使用Statistica和JMP Pro 12分析Plackett Burman的不同結果嘿!
我昨天才開始使用JMP Pro 12，目前我正在嘗試使用DOE功能。
在我的工作之前，學生在12個實驗中使用11個因子設計了Plackett Burman矩陣。獲得蛋白質濃度的實驗數據。使用Statistica分析這些實驗，得到4個顯著因子，p值低於0.01。現在我們正在使用JMP Pro，希望能夠更方便地使用它。但是，一旦我輸入數據並使用分析 - >建模 - >篩選工具，如大綱中所述，我最終得到的貢獻最多的4個因素，但p值超過0.3。知道我可能做錯了什麼，這些完全不同的結果是怎麼來的？
謝謝 ：）
Re：使用Statistica和JMP Pro 12分析Plackett Burman的不同結果篩選平台充當從數據到回歸分析的橋樑。其目的是在篩選原則下快速識別活性效應。你可以點擊製作模型 （打開“適合模型”對話框）或運行模型 （打開最小二乘法）在底部將當前選定的對比作為回歸分析中的效果。
在我看來，如果真的只有4個候選11個因子是活躍的，那麼你很有可能至少得到一個響應的一階近似，可能有一些交互作用。這種近似可能足以優化響應或指導您使用額外的運行來增強初始實驗以改進模型，從而優化。
Re：使用Statistica和JMP Pro 12分析Plackett Burman的不同結果啊明白了！謝謝！
Re：使用Statistica和JMP Pro 12分析Plackett Burman的不同結果為了進一步推動Peter的反應，PB設計用於篩選。在您的情況下，12次運行旨在篩選11個因素。一般來說，篩選方法和PB設計，當篩選原則時，都是成功的效果稀疏 ，遺傳 ，和等級制度保持。篩選設計的投影屬性通常允許您構建具有主效應和雙因素交互的模型，而無需額外的運行小篩選的大量候選因子中的活躍因子數量。（請注意，兩級設計無法在響應中建模曲率。）
因此，建模受到設計的限制，或者為了扭轉這種關係，適當的設計遵循預期的模型。如果您的真實模型更複雜（許多具有許多影響的活動因素，線性和非線性），那麼設計也必須比篩選設計更複雜。
如果（大致）實驗中超過一半的候選因子是活躍的，或者效果的幅度不大於響應的標準偏差，則可能無法很好地檢測到活躍因子。在這種情況下，根本沒有足夠的數據而不是所有必要的組合級別。
不過，初步分析可能會提供一些見解。還可以使用現有的PB數據並對其進行擴充，以增加對響應建模的能力，而無需重新開始。
Re：使用Statistica和JMP Pro 12分析Plackett Burman的不同結果11次因素的12次運行Plackett-Burman設計是超飽和篩選設計的一種形式。通常，這些類型的設計用於識別系統中的高影響因素，著眼於解決問題的計劃，其包括在更適合於過程優化目標的替代設計中隨後對這些因素的實驗。
Re：使用Statistica和JMP Pro 12分析Plackett Burman的不同結果我想知道的是，11個因素中的哪一個以顯著的方式分配給蛋白質產量的變化。在12個實驗中，使用了不同的因子組成。測量所有12個實驗的蛋白質產量。我們希望最大化產品產量。如果我有11個因素促成每個實驗的單一產品產量，我甚至可以使用簡單的回歸分析來分析這個因素嗎？
對不起，對整件事感到困惑。
Re：使用Statistica和JMP Pro 12分析Plackett Burman的不同結果感謝你能這麼快回复！
這是完整的因子設計章節嗎？它告訴我，我需要的不僅僅是針對11種不同因素的12個實驗？
Re：使用Statistica和JMP Pro 12分析Plackett Burman的不同結果看到救命 > 圖書 > 實驗指南的設計 > 第10章：適合兩級篩選平台 。
Re：使用Statistica和JMP Pro 12分析Plackett Burman的不同結果JMP中的回歸分析應該產生與Statistica相同的結果。
篩選平台使用不同的方法，在效果稀疏，等級和遺傳的篩選原則下運作。它基於這些原則創建對比，以產生正交。它們可能與PB設計中的參數估計值相同。基於原理添加對比度直到模型飽和，因此估計誤差沒有自由度。計算Lenth的偽標準誤差並用於計算t比率。但是，這些比率沒有學生t分佈，因此通過蒙特卡羅模擬計算經驗採樣分佈。該模擬產生單個和同時的p值，用於I型誤差的比較和實驗控制。
