如何继续不分析方差显着性但参数估计显着性【互动讲解】
使用 DSD（确定性筛选设计）的响应分析在“预测图的实际值”报告的方差分析 (p=0.0898) 中没有显着性。 但参数估计报告显示了一个因素的显着性 (p=0.0321)。示例中描述了类似的发现： http://www.jmp.com/support/help/Examples_of_Definitive_Screening_Designs.shtml#424359 . 我观察了最小二乘和逐步人格的这个结果。
方差分析：
RSq：0.38
调整：0.25
n=13
DSD：N = 13 / 无重复 / 3 个因素都是连续的
响应：无重复/连续
所附情节的残留物。
0. 即使 Anova 否认它的意义是否相关？
1. 如何继续分析？
3. 参数估计报告中使用了哪些特定的 t 检验？
4. 结果是否表明违反了测试假设？
回复：如何继续不分析方差显着性但参数估计显着性您的屏幕截图显示预测图的残差，我相信，不是学生化残差或所述的其他情节。 （不包括轴标签。）该图未显示异常。 它在相关响应范围内表现出高方差，因此您的 R 方会很小并且您的测试将具有低功效。
这实际按预测图如果您不合适，会在模型中显示出偏差。 （它在残差图中也应该很明显。）这种情况可能表明您具有连续因子的非线性效应，需要为该因子添加二次项。
6. 残差的分布取决于模型，所以是的，它取决于模型中的项。 假设残差是对响应中随机误差的估计，但如果缺乏拟合，则它们是响应误差和模型偏差的线性组合。
7. 分布形式（正态或其他）取决于响应的性质，一种内在质量。 线性回归假设误差呈正态分布，并使用均值 = 0 且方差恒定的正态分布对其进行建模。 它不依赖于设计中的游程数。 还有其他回归方法（例如，广义线性模型）可以使用其他误差分布模型。
8. 我不明白这个问题。
回复：如何继续不分析方差显着性但参数估计显着性首先，DSD是设计的众多选择之一方法. 任何设计方法都必须解决相同的问题原则. 现在特别是，任何用于设计筛选实验的方法都将假设以下附加原则成立：
- 效果的稀疏性： 有许多潜在的因素以及这些因素的许多潜在影响（主效应、交互作用、线性模型中的非线性效应），但是事实上，只有一小部分是活跃的.
- 效果层次：对响应的大部分影响本质上是一阶的，第二大影响本质上是二阶的，依此类推。 因此，高阶效应通常会被忽略，不需要包含在模型中，因此不需要通过实验设计来解决。
- 效应的遗传：任何高阶效应都与一个也具有很强的一阶效应的因素相关联。
- 投影：消除不活跃因素将导致设计能够为少数剩余因素拟合更高阶模型。
筛选设计用于筛选实验，您必须在其中确定大数r 的潜在因素哪些是活跃的。 我不认为 3 个因素是一个很大的数字或真实的筛选情况。 对于 3 个因素的情况，您有比 DSD 更好的设计方法选择：定制设计.
DSD 平台具有防止误用（因素太少）的内置功能。 它实际上包括虚假因素导致设计的试验次数多于拟合主效应模型所需的试验次数，以提高设计的功效。 （在向您展示设计之前，伪因素列已被去除。）
回复：如何继续不分析方差显着性但参数估计显着性非常感谢 markbailey 提供的非常有用的支持。 您的回答确实向前迈出了一大步。 分析对我来说更清楚。
根据您的回答：5。 我将 DSD 用于只有 3 个因子的 DoE 是否有问题？
添加到我的第一篇文章：DSD 评估的特殊模型对我没有任何意义。 然而，一个因素 A 似乎对主效应图有影响。 当排除两个因素 (B+C) 时，我收到一个糟糕的模型（见第一篇文章），但对因素 A 有重要意义。
我继续我的分析，特别是对于你所说的残留物。 学生化残基没有显示异常。 但是，我收到附件中可见的“实际与预测图”残基的奇怪分布。
6.这是分配源于我忽略了其他两个因素的事实？
7. 还是数据点的数量不足以获得正态分布？
8. 我可以得出模型数据不具有相同方差/正态分布的结论吗？
回复：如何继续不分析方差显着性但参数估计显着性首先，所有测试都正确执行，但它们回答的问题不同。 所以这里有你的具体问题（请注意我的编号减了 1）：
- 尽管 ANOVA 明显不显着，但单个参数估计的显着性可能是正确的。 ANOVA 正在测试整个模型（任何效果）与简化模型（无效果 - 仅拦截）。 在真正的筛选实验中，分母的自由度很小，因为您使用的是经济设计来测试许多因素。 当然，这也取决于你选择的alpha。 在真正的筛选情况下，您可能会使用更高的 alpha（接受更高的 I 类错误率）以获得更低的 II 类错误率。
- 如果最不重要的参数（最高 p 值）明显高于最低 p 值并且您认为它确实不重要，则您可以删除它。 如此迭代，直到您觉得剩余的参数可能很重要。 ANOVA 的 p 值也会发生变化，因为它正在测试的整个模型和误差的 DF 都会随着每次迭代而变化。
- 参数的 t 检验是一个原假设，即参数确实为 0（无效果）而不是 0（真实效果）。 它以通常的方式构建：t =（参数估计 - 假设参数）/参数估计的标准误差。 在这种情况下，假设参数为 0，因此您看到的 t 比率只是估计值除以其标准误差。
- 这些结果本身并不表示任何违反假设的情况。 您应该对残差进行分析，以检查具有常量方差和独立性的正态分布误差假设。
