使用Statistica和JMP Pro 12分析Plackett Burman的不同结果嘿!
我昨天才开始使用JMP Pro 12，目前我正在尝试使用DOE功能。
在我的工作之前，学生在12个实验中使用11个因子设计了Plackett Burman矩阵。获得蛋白质浓度的实验数据。使用Statistica分析这些实验，得到4个显着因子，p值低于0.01。现在我们正在使用JMP Pro，希望能够更方便地使用它。但是，一旦我输入数据并使用分析 - >建模 - >筛选工具，如大纲中所述，我最终得到的贡献最多的4个因素，但p值超过0.3。知道我可能做错了什么，这些完全不同的结果是怎么来的？
谢谢 ：）
Re：使用Statistica和JMP Pro 12分析Plackett Burman的不同结果筛选平台充当从数据到回归分析的桥梁。其目的是在筛选原则下快速识别活性效应。你可以点击制作模型 （打开“适合模型”对话框）或运行模型 （打开最小二乘法）在底部将当前选定的对比作为回归分析中的效果。
在我看来，如果真的只有4个候选11个因子是活跃的，那么你很有可能至少得到一个响应的一阶近似，可能有一些交互作用。这种近似可能足以优化响应或指导您使用额外的运行来增强初始实验以改进模型，从而优化。
Re：使用Statistica和JMP Pro 12分析Plackett Burman的不同结果啊明白了！谢谢！
Re：使用Statistica和JMP Pro 12分析Plackett Burman的不同结果为了进一步推动Peter的反应，PB设计用于筛选。在您的情况下，12次运行旨在筛选11个因素。一般来说，筛选方法和PB设计，当筛选原则时，都是成功的效果稀疏 ，遗传 ，和等级制度保持。筛选设计的投影属性通常允许您构建具有主效应和双因素交互的模型，而无需额外的运行小筛选的大量候选因子中的活跃因子数量。（请注意，两级设计无法在响应中建模曲率。）
因此，建模受到设计的限制，或者为了扭转这种关系，适当的设计遵循预期的模型。如果您的真实模型更复杂（许多具有许多影响的活动因素，线性和非线性），那么设计也必须比筛选设计更复杂。
如果（大致）实验中超过一半的候选因子是活跃的，或者效果的幅度不大于响应的标准偏差，则可能无法很好地检测到活跃因子。在这种情况下，根本没有足够的数据而不是所有必要的组合级别。
不过，初步分析可能会提供一些见解。还可以使用现有的PB数据并对其进行扩充，以增加对响应建模的能力，而无需重新开始。
Re：使用Statistica和JMP Pro 12分析Plackett Burman的不同结果11次因素的12次运行Plackett-Burman设计是超饱和筛选设计的一种形式。通常，这些类型的设计用于识别系统中的高影响因素，着眼于解决问题的计划，其包括在更适合于过程优化目标的替代设计中随后对这些因素的实验。
Re：使用Statistica和JMP Pro 12分析Plackett Burman的不同结果我想知道的是，11个因素中的哪一个以显着的方式分配给蛋白质产量的变化。在12个实验中，使用了不同的因子组成。测量所有12个实验的蛋白质产量。我们希望最大化产品产量。如果我有11个因素促成每个实验的单一产品产量，我甚至可以使用简单的回归分析来分析这个因素吗？
对不起，对整件事感到困惑。
Re：使用Statistica和JMP Pro 12分析Plackett Burman的不同结果感谢你能这么快回复！
这是完整的因子设计章节吗？它告诉我，我需要的不仅仅是针对11种不同因素的12个实验？
Re：使用Statistica和JMP Pro 12分析Plackett Burman的不同结果看到救命 > 图书 > 实验指南的设计 > 第10章：适合两级筛选平台 。
Re：使用Statistica和JMP Pro 12分析Plackett Burman的不同结果JMP中的回归分析应该产生与Statistica相同的结果。
筛选平台使用不同的方法，在效果稀疏，等级和遗传的筛选原则下运作。它基于这些原则创建对比，以产生正交。它们可能与PB设计中的参数估计值相同。基于原理添加对比度直到模型饱和，因此估计误差没有自由度。计算Lenth的伪标准误差并用于计算t比率。但是，这些比率没有学生t分布，因此通过蒙特卡罗模拟计算经验采样分布。该模拟产生单个和同时的p值，用于I型误差的比较和实验控制。
