具有显着LoF的重要模型亲爱的JMPers，
我想我有挑战！:)
它是一个具有显着LoF结果的重要模型。我已经尝试了JMP社区中建议的所有内容，添加了交互，更高阶的术语并排除了一些结果（潜在的异常值）来纠正LoF。问题是：X1，X2和X3高度相关。我宁愿在模型的最后保留这3个因素，以达到设计空间，但这不是必须的。
所以我最终得到了2个模型（多元线性回归）：
- 第一个更简单，没有相互作用 - 只保留了X3，VIF很低但对Y1，Y2和Y3仍然是显着的
- 第二个有相互作用 - 所有X1，X2和X3都保存在方程式中，具有显着的相互作用。Y1具有非显着的LoF，但对于Y2和Y3不同。.. 此外，VIF在Y3中增加很多，而且分析器并不精彩......
注意：运行不是来自DoE（它是经验性的）。
所以一般来说，模型（标准最小二乘）看起来对我很好。但似乎我需要在LoF +残差正常性或低VIF +模型的简单性之间达成折衷。
我在这里错过了什么吗？我可以改进模型并修正LoF结果吗？
提前感谢您的建议，
玛塔
Re：具有显着LoF的重要模型通过不使用线性预测器和回归可以避免一些问题。这是一个简单的神经网络模型的结果（一个隐藏层中的5个隐藏节点都使用双曲正切激活函数）：
模型预测似乎相当准确：
该模型似乎很好地描述：
Re：具有显着LoF的重要模型你好 @markbailey ！谢谢你宝贵的建议！事实上，我从未考虑过神经网络。我相信你是对的，这似乎是这种情况的完美解决方案。
无论如何，当我尝试在我的JMP中重现时，我总是得到X2的正斜率而不是你的负数（我知道正确的应该是负的！）。有什么建议吗？
Re：具有显着LoF的重要模型我无法确定是什么原因导致这种斜坡逆转但我有一些想法。有三件事需要考虑。首先，对训练和验证集的观察分配是随机的，因此该过程将导致结果变化，尽管如果数据集非常大，差异通常很小。
其次，你的数据集不是很大！您可以想象，如果每次有1/3的数据被随机保留用于验证，那么结果就不一样了。此外，您的一些变量只有两个或三个级别。有些级别只发生过几次。这一事实将使运行之间的差异进一步复杂化。对于验证方法，您可以尝试使用K-fold交叉验证而不是Holdout。使用此验证方法，您可以使用5到10倍的效果。
第三，不能完全避免共线性的影响。X2与X1和X3高度相关。给定保持验证方法，2/3行的随机子集可以改变斜率。
模型建设是认真，细致的工作。我之前的回复是一个建议，而非收费的全面咨询。（这不是讨论的目的！）在您信任并分享您的发现之前，您需要了解任何建模技术。但我希望这个讨论足以让你开始。
Re：具有显着LoF的重要模型确实，它很有用。我从不非常热衷于神经网络，因为很难真正理解背后的东西，但现在我很好奇。我必须学习更多并深入研究这个问题。我也很快就会有新的结果，我可以尝试预测它们，比较并验证它是否真的有效。周末愉快！
