擬合確定性篩選：主效應圖是否與模型參數估計值不一致我在想對此一定有一個簡單的解釋，但我今天遇到了“統計學家的障礙”。
在附加的數據中，我至少對兩件事感到好奇。
1. Fit Definitive Screening 將 X__3 標識為顯著而不是 X__2。 我確實知道，如果我使用擬合模型來執行此操作，則 X__2 的參數估計值遠小於 X__3 的參數估計值，因此 t 比較小，因此 X__2 並不重要。 這很好，但似乎與此處顯示的主效應圖相矛盾：
2. 基於預測刻畫器，X__7 上的參數估計值與我們在主效應圖中看到的符號不同。
我考慮過的假設：(a) 交互作用以某種方式影響了主效應估計（這就是我創建第二個 y 變量 X__9 的原因），儘管我知道這不應該發生，因為在最終篩選設計中主效應沒有交互作用. 鑑於 X__8 和 X__9 中都存在相同的現象，我已經排除了這種可能性。 (b) DSD 中分類因素的存在正在與連續因素混淆。 可能，但此 DSD 上的設計診斷表明連續和分類之間的相關性非常小，僅約 r = 0.1。 此外，我很難看出這將如何導致 X__3 在 X__2 之前進行選擇（因為設計矩陣的這兩列之間沒有相關性）。
附上資料。 注意我有兩個 y 變量。 真正的 y 是 X__8。 我以一種消除重要交互的方式創建了 X__9。
回复：擬合最終篩選：主效應圖是否與模型參數估計值不一致我可以確認 Bradley 提到的行為已在 JMP 14.1 中得到解決，該版本將很快推出。
回复：擬合最終篩選：主效應圖是否與模型參數估計值不一致如果分類因素不活躍，則主效應圖將很有用。 但是，如果分類因素的影響很大，那麼您應該相信刻畫器而不是主效應圖。
現在改變 JMP 14 的這種不良行為為時已晚，但我希望使用 JMP 14.1 中主效應多元回歸的係數繪製這條線。
回复：擬合最終篩選：主效應圖是否與模型參數估計值不一致因此，如果我們運行的是帶有分類因素的“DSD”，那麼本質上我們應該忽略主效應圖嗎？ “Fit Definitive Screening”簡化模型給出了我們可以獲得的最佳估計，是否收集更多數據來打破混疊？
回复：擬合最終篩選：主效應圖是否與模型參數估計值不一致這裡有很多問題。
在主效應圖中，顯示的擬合線是 y 對每個單獨 x 的簡單線性回歸的結果。 如果沒有分類因素，那麼無論您進行線性回歸還是多元回歸，所有因素的斜率都將相同，因為所有主效應都是正交的。 您有兩個分類因素，因此這些因素與所有其他因素之間的相關性很小。
X3 與分類因子 X5 和 X7 相關，因此顯示 X3 在 Y 上的擬合且模型中沒有其他因素的主效應圖由於 X5 和 X7 的混疊而具有 0.08 的係數。 相比之下，它在主效應模型中的係數為 0.22。
X2 也與 X5 和 X7 相關。 其在主效應圖中的係數為 0.157，而其在主效應模型中的係數為 0.014。 在這種情況下，由於 X5 和 X7 的混疊，X2 相對於 Y 的簡單斜率看起來再次變得更陡。
我應該指出你的數據表不是 DSD。 主效應和雙因素交互作用之間存在相關性。 這是因為 X5 和 X7 中的一些條目在折疊對之間進行了切換。
