错误：0.05显着的曲线阴影错误图，即使我的模型具有高R2值的显着性我在JMP中适合模型。除了我的图表之外的所有内容都很奇怪。
该模型的重要性为0.0476
RSquare 0.951662
RSquare Adj 0.794562
均方根误差0.928013
响应平均值88.68333
观察（或总和）18
粉红色区域似乎涵盖了一切错误。还有其他人遇到过这个吗？
Re：ERROR：0.05显着的曲线阴影误差图，即使我的模型具有高R2值的显着性基于X6术语，整体模型可能很重要，这是正确的。
意识到由于Scheffe模型的主要影响问题，即使模型不是，整体模型测试也可能显示出显着性。
回复：错误：0.05有效曲线阴影阴影误差图，即使我的模型在R2值较高的情况下也是有效的嗨，丹，
我要跟进拟合模型平台中的Scheffe模型拟合问题。在参数估计值将估计值与null = mean进行比较而不是将其与null = 0进行比较时，是否有合适的方法适合此模型？
换句话说，是否有更好的方法来拟合此模型以获得更正确的输出和传递方程？
谢谢，
回复：错误：0.05有效曲线阴影阴影误差图，即使我的模型在R2值较高的情况下也是有效的我的一位同事编写了一个脚本来提供适当的测试。但是，我总是提醒任何从事配方工作的人：您将如何处理这些信息？假设组成部分不重要。那个的真实意义是什么？这是否意味着您可以从配方中删除该成分？不，这并不意味着。您可能可以将其从配方中删除，但是Scheffe模型不是因果关系的。因此，请谨慎使用。最后，此脚本会将列添加到现有的“参数估计”表中（即使该报告已关闭）。您将看到对所有模型效果的测试，该报告仅对主要效果有效。
Names Default to Here( 1 );
// find current Fit Least Squares platform
window = Get Window List();
n windows = N Items( window );
For( w = 1, w <= n windows, w++,
window ref = Get Window( w );
title = window ref << Get Window Title;
If( Contains( title, "Fit Least Squares" ),
Break();
);
);
// obtain values for proper t-test of estimates
mean = window ref["Summary of Fit"][NumberColBox(1)] << Get( 4 );
err df = window ref["Analysis of Variance"][NumberColBox(1)] << Get( 2 );
estimate = window ref["Parameter Estimates"][NumberColBox(1)] << Get As Matrix;
std err = window ref["Parameter Estimates"][NumberColBox(2)] << Get As Matrix;
// compute t-ratios
t ratio = (estimate - mean) :\</img> std err;
// compute p-value for each t-ratio
p val = 2 * (1 - Students t Distribution( Abs( t ratio ), err df ));
// add proper test to report
window ref["Parameter Estimates"][TableBox(1)]
<< Append( Number Col Box( "Proper t Ratio", t ratio ) )
<< Append( Number Col Box( "Proper Prob>|t|", p val ) );
window ref["Parameter Estimates"][NumberColBox("Proper Prob>|t|")] << Set Format( 8, 97) << Set Conditional Format( "PValue" );
window ref["Parameter Estimates"] << Append(
Text Box( "Proper tests valid for linear terms only!" );
);
回复：错误：0.05有效曲线阴影阴影误差图，即使我的模型在R2值较高的情况下也是有效的感谢Dan的详细回答。
我不想从配方中除去任何成分。对于这种混合DOE，我们实际上有4种不同的响应，并且构建了4个模型。我希望确定每个模型中真正重要的参数，并最终结合来自4个模型的预测方程式，以最大限度地提高某些可取性。
