如何繼續不分析方差顯著性但參數估計顯著性【互動講解】
使用 DSD（確定性篩選設計）的響應分析在“預測圖的實際值”報告的方差分析 (p=0.0898) 中沒有顯著性。 但參數估計報告顯示了一個因素的顯著性 (p=0.0321)。示例中描述了類似的發現： http://www.jmp.com/support/help/Examples_of_Definitive_Screening_Designs.shtml#424359 . 我觀察了最小二乘和逐步人格的這個結果。
方差分析：
RSq：0.38
調整：0.25
n=13
DSD：N = 13 / 無重複 / 3 個因素都是連續的
響應：無重複/連續
所附情節的殘留物。
0. 即使 Anova 否認它的意義是否相關？
1. 如何繼續分析？
3. 參數估計報告中使用了哪些特定的 t 檢驗？
4. 結果是否表明違反了測試假設？
回复：如何繼續不分析方差顯著性但參數估計顯著性您的屏幕截圖顯示預測圖的殘差，我相信，不是學生化殘差或所述的其他情節。 （不包括軸標籤。）該圖未顯示異常。 它在相關響應範圍內表現出高方差，因此您的 R 方會很小並且您的測試將具有低功效。
這實際按預測圖如果您不合適，會在模型中顯示出偏差。 （它在殘差圖中也應該很明顯。）這種情況可能表明您具有連續因子的非線性效應，需要為該因子添加二次項。
6. 殘差的分佈取決於模型，所以是的，它取決於模型中的項。 假設殘差是對響應中隨機誤差的估計，但如果缺乏擬合，則它們是響應誤差和模型偏差的線性組合。
7. 分佈形式（正態或其他）取決於響應的性質，一種內在質量。 線性回歸假設誤差呈正態分佈，並使用均值 = 0 且方差恆定的正態分佈對其進行建模。 它不依賴於設計中的遊程數。 還有其他回歸方法（例如，廣義線性模型）可以使用其他誤差分佈模型。
8. 我不明白這個問題。
回复：如何繼續不分析方差顯著性但參數估計顯著性首先，DSD是設計的眾多選擇之一方法. 任何設計方法都必須解決相同的問題原則. 現在特別是，任何用於設計篩選實驗的方法都將假設以下附加原則成立：
- 效果的稀疏性： 有許多潛在的因素以及這些因素的許多潛在影響（主效應、交互作用、線性模型中的非線性效應），但是事實上，只有一小部分是活躍的.
- 效果層次：對響應的大部分影響本質上是一階的，第二大影響本質上是二階的，依此類推。 因此，高階效應通常會被忽略，不需要包含在模型中，因此不需要通過實驗設計來解決。
- 效應的遺傳：任何高階效應都與一個也具有很強的一階效應的因素相關聯。
- 投影：消除不活躍因素將導致設計能夠為少數剩餘因素擬合更高階模型。
篩選設計用於篩選實驗，您必須在其中確定大數r 的潛在因素哪些是活躍的。 我不認為 3 個因素是一個很大的數字或真實的篩選情況。 對於 3 個因素的情況，您有比 DSD 更好的設計方法選擇：定制設計.
DSD 平台具有防止誤用（因素太少）的內置功能。 它實際上包括虛假因素導致設計的試驗次數多於擬合主效應模型所需的試驗次數，以提高設計的功效。 （在向您展示設計之前，偽因素列已被去除。）
回复：如何繼續不分析方差顯著性但參數估計顯著性非常感謝 markbailey 提供的非常有用的支持。 您的回答確實向前邁出了一大步。 分析對我來說更清楚。
根據您的回答：5。 我將 DSD 用於只有 3 個因子的 DoE 是否有問題？
添加到我的第一篇文章：DSD 評估的特殊模型對我沒有任何意義。 然而，一個因素 A 似乎對主效應圖有影響。 當排除兩個因素 (B+C) 時，我收到一個糟糕的模型（見第一篇文章），但對因素 A 有重要意義。
我繼續我的分析，特別是對於你所說的殘留物。 學生化殘基沒有顯示異常。 但是，我收到附件中可見的“實際與預測圖”殘基的奇怪分佈。
6.這是分配源於我忽略了其他兩個因素的事實？
7. 還是數據點的數量不足以獲得正態分佈？
8. 我可以得出模型數據不具有相同方差/正態分佈的結論嗎？
回复：如何繼續不分析方差顯著性但參數估計顯著性首先，所有測試都正確執行，但它們回答的問題不同。 所以這裡有你的具體問題（請注意我的編號減了 1）：
- 儘管 ANOVA 明顯不顯著，但單個參數估計的顯著性可能是正確的。 ANOVA 正在測試整個模型（任何效果）與簡化模型（無效果 - 僅攔截）。 在真正的篩選實驗中，分母的自由度很小，因為您使用的是經濟設計來測試許多因素。 當然，這也取決於你選擇的alpha。 在真正的篩選情況下，您可能會使用更高的 alpha（接受更高的 I 類錯誤率）以獲得更低的 II 類錯誤率。
- 如果最不重要的參數（最高 p 值）明顯高於最低 p 值並且您認為它確實不重要，則您可以刪除它。 如此迭代，直到您覺得剩餘的參數可能很重要。 ANOVA 的 p 值也會發生變化，因為它正在測試的整個模型和誤差的 DF 都會隨著每次迭代而變化。
- 參數的 t 檢驗是一個原假設，即參數確實為 0（無效果）而不是 0（真實效果）。 它以通常的方式構建：t =（參數估計 - 假設參數）/參數估計的標準誤差。 在這種情況下，假設參數為 0，因此您看到的 t 比率只是估計值除以其標準誤差。
- 這些結果本身並不表示任何違反假設的情況。 您應該對殘差進行分析，以檢查具有常量方差和獨立性的正態分佈誤差假設。
