你好，
我是 JMP 用户，我有疑问
JMP 如何发现
执行 D OPTIMAL 后 DOE 的影响
设计。
例如，如果我有一个 16 次运行的设计，结果是
我只能执行13，那么我可以使用D-OPTIMAL
找出要跳过的内容。
问题是我不知道是否唯一的方法
评估效果的重要性正在使用
通过普通最小二乘法得出的 p 值
回归。
如果是这样的话我觉得就太简单了
因为有贝叶斯替代方案
为此，我们可以进一步估计
缺失值。
我非常感谢有关此主题的反馈。
谢谢。
我认为您误解了 D 最优设计的工作原理。 只能为您指定的模型创建 D 最优设计，而不能“选择要跳过的运行”。
例如，假设我有 4 个因素，并希望拟合一个具有所有主效应和所有双向交互作用的模型。 这将为我的模型提供 11 项（包括截距）。 D 最优设计将需要至少 11 次运行（这是 JMP 在设计创建过程中提供的最小运行次数）。 这是一个要求，因为 D-optimal 中的 D 指的是需要求逆的矩阵的行列式。
现在，如果我采取同样的情况，但将所有双向交互列为“如果可能”而不是“必要”，您将看到最小运行次数下降到 5（仅拦截和主效应）。 执行此操作时，您实际上是在告诉 JMP 创建贝叶斯 D 最优设计。 在这种情况下，您无法使用主效应和所有双向交互来拟合模型。 您将需要使用前向逐步回归（或 JMP 提供的一些其他技术）来确定哪些双向交互被视为“活跃”。
现在，也许您的问题更多是关于 16 次运行的 D 最优设计，该设计允许估计所有主效应和所有 2 向交互作用，但由于某种原因，3 次运行未完成。 对于这种情况，您有 13 次运行，这超出了所需的 11 次运行。 因此，普通最小二乘回归将起作用并为所有参数提供测试。 不幸的是，该设计对于 13 次运行并不是最优的，而是对于 16 次运行是最优的。 因此，参数估计值的多重共线性可能更高，参数估计值的方差也更大。 这不是 JMP 限制，而是最小二乘回归的限制，无法完成最初设计的设计。
JMP 在这种情况下提供了替代方案。 您可以估算缺失值。 您可以尝试以不同方式处理多重共线性和缺失值的替代建模技术（PLS、神经网络、分区模型等）。 如果您使用 JMP Pro，您甚至可以选择更多拟合模型来以不同的方式处理这些情况。
但要非常谨慎，尤其是在估算缺失值时。 如果这是一个设计好的实验，则每次试验的选择都会对结果产生很大的影响。 毕竟，您正在尝试用最少的数据点获取最多的信息。 我不建议为设计的实验估算值，因为没有太多数据来确定适当的结构来准确地估算值，并且“弥补”结果将对模型产生很大影响。
