拟合确定性筛选：主效应图是否与模型参数估计值不一致我在想对此一定有一个简单的解释，但我今天遇到了“统计学家的障碍”。
在附加的数据中，我至少对两件事感到好奇。
1. Fit Definitive Screening 将 X__3 标识为显着而不是 X__2。 我确实知道，如果我使用拟合模型来执行此操作，则 X__2 的参数估计值比 X__3 的小得多，因此 t 比较小，因此 X__2 并不重要。 这很好，但似乎与此处显示的主效应图相矛盾：
2. 基于预测刻画器，X__7 上的参数估计值与我们在主效应图中看到的符号不同。
我考虑过的假设：(a) 交互作用以某种方式影响了主效应估计（这就是我创建第二个 y 变量 X__9 的原因），尽管我知道这不应该发生，因为在最终筛选设计中主效应没有交互作用. 鉴于 X__8 和 X__9 中都存在相同的现象，我已经排除了这种可能性。 (b) DSD 中分类因素的存在正在与连续因素混淆。 可能，但此 DSD 的设计诊断表明连续和分类之间的相关性非常小，仅约 r = 0.1。 此外，我很难看出这将如何导致 X__3 在 X__2 之前进行选择（因为设计矩阵的这两列之间没有相关性）。
附上资料。 注意我有两个 y 变量。 真正的 y 是 X__8。 我以一种消除重要交互的方式创建了 X__9。
回复：拟合最终筛选：主效应图是否与模型参数估计值不一致我可以确认 Bradley 提到的行为已在 JMP 14.1 中得到解决，该版本将很快推出。
回复：拟合最终筛选：主效应图是否与模型参数估计值不一致如果分类因素不活跃，则主效应图将很有用。 但是，如果分类因素的影响很大，那么您应该相信刻画器而不是主效应图。
现在改变 JMP 14 的这种不良行为为时已晚，但我希望使用 JMP 14.1 中主效应的多元回归系数绘制这条线。
回复：拟合最终筛选：主效应图是否与模型参数估计值不一致因此，如果我们运行的是带有分类因素的“DSD”，那么本质上我们应该忽略主效应图吗？ “Fit Definitive Screening”简化模型给出了我们可以获得的最佳估计，是否收集更多数据来打破混叠？
回复：拟合最终筛选：主效应图是否与模型参数估计值不一致这里有很多问题。
在主效应图中，显示的拟合线是 y 对每个单独 x 的简单线性回归的结果。 如果没有分类因素，那么无论您进行线性回归还是多元回归，所有因素的斜率都将相同，因为所有主效应都是正交的。 您有两个分类因素，因此这些因素与所有其他因素之间的相关性很小。
X3 与分类因子 X5 和 X7 相关，因此显示 X3 在 Y 上的拟合且模型中没有其他因素的主效应图的系数为 0.08，这是由于 X5 和 X7 的混叠。 相比之下，它在主效应模型中的系数为 0.22。
X2 也与 X5 和 X7 相关。 其在主效应图中的系数为 0.157，而其在主效应模型中的系数为 0.014。 在这种情况下，由于 X5 和 X7 的混叠，X2 相对于 Y 的简单斜率看起来再次变得更陡。
我应该指出你的数据表不是 DSD。 主效应和双因素交互作用之间存在相关性。 这是因为 X5 和 X7 中的一些条目在折叠对之间进行了切换。
