需要多少個 DF 才能測試 X 個主效應 - JMP 擬合模型<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />我被要求分析多個主效應及其各種交互作用，但我認為我無法做到這一點，因為當我使用擬合模型分析時，我出現了 Lost DFs 錯誤訊息。 如果有幫助，這裡是數據的詳細資訊。 主要影響（大小）：位置 (4)、品種 (4)、區域（2、每個區域分組 2 個位置）和年份 (3)。 當我運行任何兩個主效應最大時，我只會得到結果/似乎有足夠的 DF，但從來沒有進行交互作用。
問題 1) 我是否有自由度問題，無法分析兩個以上的主效應，希望查看所有四個主效應？
問題 2）如果我只運行兩個主效應，當發現主效應不顯著時重新運行模型是否正確？ 例如，我運行“年份位置”，發現兩者都不顯著，因此我重新運行模型，刪除“年份”，因為我對“位置”感興趣，並再次發現“位置”不顯著，但p 值較低。
感謝任何建議
回覆：需要多少個 DF 才能測試 X 個主效果 - JMP 擬合模型崔維斯：我同意您從馬丁和麥克那裡收到的上述所有建議和忠告。 您可能需要考慮的另一種方法是，如果您正在執行 JMP Pro，即擬合模型平台中的廣義迴歸特性。 廣義回歸可以在多種情況下成功使用，「DF 不足」就是其中之一。 不是萬能藥，但可能會有所幫助。
回覆：需要多少個 DF 才能測試 X 個主效果 - JMP 擬合模型非常感謝您的回覆。
就您提出的問題而言：
- 每個反應/Y 有48 行觀測值（單寧、pH、TA、SSC 和SG），但這些觀測值分佈在4 個品種、4 個地點和超過三年的時間內，因此48/4/ 4/3 = 1、無重複。
- 讓缺乏複製的情況變得更加複雜，我確實丟失了一些年份的數據。 例如，對於 2012 年的品種 A，我可能有位置 AC 的數據，但沒有位置 D 的數據。
- 我似乎沒有異常問題，但又很難判斷我的情況
- 資料來自觀察性研究；從參與的種植者那裡收集水果，榨汁成複合材料，並從複合材料中得出五種測量/反應。 這個過程是在三年內對四個地點的每個品種進行的。 唯一的隨機化發生在種植者為我們選擇水果時。 但我們再次缺乏複製，即代表每個位置的多個果園，而不僅僅是一個。
以下是一些擬合模型（個性：標準最小二乘法，重點：效應槓桿）的一些輸出，其中全階乘減去三向交互作用。 看起來不錯，只是無法測試三向，這可能意義不大。
謝謝
回覆：需要多少個 DF 才能測試 X 個主效果 - JMP 擬合模型你是否嘗試過逐步回歸性格？
回覆：需要多少個 DF 才能測試 X 個主效果 - JMP 擬合模型非常感謝您抽出寶貴時間回覆。 我希望這是有道理的：
我沒有重複，這是一項非常薄弱的觀察性研究。 例如，對於酸度的反應變量，我有 48 個觀測值，但分佈在 4 個地點、4 個品種、3 年多的時間內 (48/4/4/3 = 1)。 我確實通過一些更改重新分析了數據（修復了一些用戶錯誤），並且能夠測試四個主要效果中的三個和雙向交互，如下所示，但不能測試三向交互。
1) 我可以透過偏最小平方法分析來測試三向交互作用嗎？
2) 我無法測試第四個主效果「區域」（將 4 個位置分為 2 個區域）（無論是否有交互作用）的原因是因為它與位置共線嗎？ 如果是這樣，我是否可以在模型中不使用它來繼續操作？ 它實際上不需要在模型中，但如果可能的話最好進行測試。
3) 假設 1) 和 2) 解決，如果發現主效果不顯著，則從模型中刪除主效果是否正確，或僅允許非顯著交互作用？
謝謝
全階乘：（擬合模型，個性：標準最小平方法，強調：效應槓桿）
全階乘減去三向交互作用：
