可以使用您的判斷。
我給你的另一個建議是，對於這種類型的設計，要慷慨地使用 alpha。DSD 沒有最大的統計能力，因為它們通常是非常經濟的設計。刪除一些真正重要的因素是很容易的。我寧願過度適應也不願意過度適應。您的模型在實際與預測 4 中似乎不適合。在設計空間內的幾個不同點上進行確認運行也是一個好主意，以確保您的模型提供合理的預測。