回覆：需要多少個 DF 才能測試 X 個主效果 - JMP 擬合模型我一直使用的一條經驗法則是，您嘗試運行的模型中的每一項都需要 1 個自由度，再加上 1 個額外的截距自由度（最小值）。此規則不允許您估計模型中的誤差項，因此您將需要額外的自由。
從第一個表看來，您正在嘗試描述具有 10 個項目（包括截距）的模型，並且資料表中只有 7 或 8 行。這意味著您正在嘗試提出一個過飽和的模型。在這種情況下，偏最小二乘法可能會很有幫助，您可能需要查看“分析”>“多元方法”>“偏最小二乘法”下的該選項。否則，您似乎沒有足夠數量的觀察結果來執行您的建議。
回覆：需要多少個 DF 才能測試 X 個主效果 - JMP 擬合模型嗨特拉維斯亞歷山大0！
我下面的所有回答都是基於沒有數據來進行簡短的研究。 我這樣說是因為有不同的可能性，為什麼你可能會或可能不會發現更多的主效果是顯著的。
首先，我猜您正在使用標準最小二乘法作為建模演算法和模型結果的效果測試，對嗎？ 如果是這樣，主要有兩個原因導致主效果顯示不顯著。 要么不顯著，意味著它對反應沒有顯著影響，要么存在共線性，例如位置（在所有三個模型中都不顯著，例如與年份或品種相關。
同樣，如果沒有完整的數據設置，我只能猜測。 但這就是我在建模之前首先要做的事情：
1. 開啟分佈平台，將所有因子和反應變數設定為 Y。 然後按一下任何直方圖條（例如位置），查看所選分佈的位置以及它與所有其他變數的整體分佈有何不同。 您發現所選分佈和整體分佈之間有差異嗎？ 或模式，例如一個位置的值低於另一個位置的值，等等。 這將使您能夠以非常簡單的方式查看這裡是否有任何可疑的情況發生，這可能會導致重大行為（即使尚未得到統計證明）。
2. 看一下「Fit Y by X」。 我想位置、品種和區域是明確的，也可能是年份。 使用您的回應作為 Y，將其他回應作為 X。 您將得到分類 X 的變異數分析（如果您的 Y 是連續的，否則為偶然分析）。無論哪種方式，您都會看到一個 X 對一個 Y 是否有顯著影響。 這可以幫助您了解模型中是否存在重要的、不重要的東西。 那麼這很可能是由於某種交互作用的影響。
3. 查看擬合模型。 擬合 RSM 模型，以便對所有 X 變數進行所有交互作用和二次效應。 由於它們可能都是絕對的，因此您不需要二次效應，並且可能會收到警告。 不是不運行標準最小平方法，而是逐步迴歸。 使用 p 值閾值作為停止標準，並將其餘保留為預設值。 現在檢查哪些影響是顯著的。 它們與您之前的型號有什麼不同嗎？
僅使用選定的效果建立模型，然後使用標準最小平方法再次執行模型。 您仍然遇到 DoF 問題嗎？
除了上述內容之外，您還可以查看模型中的失擬檢驗，通常在變異數分析下面的報告中。 F 機率顯著嗎？ 如果是這樣，則表示該模型缺少效果。 因此，要么缺少交互，要么存在您未使用或捕獲的其他變數。 但該模型無法很好地反映您的數據。 您可以在分析器上查看實際的預測圖、殘差圖。更了解基於模型的因素的行為。
因此，使用圖形生成器/分佈或其他平台的視覺效果將為您提供對數據的一些一般理解，建模平台將幫助您找到一個好的模型，但只能對您提供的模型進行工作。 有一些複雜的模型可以根據演算法為您完成這項工作，如果您有 JMP Pro，則可以使用它們（例如引導森林、廣義回歸...）。
到目前為止我還沒有問到的另一個方面是關於您的數據。 您有多少個觀察結果（/行）？ 裡面有缺失資料嗎？你有（潛在的）異常值嗎？ 數據是來自設計的實驗還是來自測量或收集的銷售數據？
所有這些可能會導致我推薦的方法略有不同，因為他們每個人都有其他挑戰需要克服和考慮，
希望這有助於下一步，
馬丁
